В применении к изображениям объектов, состоящих из слу­чайных ступенек, рассматриваемый метод дает лишь несколько более хороший результат, чем метод оптимальной линейной фильтрации. Главным недостатком метода в этом случае явля­ется появление таких же осцилляции из-за явления Гиббса, ка­кие присущи линейной реставрации. Однако удалось найти спо­соб преодоления этой трудности. Если объект состоит из слу­чайных ступенек, то его производная содержит случайные импульсы, которые хорошо реставрируются описанным методом (см, выше). Поэтому, когда пользователь знает, что интересую­щий его объект состоит из случайных ступенек, он может про­дифференцировать данные об изображении и ввести полученные числа в алгоритм. При этом выход будет иметь форму. Восстановление 6(х) производится путем интегрирования по по­лю объекта. Сравнение с реставрацией тех же объектов при идеальном ограничении полосы частот в соответ­ствии демонстрирует преимущества данного метода: гораздо более крутые переходы на границах и полное устранение паразитных осцилляции. В отношении способности идентифицировать наличие границ и площадок без появления ложных деталей этот алгоритм также дает лучший результат, чем оценка при идеальном ограничении полосы частот. Однако это оказывается неверным, если производить сравнение на основе среднеквадратичной ошибки. Дело в том, что по методу максимума энтропии высоты площадок определяются обычно неточно. Это объясняется накоплением ошибок при интегрирова­нии по полю объекта, содержащего реставрированные дельта-функции, площади которых подвержены случайным ошибкам. Отсюда можно сделать вывод, что предложенный метод следует использовать в тех случаях, когда более важно определить гео­метрическую конфигурацию объекта, чем абсолютные уровни яркости.