denoisingImageDatastore

Хранилище данных деноизирующих изображений

Описание

Использовать denoisingImageDatastore объект для формирования пакетов фрагментов шумного изображения и соответствующих фрагментов шума из изображений в ImageDatastore. Пластыри используются для обучения деноизирующей глубокой нейронной сети.

Для этого объекта требуется наличие Toolbox™ глубокого обучения.

Примечание

Если в качестве источника обучающих данных используется хранилище данных, то оно добавляет случайный шум к исправлениям изображения для каждой эпохи, так что каждая эпоха использует немного другой набор данных. Фактическое количество обучающих изображений в каждую эпоху увеличивается в раз PatchesPerImage. Заплаты шумного изображения и соответствующие заплаты шума не сохраняются в памяти.

Создание

Синтаксис

dnimds = denoingImageDatastore (imds)

dnimds = denoingImageDatastore (imds, имя, значение)

Описание

dnimds = denoisingImageDatastore(imds) создает хранилище данных денонсирующего изображения, dnimds использование изображений из хранилища данных изображений imds. Для генерации патчей шумных изображений хранилище данных денонсирующих изображений случайным образом высаживает первозданные изображения из imds затем добавляет нулевой средний гауссов белый шум со стандартным отклонением 0.1 к исправлениям изображения.

пример

dnimds = denoisingImageDatastore(imds,Name,Value) использует пары «имя-значение» для задания размера двумерного фрагмента изображения или для установки PatchesPerImage, GaussianNoiseLevel, ChannelFormat, и DispatchInBackground свойства. Можно указать несколько пар имя-значение. Заключите каждый аргумент или имя свойства в кавычки.

Например, denoisingImageDatastore(imds,'PatchesPerImage',40) создает denoising изображение хранилище данных и случайным образом генерирует 40 шумных патчей из каждого изображения в изображение хранилище данных, imds.

Входные аргументы

развернуть все

`imds` - Изображения с метками для проблем классификации
`ImageDatastore` объект

Изображения, указанные как ImageDatastore объект с categorical этикетки. Данные можно хранить в ImageDatastore только для проблем классификации.

ImageDatastore позволяет выполнять пакетное чтение файлов изображений JPG или PNG с помощью предварительной выборки. Если для чтения изображений используется пользовательская функция, предварительная выборка не выполняется.

Аргументы пары «имя-значение»

Укажите дополнительные пары, разделенные запятыми Name,Value аргументы. Name является именем аргумента и Value - соответствующее значение. Name должен отображаться внутри кавычек. Можно указать несколько аргументов пары имен и значений в любом порядке как Name1,Value1,...,NameN,ValueN.

Пример: denoisingImageDatastore(imds,'patchSize',48) создает хранилище данных изображения, которое имеет размер квадратного фрагмента 48 пикселей.

`'patchSize'` - Размер патча
`50` (по умолчанию) | скалярный | 2-элементный вектор

Размер исправления, указанный как разделенная запятыми пара, состоящая из 'patchSize' и скалярный или 2-элементный вектор с положительными целочисленными значениями. Этот аргумент задает первые два элемента PatchSize собственность.

Если 'patchSize' является скаляром, то патчи квадратные.
Если 'patchSize' является 2-элементным вектором вида [r c], тогда первый элемент задает количество строк в фрагменте, а второй элемент задает количество столбцов.

Свойства

развернуть все

`ChannelFormat` - Формат канала
`'grayscale'` (по умолчанию) | `'rgb'`

Формат канала, указанный как 'grayscale' или 'rgb'.

Типы данных: char

`DispatchInBackground` - Диспетчерские наблюдения в фоновом режиме
`false` (по умолчанию) | `true`

Отправка наблюдений в фоновом режиме во время обучения, прогнозирования и классификации, указанных как false или true. Для использования фонового диспетчеризации необходимо наличие Toolbox™ параллельных вычислений. Если DispatchInBackground является true и у вас есть панель инструментов параллельных вычислений, то denoisingImageDatastore асинхронно считывает исправления, добавляет шум и ставит в очередь пары исправлений.

`GaussianNoiseLevel` - Стандартное отклонение гауссова шума
`0.1` (по умолчанию) | скалярный | 2-элементный вектор

Среднеквадратическое отклонение гауссового шума как доля максимума класса изображения, заданная как скалярный или 2-элементный вектор со значениями в диапазоне [0, 1].

