一种常见的技术依赖于滤波器组和稳健的统计数据。这个想法是隔离一些频率子带，其中变换后的信号是稀疏的，其余的是（过滤的）噪声。从这里，您可以使用中值估计器。

在正交小波（一种二元滤波器组的形式）的上下文中，如果对信号进行充分采样，则最高频率子带通常满足上述要求。或者可以选择信号被认为是稀疏的合适的子带联合。

然后，如果的估计量为：$c_i$$\sigma$

下图显示了添加到图像行的高斯噪声的几种实现的平均噪声估计和标准偏差。

这在小波 1-D 或 2-D 去噪的惩罚阈值中进行了描述。更多细节在 S. Mallat, A wavelet tour of signal processing, section 11.3 Thresholding Sparse Representations, Noise Variance Estimation 中给出。Rousseeuw 和 Croux，中值绝对偏差的替代方案，1993 年讨论了分母因子。

一个非常基本的化身包括用基本的有限差分对数据进行微分，并使用上述估计器，进一步除以以解释其能量归一化。$[1,-1]$$\sqrt{2}$

SNR 估计方法，分为两组，1）数据辅助和 2）盲法。数据辅助方法从信道传输导频数据（已知或预定义的信号），并根据接收信号的损坏程度估计 SNR，盲技术稍微复杂一些，通常不通用，并且专门针对不同的信号（例如Speech SNR Another仅适用于语音，或者OFDM SNR仅适用于 OFDM 信号。根据您的信号性质，您可以找到最适合您的情况的盲 SNR 估计器。