Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

denoisingImageDatastore

Denoizando el almacén de datos de imágenes

Descripción

Utilice un objeto para generar lotes de parches de imagen ruidosos y los parches de ruido correspondientes a partir de imágenes en un archivo .denoisingImageDatastoreImageDatastore Los parches se utilizan para entrenar una red neuronal profunda que denya.

Este objeto requiere que tenga .Deep Learning Toolbox™

Nota

Cuando se utiliza un almacén de datos de imagen que den notas como fuente de datos de entrenamiento, el almacén de datos añade ruido aleatorio a los parches de imagen para cada época, de modo que cada época utiliza un conjunto de datos ligeramente diferente. El número real de imágenes de entrenamiento en cada época se incrementa por un factor de PatchesPerImage. Los parches de imagen ruidosos y los parches de ruido correspondientes no se almacenan en la memoria.

Creación

Sintaxis

dnimds = denoisingImageDatastore(imds)

dnimds = denoisingImageDatastore(imds,Name,Value)

Descripción

dnimds = denoisingImageDatastore(imds) crea un almacén de datos de imágenes que den cuenta, utilizando imágenes del almacén de datos de imágenes.dnimdsimds Para generar parches de imagen ruidosos, el almacén de datos de imágenes que denoisa corta aleatoriamente imágenes prístinas a partir de ese momento añade ruido blanco gaussiano de media cero con una desviación estándar de los parches de imagen.imds0.1

dnimds = denoisingImageDatastore(imds,Name,Value) utiliza pares nombre-valor para especificar el tamaño de parche de imagen bidimensional o para establecer el PatchesPerImage, GaussianNoiseLevel, ChannelFormatY DispatchInBackground Propiedades. Puede especificar varios pares nombre-valor. Incluya cada argumento o nombre de propiedad entre comillas.

Por ejemplo, crea un almacén de datos de imágenes que den cuenta y genera aleatoriamente 40 parches ruidosos a partir de cada imagen del almacén de datos de imagen, .denoisingImageDatastore(imds,'PatchesPerImage',40)imds

Argumentos de entrada

imds — Imágenes con etiquetas para problemas de clasificación

ObjetoImageDatastore

Imágenes, especificadas como un objeto con etiquetas.ImageDatastorecategorical Puede almacenar datos solo para problemas de clasificación.ImageDatastore

permite la lectura por lotes de archivos de imagen JPG o PNG mediante captura previa.ImageDatastore Si utiliza una función personalizada para leer las imágenes, la captura previa no se produce.

Argumentos de par nombre-valor

Especifique pares opcionales separados por comas de argumentos. es el nombre del argumento y es el valor correspondiente. deben aparecer entre comillas.Name,ValueNameValueName Puede especificar varios argumentos de par de nombre y valor en cualquier orden como .Name1,Value1,...,NameN,ValueN

Ejemplo: crea un almacén de datos de imágenes que den cuenta sin indicación de un tamaño de parche cuadrado de 48 píxeles.denoisingImageDatastore(imds,'patchSize',48)

'patchSize' — Tamaño del parche

50 (predeterminado) | Escalar | Vector de 2 elementos

Tamaño de parche, especificado como el par separado por comas que consta de un vector escalar o de 2 elementos con valores enteros positivos.'patchSize' Este argumento establece los dos primeros elementos de la propiedad.PatchSize

• Si es un escalar, entonces los parches son cuadrados.'patchSize'

• Si es un vector de 2 elementos del formulario [ ], el primer elemento especifica el número de filas de la revisión y el segundo elemento especifica el número de columnas.'patchSize'rc

Tipos de datos: single | double | int8 | int16 | int32 | uint8 | uint16 | uint32

Propiedades

ChannelFormat — Formato de canal

'grayscale' (predeterminado) | 'rgb'

Formato de canal, especificado como o .'grayscale''rgb'

Tipos de datos: char

DispatchInBackground — Observaciones de envío en segundo plano

false (predeterminado) | true

Observaciones de envío en segundo plano durante el entrenamiento, la predicción y la clasificación, especificadas como o .falsetrue Para utilizar la distribución en segundo plano, debe tener .Parallel Computing Toolbox™ Si es y tiene , lee de forma asincrónica los parches, agrega ruido y pone en cola los pares de parches.DispatchInBackgroundtrueParallel Computing ToolboxdenoisingImageDatastore

GaussianNoiseLevel — Desviación estándar de ruido gaussiano

0.1 (predeterminado) | Escalar | Vector de 2 elementos

Desviación estándar de ruido gaussiano como una fracción del máximo de la clase de imagen, especificado como un vector escalar o de 2 elementos con valores en el rango [0, 1].

