深度神经网络去噪的代码生成
本示例展示了如何从MATLAB®代码生成CUDA®MEX,并使用去噪卷积神经网络(DnCNN[1])对灰度图像进行去噪。您可以使用去噪网络来估计噪声图像中的噪声,然后将其去除以获得去噪图像。
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。
CUDA®支持NVIDIA®GPU和兼容的驱动程序。
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。
英伟达工具包。
NVIDIA cuDNN库。
编译器和库的环境变量。有关更多信息,请参见第三方硬件和设置必备产品下载188bet金宝搏.
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。