Проаналізовано методи фільтрації зображень, спотворених білим гауссівським шумом. Показано, що для покращення ефективності фільтрації доцільно проводити удосконалення пошуку та виділення регулярних структур, надлишковості на зображення.
1. Pratt W.K. Digital image processing: Third edition. – New York: John Wiley & Sons, Inc, 2001. – 735 p. 2. Добеши И. Десять лекций по вейвлетам. – Ижевск: НИЦ “Регулярная и хаотическая динамика”. – 2001. – 464 с. 3. Новиков Л.В. Основы вейвлет-анализа сигналов: Учеб. пособие. – СПб.: Модус+, 1999. – 152 с. 4. Luisier F., Blu Th., Unser M. A new SURE approach to image denoising: interscale orthonormal wavelet thresholding // IEEE Trans Image Processing. – 2007. – Vol. 16, № 3. – P. 593–606. 5. Lee N., Huynh Q., Schwarz S. New methods of linear time-frequency analysis for signal detection // IEEE Int. Symp. Time-frequency and time-scale analysis. – 1996. 6. Коваль О.І., Русин Б.П. Алгоритм контекстного стиску зображень на основі вейвлетного перетворення, побудованого з використанням елементів теорії полюсів // Вісн. Нац. ун-ту “Львівська політехніка”. – 2001. – № 437. – С. 78–82. 7. Mihcak M.K., Kozintsev I., Ramchandran K. Low-complexity image denoising basing on statistical modelling of wavelet coefficients // IEEE Signal Processing Letters. – 1999. – Vol.6, № 12. – P. 300–303. 8. Donoho D.L. Denoising by soft-thresholding // IEEE Trans. Information theory. – 1995. – Vol. 41, № 3. – P. 613–627. 9. LoPresto S.M., Ramchandran K., Orchard M.T. Image coding based on mixture modeling of wavelet coefficients and a fast estimation-quantization framework // Proc. IEEE Data compression conference. – Snowbird, Utah. – 1997. – P. 221–230. 10. Crouse M.S., Nowak R.D., Baraniuk R.G. Wavelet-based statistical signal processing using hidden Markov models // IEEE Trans. Signal Processing. – 1998. – Vol. 46, № 4. – P. 886–902. 11. Mallat S., Zhong S. Characterization of signals from multiscale edges // IEEE Trans. Pattern analysis and machine intelligence. – 1992. – Vol. 14. – P. 710–732. 12. German S., German D. Stochastic relaxation, gibbs distribution, and the bayesian restoration of images // IEEE Trans. on pattern analysis and machine intelligence. – 1984. – Vol. PAMI-6, № 6. – P. 721–741. 13. Rudin L., Osher S., Fatemi E. Nonlinear total variation based noise removal algorithms // Phys. D. – 1992. – № 60. – P. 259–268. 14. Voloshynovskiy S., Koval O., Pun Th. Waveletbased image denoising using non-stationary stochastic geometrical image priors // SPIE Photonics West, Electronic Imaging 2003, Image and Video Communications and Processing V. – Santa Clara, CA, USA. – 2003. 15. Buades A., Coll B., Morel J.M. A review of image denoising algorithms, with a new one // 59 Multiscale model simul. – 2005. – Vol. 4, № 2. – P. 490–530. 16. Dabov K., Foi A., Katkovnik V., Egiazarian K. Image denoising by sparse 3D transform-domain collaborative filtering // IEEE Trans. Image Processing. – 2007. – Vol. 16, № 8.