denoiseImage

Изображение Denoise с помощью глубокой нейронной сети

Синтаксис

Описание

пример

B = denoiseImage(A,net) оценки denoised отображают B от шумного изображения A использование глубокой нейронной сети шумоподавления задано net.

Эта функция требует, чтобы у вас был Deep Learning Toolbox™.

Примеры

свернуть все

Загрузите предварительно обученную сверточную нейронную сеть шумоподавления, 'DnCNN'.

net = denoisingNetwork('DnCNN');

Загрузите полутоновое изображение в рабочую область, затем создайте шумную версию изображения.

I = imread('cameraman.tif');
noisyI = imnoise(I,'gaussian',0,0.01);

Отобразите два изображения как монтаж.

montage({I,noisyI})
title('Original Image (Left) and Noisy Image (Right)')

Удалите шум из шумного изображения, затем отобразите результат.

denoisedI = denoiseImage(noisyI,net);
imshow(denoisedI)
title('Denoised Image')

Входные параметры

свернуть все

Шумное изображение в виде одного 2D изображения или стека 2D изображений. A может быть:

  • 2D полутоновое изображение с размером m-by-n.

  • 2D многоканальное изображение с размером m-by-n-by-c, где c является количеством каналов изображений. Например, c 3 для изображений RGB, и 4 для изображений с четырьмя каналами, таких как изображения RGB с инфракрасным каналом.

  • Стек одинаково измеренных 2D изображений. В этом случае, A имеет размер m-by-n-by-c-by-p, где p является количеством изображений в стеке.

Типы данных: single | double | uint8 | uint16

Глубокая нейронная сеть шумоподавления в виде SeriesNetwork Объект (Deep Learning Toolbox). Сеть должна быть обучена, чтобы обработать изображения с тем же форматом канала как A.

Выходные аргументы

свернуть все

Изображение Denoised, возвращенное как одно 2D изображение или стек 2D изображений. B имеет тот же размер и тип данных как A.

Введенный в R2017b
Для просмотра документации необходимо авторизоваться на сайте