Если GaussianNoiseLevel является скаляром, то стандартное отклонение добавленного нулевого среднего гауссова белого шума идентично для всех исправлений изображения.
Если GaussianNoiseLevel является 2-элементным вектором, то он задает диапазон стандартных отклонений [stdmin stdmax]. Стандартное отклонение добавленного нулевого среднего гауссова белого шума является уникальным для каждого фрагмента изображения и случайным образом дискретизируется из равномерного распределения с диапазоном [stdmin stdmax].

Типы данных: single | double

`MiniBatchSize` - Количество наблюдений в каждой партии
`128` | положительное целое число

Количество наблюдений, возвращаемых в каждом пакете. Можно изменить значение MiniBatchSize только после создания хранилища данных. Для обучения, прогнозирования или классификации MiniBatchSize свойство имеет размер мини-пакета, определенный в trainingOptions (инструментарий глубокого обучения).

`NumObservations` - Общее количество наблюдений в хранилище данных
положительное целое число

Это свойство доступно только для чтения.

Общее число наблюдений в хранилище данных денонсирующего изображения. Количество наблюдений - это продолжительность одной тренировочной эпохи.

`PatchesPerImage` - Количество случайных исправлений на изображение
`512` (по умолчанию) | положительное целое число

Число случайных исправлений на изображение, указанное как положительное целое число.

`PatchSize` - Размер патча
`[50 50 1]` (по умолчанию) | 3-элементный вектор положительных целых чисел

Это свойство доступно только для чтения.

Размер исправления, заданный как 3-элементный вектор положительных целых чисел. При создании хранилища данных денонсирующего изображения путем указания 'patchSize' аргумент пары имя-значение, затем первые два элемента PatchSize устанавливаются в соответствии со значением patchSize аргумент.

ChannelFormat свойство определяет третий элемент PatchSize собственность.

Если ChannelFormat является 'Grayscale', затем все цветные изображения преобразуются в градации серого и третий элемент PatchSize является 1.
Если ChannelFormat является 'RGB', затем изображения в градациях серого реплицируются для моделирования изображения RGB и третьего элемента PatchSize является 3.

Функции объекта

`combine`	Объединение данных из нескольких хранилищ данных
`hasdata`	Определение доступности данных для чтения
`partitionByIndex`	Разделение `denoisingImageDatastore` по индексам
`preview`	Предварительный просмотр подмножества данных в хранилище данных
`read`	Считывание данных из `denoisingImageDatastore`
`readall`	Считывание всех данных в хранилище данных
`readByIndex`	Считывание данных, указанных индексом из `denoisingImageDatastore`
`reset`	Сброс хранилища данных в исходное состояние
`shuffle`	Перетасовка данных в хранилище данных
`transform`	Преобразовать хранилище данных
`isPartitionable`	Определение возможности разделения хранилища данных
`isShuffleable`	Определение возможности тасования хранилища данных

Примеры

свернуть все

Создание хранилища данных «» Обесценение изображения

В этом примере используются:

Открыть сценарий в реальном времени

Получить хранилище данных образа. Хранилище данных в этом примере содержит цветные изображения.

setDir = fullfile(toolboxdir('images'),'imdata');
imds = imageDatastore(setDir,'FileExtensions',{'.jpg'});

Создать denoisingImageDatastore объект, который создает множество исправлений из каждого изображения в хранилище данных изображения и добавляет гауссовы шумы в исправления. Установите необязательный параметр PatchesPerImage, PatchSize, GaussianNoiseLevel, и ChannelFormat свойства denoisingImageDatastore используя пары имя-значение. При установке ChannelFormat свойство для "grayscale', denoisingImageDatastore преобразует все цветные изображения в градации серого.

dnds = denoisingImageDatastore(imds,...
    'PatchesPerImage',512,...
    'PatchSize',50,...
    'GaussianNoiseLevel',[0.01 0.1],...
    'ChannelFormat','grayscale')

dnds = 
  denoisingImageDatastore with properties:

         PatchesPerImage: 512
               PatchSize: [50 50 1]
      GaussianNoiseLevel: [0.0100 0.1000]
           ChannelFormat: 'grayscale'
           MiniBatchSize: 128
         NumObservations: 19456
    DispatchInBackground: 0

