Datastore шумоподавления изображений
Используйте denoisingImageDatastore
объект сгенерировать пакеты шумных закрашенных фигур изображений и соответствующего шума исправляет от изображений в ImageDatastore
. Закрашенные фигуры используются, чтобы обучить глубокую нейронную сеть шумоподавления.
Этот объект требует, чтобы у вас был Deep Learning Toolbox™.
Примечание
Когда вы используете datastore шумоподавления изображений в качестве источника обучающих данных, datastore добавляет случайный шум в закрашенные фигуры изображений в течение каждой эпохи, так, чтобы каждая эпоха использовала немного отличающийся набор данных. Фактическое число учебных изображений в каждую эпоху увеличено на коэффициент PatchesPerImage
. Шумные закрашенные фигуры изображений и соответствующие шумовые закрашенные фигуры не хранятся в памяти.
dnimds = denoisingImageDatastore(
создает datastore шумоподавления изображений, imds
)dnimds
использование изображений от datastore изображений imds
. Сгенерировать шумные закрашенные фигуры изображений, datastore шумоподавления изображений случайным образом обрезки нетронутые изображения от imds
затем добавляет нулевой средний Гауссов белый шум со стандартным отклонением 0.1
к закрашенным фигурам изображений.
dnimds = denoisingImageDatastore(
пары "имя-значение" использования, чтобы задать двухмерное изображение исправляют размер или установить imds
,Name,Value
)PatchesPerImage
, GaussianNoiseLevel
, ChannelFormat
, и DispatchInBackground
свойства. Можно задать несколько пар "имя-значение". Заключите каждый аргумент или имя свойства в кавычках.
Например, denoisingImageDatastore(imds,'PatchesPerImage',40)
создает datastore шумоподавления изображений и случайным образом генерирует 40 шумных закрашенных фигур от каждого изображения в datastore изображений, imds
.
combine | Объедините данные от нескольких datastores |
hasdata | Определите, доступны ли данные для чтения |
partitionByIndex | Раздел denoisingImageDatastore согласно индексам |
preview | Подмножество предварительного просмотра данных в datastore |
read | Считайте данные из denoisingImageDatastore |
readall | Считывайте все данные в datastore |
readByIndex | Считайте данные, заданные индексом от denoisingImageDatastore |
reset | Сброс Datastore к начальному состоянию |
shuffle | Переставьте данные в datastore |
transform | Преобразуйте datastore |
isPartitionable | Определите, partitionable ли datastore |
isShuffleable | Определите, shuffleable ли datastore |
Обучение глубокая нейронная сеть для области значений Гауссовых шумовых стандартных отклонений является намного более трудной проблемой, чем обучение сети для одного Гауссова шумового стандартного отклонения. Необходимо создать больше закрашенных фигур по сравнению с одним случаем уровня шума, и учебная сила занимает больше времени.
Чтобы визуализировать данные в шумоподавлении отображают datastore, можно использовать preview
функция, которая возвращает подмножество данных в таблице. input
переменная содержит шумные закрашенные фигуры изображений и response
переменная содержит соответствующие шумовые закрашенные фигуры. Визуализируйте все шумные закрашенные фигуры изображений или шумовые закрашенные фигуры на том же рисунке при помощи montage
функция. Например, этот код отображает данные в datastore шумоподавления изображений под названием dnimds
.
minibatch = preview(dnimds); montage(minibatch.input) figure montage(minibatch.response)
Каждый раз отображает, читаются из datastore шумоподавления изображений, различная случайная сумма Гауссова шума добавляется к каждому изображению.
denoiseImage
| denoisingNetwork
| dnCNNLayers
| trainNetwork
(Deep Learning Toolbox)