深度神经网络去噪的代码生成

第三方的先决条件

要求

本例生成CUDA MEX，并具有以下第三方需求。

可选

对于非mex构建，如静态、动态库或可执行文件，此示例具有以下附加要求。

验证GPU环境

使用coder.checkGpuInstall函数来验证是否正确设置了运行此示例所需的编译器和库。

envCfg = coder.gpuEnvConfig(“主机”）;envCfg。DeepLibTarget =“cudnn”;envCfg。DeepCodegen = 1;envCfg。安静= 1;coder.checkGpuInstall (envCfg);

加载噪声图像

将有噪声的灰度图像加载到工作空间并显示该图像。

@ # @“noisy_cameraman.png”）;图imshow (noisyI);标题(“嘈杂的图像”）;

得到预训练的去噪网络

调用getDenoisingNetwork辅助函数得到一个预训练图像去噪的深度神经网络。

net = getDenoisingNetwork;

的getDenoisingNetwork函数返回一个预训练的DnCNN[1]，你可以用它来检测具有未知水平的加性高斯白噪声(AWGN)。该网络是一个前馈去噪卷积网络，实现残差学习技术来预测残差图像。换句话说，DnCNN[1]计算噪声图像和潜在干净图像之间的差异。

该网络包含59层，包括卷积、批归一化和回归输出层。要显示深度学习网络架构的交互式可视化，请使用analyzeNetwork(深度学习工具箱)函数。

analyzeNetwork(净);

的denoisenet_predict函数

的denoisenet_predict入口点函数以带噪声的图像为输入，通过预训练的去噪网络返回去噪后的图像。

返回的网络对象getDenoisingNetwork变成一个持久变量mynet并在随后的预测调用中重用持久对象。

类型denoisenet_predict

版权所有2018-2021 MathWorks, Inc. persistent mynet;如果是空的(mynet) mynet =编码器。loadDeepLearningNetwork(“getDenoisingNetwork”、“DnCNN”);激活方法从最后一层提取输出。对于输入尺寸大于或等于网络imageInputLayer.InputSize的%的图像，使用% 'OutputAs' 'channels'名称-值对参数来调用% activation。Res = mynet。激活(in, 59,'OutputAs','channels'); % Once the noise is estimated, we subtract the noise from the original % image to obtain a denoised image. I = in - res;

在这里,激活方法使用层数字索引为59来从网络的最后一层提取激活。的“OutputAs”“渠道”名称-值对参数计算大于imageInputLayer。InputSize网络的。

的激活方法使用预训练的去噪图像返回输入图像中噪声的估计值。

一旦估计出噪声，从原始图像中减去噪声，得到去噪图像。

运行MEX代码生成

生成CUDA代码denoisenet_predict.m入口点功能，创建一个GPU代码配置对象为一个MEX目标，并设置目标语言为c++。使用编码器。DeepLearningConfig函数来创建CuDNN对象，并将其分配给DeepLearningConfig属性的GPU代码配置对象。运行codegen指定输入大小为[256,256]的命令。此值对应于要去噪的噪声图像的大小。

. cfg = code . gpuconfig (墨西哥人的）;cfg。TargetLang =“c++”;cfg。DeepLearningConfig =编码器。DeepLearningConfig (“cudnn”）;codegen配置cfgdenoisenet_predictarg游戏{(256256年,“单”)}报告

代码生成成功:查看报告

运行生成的MEX

DnCNN[1]在输入范围为[0,1]的输入图像上进行训练。调用im2single(图像处理工具箱)函数noisyI将值从[0,255]重新调整为[0,1]。

调用denoisenet_predict_predict在重新缩放的输入图像上。

denoisedI = denoisenet_predict_mex(im2single(noisyI));

查看去噪图像

图imshowpair (noisyI denoisedI,“蒙太奇”）;标题(“去噪图像(左)和去噪图像(右)”）;

参考文献

张凯，左伟，陈彦东，张丽娟。超越高斯去噪:深度CNN图像去噪的残差学习。IEEE图像处理学报。第26卷第7期，2017年2月，第3142-3155页。