denoisingImageDatastore
去噪图像数据存储
描述
使用一个denoisingImageDatastore
对象,从图像中生成批量的噪声图像补丁和相应的噪声补丁ImageDatastore
.这些小块被用来训练去噪的深度神经网络。
这个对象需要你有深度学习工具箱™。
请注意
当您使用去噪图像数据存储作为训练数据的来源时,数据存储将随机噪声添加到每个epoch的图像补丁中,以便每个epoch使用略有不同的数据集。每个历元的实际训练图像数量增加一个因子PatchesPerImage
.噪声图像补丁和相应的噪声补丁不存储在存储器中。
创建
描述
dnimds = denoisingImageDatastore(
创建去噪图像数据存储;洛桑国际管理发展学院
)dnimds
使用来自映像数据存储的映像洛桑国际管理发展学院
.为了产生有噪声的图像补丁,去噪图像数据存储随机从洛桑国际管理发展学院
然后加入标准差为的零均值高斯白噪声0.1
到图像补丁。
dnimds = denoisingImageDatastore(
使用名称-值对指定二维图像补丁大小或设置洛桑国际管理发展学院
,名称,值
)PatchesPerImage
,GaussianNoiseLevel
,ChannelFormat
,DispatchInBackground
属性。可以指定多个名称-值对。将每个参数或属性名称用引号括起来。
例如,denoisingImageDatastore (imd的PatchesPerImage 40)
创建去噪图像数据存储,并从图像数据存储中的每个图像随机生成40个带噪补丁;洛桑国际管理发展学院
.
输入参数
属性
对象的功能
结合 |
合并来自多个数据存储的数据 |
hasdata |
确定是否有数据可供读取 |
partitionByIndex |
分区denoisingImageDatastore 根据指数 |
预览 |
预览数据存储中的数据子集 |
读 |
从denoisingImageDatastore |
readall |
读取数据存储中的所有数据 |
readByIndex |
读取索引指定的数据denoisingImageDatastore |
重置 |
将数据存储重置为初始状态 |
洗牌 |
Shuffle数据存储中的数据 |
变换 |
变换数据存储 |
isPartitionable |
确定数据存储是否可分区 |
isShuffleable |
确定数据存储是否可洗牌 |
例子
提示
训练一个高斯噪声标准偏差范围的深度神经网络比训练一个高斯噪声标准偏差范围的深度神经网络要困难得多。与单一噪声级别的情况相比,您应该创建更多的补丁,并且训练可能需要更多的时间。
要可视化去噪图像数据存储中的数据,可以使用
预览
函数,该函数返回表中数据的子集。的输入
变量包含有噪声的图像补丁和响应
变量包含相应的噪声补丁。在同一图形中可视化所有的噪声图像块或噪声块蒙太奇
函数。例如,这段代码显示名为dnimds
.Minibatch = preview(dnimds);蒙太奇(minibatch.input)图蒙太奇(minibatch.response)
每次从去噪图像数据存储中读取图像时,都会向每个图像添加不同随机量的高斯噪声。