Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.
Denoizando el almacén de datos de imágenes
Utilice un objeto para generar lotes de parches de imagen ruidosos y los parches de ruido correspondientes a partir de imágenes en un archivo .denoisingImageDatastore
ImageDatastore
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.
dnimds = denoisingImageDatastore(
crea un almacén de datos de imágenes que den cuenta, utilizando imágenes del almacén de datos de imágenes.imds
)dnimds
imds
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.imds
0.1
dnimds = denoisingImageDatastore(
utiliza pares nombre-valor para especificar el tamaño de parche de imagen bidimensional o para establecer el imds
,Name,Value
)PatchesPerImage
, GaussianNoiseLevel
, ChannelFormat
Y 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
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 |
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.input
response
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.
denoiseImage
| denoisingNetwork
| dnCNNLayers
| trainNetwork
(Deep Learning Toolbox)