حذف باران از تصاوير وب با استفاده از فيلتر دوسويه

Removing Rain from Web Images Using a Bilateral Filter

تصاوير جزء پر كاربردترين اجزاء استفاده شده در سايت‌ها هستند و اگر اين تصاوير داراي كيفيت مناسبي نباشند، وب‌سايت با افت سئو مواجه خواهد شد. تصاوير باراني ازجمله تصاوير بي كيفيتي هستند كه ناگزير در نمايش محصولات يك وب‌سايت فروشگاهي وجود دارند. روش هاي حذف باران با استفاده از فيلترهاي ميانگين وزندار شده اين عيب را دارند كه تصاوير را تار مي كنند و جزئيات تصوير را از بين مي برند. نوآوري اين مقاله پيشنهاد يك روش تلفيقي از فيلتر دوسويه و فيلتر هدايتي براي حذف اثر باران است. روش كار به اين صورت است كه ابتدا تصوير از فيلتر دوسويه عبور مي كند و جهت افزايش كيفيت، فيلتر هدايت شونده برآن اعمال شده و تصوير خروجي بدست مي آيد. چهار تصوير نمونه از تصاوير باراني انتخاب شده و الگوريتم پيشنهادي بر آنها اعمال شده است. نتايج با يك روش مرجع كه اخيراً در اين رابطه ارائه شده، مقايسه گرديده است. نتايج نشان مي دهد كه الگوريتم پيشنهادي از نظر معيار بيشينه سيگنال به نويز بطور متوسط 4.42 درصد و از نظر معيار شباهت بطور متوسط 4.45 درصد، خروجي تصاوير را نسب به الگوريتم مرجع، بهبود بخشيده است.

Images are among the most used components used in websites, and if these images are not of good quality, the website will suffer from SEO. Rainy images are among the poor-quality images that inevitably exist in the display of products on a store website. Rain removal methods using weighted average filters have the disadvantage of blurring images and destroying image details. The innovation of this article is to propose a combined method of Bilateral filter and Guided filter to remove the effect of rain. The working method is that first the image passes through the Bilateral filter, and in order to increase the quality, the guided filter is applied to it and the output image is obtained. Four sample images are selected from rain images and the proposed algorithm is applied to them. The results have been compared with a reference method recently presented in this regard. The results show that the proposed algorithm has improved the output of the images by 4.42% on average in terms of the maximum signal-to-noise criterion and 4.45% in terms of the similarity criterion compared to the reference algorithm.