Совет

Обучение глубокой нейронной сети для диапазона среднеквадратических отклонений гауссова шума является гораздо более сложной проблемой, чем обучение сети для одного среднеквадратического отклонения гауссова шума. Необходимо создать больше исправлений по сравнению с одним случаем уровня шума, и обучение может занять больше времени.
Чтобы визуализировать данные в хранилище данных денонсирующего изображения, можно использовать preview , которая возвращает подмножество данных в таблице. input переменная содержит патчи шумного изображения и response переменная содержит соответствующие исправления шума. Визуализация всех фрагментов шумного изображения или фрагментов шума на одном рисунке с помощью montage функция. Например, этот код отображает данные в хранилище данных денонсирующего изображения под названием dnimds.
```
minibatch = preview(dnimds);
montage(minibatch.input)
figure
montage(minibatch.response)
```
Каждый раз, когда изображения считываются из хранилища данных денонсирующего изображения, к каждому изображению добавляется различная случайная величина гауссова шума.

См. также

denoiseImage | denoisingNetwork | dnCNNLayers | trainNetwork (инструментарий для глубокого обучения)

Темы

Обучение и применение деноизирующих нейронных сетей

Представлен в R2018a

Документация

denoisingImageDatastore

Описание

Создание

Синтаксис

Описание

Входные аргументы

`imds` - Изображения с метками для проблем классификации
`ImageDatastore` объект

`'patchSize'` - Размер патча
`50` (по умолчанию) | скалярный | 2-элементный вектор

Свойства

`ChannelFormat` - Формат канала
`'grayscale'` (по умолчанию) | `'rgb'`

`DispatchInBackground` - Диспетчерские наблюдения в фоновом режиме
`false` (по умолчанию) | `true`

`GaussianNoiseLevel` - Стандартное отклонение гауссова шума
`0.1` (по умолчанию) | скалярный | 2-элементный вектор

`MiniBatchSize` - Количество наблюдений в каждой партии
`128` | положительное целое число

`NumObservations` - Общее количество наблюдений в хранилище данных
положительное целое число

`PatchesPerImage` - Количество случайных исправлений на изображение
`512` (по умолчанию) | положительное целое число

`PatchSize` - Размер патча
`[50 50 1]` (по умолчанию) | 3-элементный вектор положительных целых чисел

Функции объекта

Примеры

Создание хранилища данных «» Обесценение изображения

Совет

См. также

Темы

Документация по инструментам обработки изображений

Поддержка

Документация

denoisingImageDatastore

Описание

Создание

Синтаксис

Описание

Входные аргументы

imds - Изображения с метками для проблем классификации ImageDatastore объект

'patchSize' - Размер патча 50 (по умолчанию) | скалярный | 2-элементный вектор

Свойства

ChannelFormat - Формат канала 'grayscale' (по умолчанию) | 'rgb'

DispatchInBackground - Диспетчерские наблюдения в фоновом режиме false (по умолчанию) | true

GaussianNoiseLevel - Стандартное отклонение гауссова шума 0.1 (по умолчанию) | скалярный | 2-элементный вектор

MiniBatchSize - Количество наблюдений в каждой партии 128 | положительное целое число

NumObservations - Общее количество наблюдений в хранилище данных положительное целое число

PatchesPerImage - Количество случайных исправлений на изображение 512 (по умолчанию) | положительное целое число

PatchSize - Размер патча [50 50 1] (по умолчанию) | 3-элементный вектор положительных целых чисел

Функции объекта

Примеры

Создание хранилища данных «» Обесценение изображения

Совет

См. также

Темы

Документация по инструментам обработки изображений

Поддержка

`imds` - Изображения с метками для проблем классификации
`ImageDatastore` объект

`'patchSize'` - Размер патча
`50` (по умолчанию) | скалярный | 2-элементный вектор

`ChannelFormat` - Формат канала
`'grayscale'` (по умолчанию) | `'rgb'`

`DispatchInBackground` - Диспетчерские наблюдения в фоновом режиме
`false` (по умолчанию) | `true`

`GaussianNoiseLevel` - Стандартное отклонение гауссова шума
`0.1` (по умолчанию) | скалярный | 2-элементный вектор

`MiniBatchSize` - Количество наблюдений в каждой партии
`128` | положительное целое число

`NumObservations` - Общее количество наблюдений в хранилище данных
положительное целое число

`PatchesPerImage` - Количество случайных исправлений на изображение
`512` (по умолчанию) | положительное целое число

`PatchSize` - Размер патча
`[50 50 1]` (по умолчанию) | 3-элементный вектор положительных целых чисел