• Si es un escalar, la desviación estándar del ruido blanco gaussiano de media cero añadido es idéntica para todos los parches de imagen.GaussianNoiseLevel

• Si es un vector de 2 elementos, entonces especifica un rango de desviaciones estándar [ ].GaussianNoiseLevelstdminstdmax La desviación estándar del ruido blanco gaussiano de media cero añadido es única para cada parche de imagen, y se muestrea aleatoriamente desde una distribución uniforme con el rango [ ].stdminstdmax

Tipos de datos: single | double

MiniBatchSize — Número de observaciones en cada lote

128 | entero positivo

Número de observaciones que se devuelven en cada lote. Puede cambiar el valor de solo después de crear el almacén de datos.MiniBatchSize Para el entrenamiento, la predicción o la clasificación, la propiedad se establece en el tamaño de minilote definido en .MiniBatchSizetrainingOptions (Deep Learning Toolbox)

NumObservations — Número total de observaciones en el almacén de datos

entero positivo

Esta propiedad es de solo lectura.

Número total de observaciones en el almacén de datos de imágenes de denoising. El número de observaciones es la duración de una época de entrenamiento.

PatchesPerImage — Número de parches aleatorios por imagen

512 (predeterminado) | entero positivo

Número de parches aleatorios por imagen, especificado como un entero positivo.

Tipos de datos: single | double | int8 | int16 | int32 | uint8 | uint16 | uint32

PatchSize — Tamaño del parche

[50 50 1] (predeterminado) | Vector de 3 elementos de enteros positivos

Esta propiedad es de solo lectura.

Tamaño del parche, especificado como un vector de 3 elementos de enteros positivos. Si crea un almacén de datos de imagen que den una destenturía especificando un argumento de par nombre-valor, los dos primeros elementos de la propiedad se establecen según el valor del argumento.'patchSize'PatchSizepatchSize

La propiedad determina el tercer elemento de la propiedad.ChannelFormatPatchSize

• Si es , todas las imágenes en color se convierten a escala de grises y el tercer elemento de es .ChannelFormat'Grayscale'PatchSize1

• Si es , las imágenes en escala de grises se replican para simular una imagen RGB y el tercer elemento de es .ChannelFormat'RGB'PatchSize3

Tipos de datos: single | double | int8 | int16 | int32 | uint8 | uint16 | uint32

Funciones del objeto

combine	Combine data from multiple datastores
hasdata	Determine if data is available to read
partitionByIndex	Partición según índicesdenoisingImageDatastore
preview	Preview subset of data in datastore
read	Leer datos dedenoisingImageDatastore
readall	Read all data in datastore
readByIndex	Leer los datos especificados por el índice dedenoisingImageDatastore
reset	Reset datastore to initial state
shuffle	Datos aleatorios en el almacén de datos
transform	Transform datastore

Ejemplos

Crear almacén de datos de imágenes de nonombres

Obtenga un almacén de datos de imágenes. El almacén de datos de este ejemplo contiene imágenes en color.

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

Cree un objeto que cree muchos parches a partir de cada imagen en el almacén de datos de imágenes y agregue ruido gaussiano a los parches.denoisingImageDatastore Establezca las propiedades opcionales , , , y de las propiedades using name-value.PatchesPerImagePatchSizeGaussianNoiseLevelChannelFormatdenoisingImageDatastore Cuando se establece la propiedad en ' ', se convierten todas las imágenes en color a escala de grises.ChannelFormatgrayscaledenoisingImageDatastore

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: 18944     DispatchInBackground: 0  

Sugerencias

• Entrenar una red neuronal profunda para una gama de desviaciones estándar de ruido gaussiana es un problema mucho más difícil que entrenar una red para una sola desviación estándar de ruido gaussiano. Debe crear más parches en comparación con un solo caso de nivel de ruido, y el entrenamiento puede tardar más tiempo.

• Para visualizar los datos en un almacén de datos de imagen que den cuenta, puede utilizar la función, que devuelve un subconjunto de datos en una tabla.preview La variable contiene los parches de imagen ruidosos y la variable contiene los parches de ruido correspondientes.inputresponse Visualice todos los parches de imagen ruidosos o parches de ruido en la misma figura mediante la función.montage Por ejemplo, este código muestra datos en un almacén de datos de imagen de denoising llamado .dnimds

  minibatch = preview(dnimds); montage(minibatch.input) figure montage(minibatch.response)

• Cada vez que se leen imágenes desde el almacén de datos de imágenes que denniantes, se añade una cantidad aleatoria diferente de ruido gaussiano a cada imagen.

Consulte también

denoiseImage | denoisingNetwork | dnCNNLayers | trainNetwork (Deep Learning Toolbox)

Temas

• Entrenar y aplicar redes neuronales de denoising

Introducido en R2018a

×

Abrir ejemplo

Existe una versión modificada de este ejemplo en su sistema. ¿Prefiere abrir esta versión?

No, sobrescribir la versión modificada Sí