Шумоподавление изображений datastore
Использование denoisingImageDatastore
объект для генерации пакетов шумных закрашенных фигур изображений и соответствующих шумовых закрашенных фигур от изображений в ImageDatastore
. Закрашенные фигуры используются для обучения денуазирующей глубокой нейронной сети.
Этот объект требует, чтобы у вас были Deep Learning Toolbox™.
Примечание
Когда вы используете denoising image datastore в качестве источника обучающих данных, datastore добавляет случайный шум к закрашенным фигурам изображений для каждой эпохи, так что каждая эпоха использует немного другой набор данных. Фактическое количество обучающих изображений в каждую эпоху увеличивается в множитель PatchesPerImage
. Шумные закрашенные фигуры для изображений и соответствующие шумовые закрашенные фигуры не хранятся в памяти.
dnimds = denoisingImageDatastore(
создает деноизирующее изображение datastore, imds
)dnimds
использование изображений из image datastore imds
. Чтобы сгенерировать шумные закрашенные фигуры для изображений, шумоподавления изображение datastore случайным образом высаживает первозданные изображения из imds
затем добавляет нулевой Гауссов белый шум со стандартным отклонением 0.1
в закрашенные фигуры к изображению.
dnimds = denoisingImageDatastore(
использует пары "имя-значение", чтобы задать двумерный размер закрашенной фигуры изображения или задать imds
,Name,Value
)PatchesPerImage
, GaussianNoiseLevel
, ChannelFormat
, и DispatchInBackground
свойства. Можно задать несколько пары "имя-значение". Заключайте каждый аргумент или имя свойства в кавычки.
Для примера, denoisingImageDatastore(imds,'PatchesPerImage',40)
создает denoising image datastore и случайным образом генерирует 40 шумные закрашенные фигуры из каждого изображения в image datastore, imds
.
combine | Объедините данные из нескольких хранилищ данных |
hasdata | Определите, доступны ли данные для чтения |
partitionByIndex | Функции разделения denoisingImageDatastore согласно индексам |
preview | Предварительный просмотр подмножества данных в datastore |
read | Чтение данных из denoisingImageDatastore |
readall | Чтение всех данных в datastore |
readByIndex | Считайте данные, заданные индексом, из denoisingImageDatastore |
reset | Сбросьте datastore в начальное состояние |
shuffle | Перемещение данных в datastore |
transform | Преобразуйте datastore |
isPartitionable | Определите, является ли datastore разделяемым |
isShuffleable | Определите, является ли datastore shuffleable |
Настройка глубокой нейронной сети для области значений стандартных отклонений Гауссова шума является гораздо более сложной задачей, чем настройка сети для одного стандартного отклонения Гауссова шума. Вы должны создать больше закрашенные фигуры по сравнению с одним случаем уровня шума, и обучение может занять больше времени.
Чтобы визуализировать данные в denoising image datastore, можно использовать preview
функция, которая возвращает подмножество данных в таблице. The input
переменная содержит шумные закрашенные фигуры изображений и response
переменная содержит соответствующие шумовые закрашенные фигуры. Визуализируйте все шумные закрашенные фигуры изображения или шумовые закрашенные фигуры на том же рисунке с помощью montage
функция. Например, этот код отображает данные в denoising image datastore под названием dnimds
.
minibatch = preview(dnimds); montage(minibatch.input) figure montage(minibatch.response)
Каждый раз, когда изображения считываются из denoizing image datastore, к каждому изображению добавляется разное случайное количество Гауссова шума.
denoiseImage
| denoisingNetwork
| dnCNNLayers
| trainNetwork
(Deep Learning Toolbox)