Аннотация. Автоматизированные системы распознавания объектов широко применяются в промышленности, робототехнике и экологическом мониторинге, при этом интеллектуальные системы сортировки отходов являются одним из наиболее перспективных направлений. Однако несмотря на то, что качество предварительной обработки изображений – в особенности этап шумоподавления – напрямую влияет на точность распознавания, в литературе недостаточно представлен систематический сравнительный анализ методов денойзинга в контексте сортировки отходов. В настоящем пилотном исследовании данный пробел восполняется путем сравнения шести методов шумоподавления в рамках единого экспериментального протокола: гауссовский фильтр, медианный фильтр, гибридный метод с адаптивным сохранением границ, каскадный метод AMF+MDBMF и нейросетевой метод DnCNN без предварительного обучения. Экспериментальная база включала 15 репрезентативных цветных изображений трех классов (пластик, стекло, металл) из набора данных Kaggle TrashNet. Применены три типа искусственно добавленного шума: гауссовский шум (σ = 25), импульсный шум «соль и перец» (p = 5%) и пуассоновский шум. Для оценки качества использовались пять метрик (PSNR, SSIM, MSE, MAE, EPI) и непараметрические тесты значимости (критерий Уилкоксона, коэффициент Коэна d). Дополнительно измерена вычислительная сложность методов (время обработки). Результаты показали, что медианный фильтр обеспечивает наивысшую эффективность при всех типах шума со статистически значимым преимуществом (p < 0,01). Каскадный AMF+MDBMF продемонстрировал высокую эффективность при импульсном шуме. Необученная DnCNN показала отрицательный результат, что подтверждает обязательность предварительного обучения нейросетевых моделей. Научная новизна исследования заключается в разработке методологии единого экспериментального протокола для сравнения методов денойзинга трех классов в задаче сортировки отходов. Полученные пилотные результаты могут служить ориентиром для проектирования блока предварительной обработки автоматизированных систем сортировки отходов и подлежат расширению на полный набор данных TrashNet (2527 изображений) в дальнейших исследованиях.

Ключевые слова: шумоподавление изображений, гауссовский шум, импульсный шум, распознавание объектов, медианный фильтр, гибридные методы фильтрации, статистическая значимость, PSNR, SSIM, TrashNet.