主要内容

denoisingimageageataTastore.

去噪图像数据存储

全部展开页面

描述

用一个denoisingimageageataTastore.对象生成批次的噪声图像修补程序和来自图像中的相应噪声补丁ImageDatastore．该贴片用于训练去噪的深神经网络。

该对象要求您拥有深度学习工具箱™。

请注意

当您使用Denoising Image数据存储作为训练数据的来源时，数据存储区为每个时代的图像修补程序添加随机噪声，以便每个时代使用略微不同的数据集。每个时代的训练图像的实际数量增加了一个因素PatchesPerImage．嘈杂的图像修补程序和相应的噪声补丁未存储在内存中。

创建

语法

dnimds = denoisingImageDatastore (imd)
dnimds = denoisingimagedataStore（IMDS，名称，价值）

描述

dnimds = denoisingImageDatastore (洛桑国际管理发展学院）创建一个去噪图像数据存储，dnimds使用来自图像数据存储的图像洛桑国际管理发展学院．要生成嘈杂的图像修补程序，那么去噪图像数据存储随机作物批量原始图像洛桑国际管理发展学院然后添加零均衡的高斯白噪声，标准偏差0.1到图像修补程序。

例子

dnimds = denoisingImageDatastore (洛桑国际管理发展学院，名称，价值）使用名称-值对指定二维图像补丁大小或设置PatchesPerImage，Gaussiannoiselevel.，ChannelFormat， 和DisparctinBackground.属性。可以指定多个名称-值对。将每个参数或属性名用引号括起来。

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个噪声块，洛桑国际管理发展学院．

输入参数

展开全部

图像，指定为一个ImageDatastore对象分类标签。可以存储数据ImageDatastore仅限分类问题。

ImageDatastore允许使用预取批量读取JPG或PNG图像文件。如果使用自定义函数读取图像，则不会发生预取。

名称值对参数

指定可选的逗号分隔的对名称，价值论点。的名字参数名和价值是相应的价值。的名字必须出现在引号内。您可以以任何顺序指定多个名称和值对参数name1，value1，...，namen，valuen．

例子：denoisingImageDatastore (imd, patchSize, 48)创建一个去噪图像数据存储，其patch大小为48像素。

补丁大小，指定为逗号分隔对组成“patchSize”和标量或2元素向量，具有正整数值。此参数设置了前两个元素PatchSize财产。

  • 如果“patchSize”是标量，那么补丁是正方形的。

  • 如果“patchSize”是表格的2元素矢量[rc，则第一个元素指定补丁中的行数，第二个元素指定列数。

数据类型:单|双倍的|int8|int16|INT32.|uint8|uint16|uint32

属性

展开全部

通道格式，指定为“灰度”要么'RGB'．

数据类型:char

在培训，预测和分类期间，在后台调度观测，指定为假要么真的．要使用后台调度，您必须拥有并行计算工具箱™。如果DisparctinBackground.是真的然后你就有了并行计算工具箱denoisingimageageataTastore.异步读取补丁，添加噪音，并队列补丁对。

高斯噪声标准差作为图像类最大值的一个分数，指定为值在[0,1]范围内的标量或2元素向量。

  • 如果Gaussiannoiselevel.为标量，则所添加的零均值高斯白噪声对所有图像块的标准差相同。

  • 如果Gaussiannoiselevel.是一个2元向量，然后它指定一个标准差范围[stdminstdmax]。添加的零均衡的高斯白噪声的标准偏差对于每个图像贴片是唯一的，并且随机从均匀分布中采样，范围[stdminstdmax]。

数据类型:单|双倍的

在每批中返回的观察数。的值可以更改小匹匹匹匹配只有在创建数据存储后才可以。用于训练、预测或分类小匹匹匹匹配属性设置为中定义的迷你批处理大小培训选项(深度学习工具箱)．

此属性是只读的。

去噪图像数据存储中的观察总数。观察数是一个训练时代的长度。

每个图像的随机补丁数，指定为正整数。

数据类型:单|双倍的|int8|int16|INT32.|uint8|uint16|uint32

此属性是只读的。

补丁大小，指定为正整数的3元素向量。如果您通过指定一个创建Denoising映像数据存储＇补丁＇名称值对参数，然后是前两个元素PatchSize属性的值设置补丁争论。

的ChannelFormat属性的第三个元素PatchSize财产。

  • 如果ChannelFormat是'灰度'，然后将所有彩色图像转换为灰度和第三个元素PatchSize是1．

  • 如果ChannelFormat是'RGB'，然后复制灰度图像来模拟一个RGB图像和第三元素PatchSize是3.．

数据类型:单|双倍的|int8|int16|INT32.|uint8|uint16|uint32

对象的功能

结合 合并来自多个数据存储的数据
hasdata 确定是否可以读取数据
partitionByIndex 分区denoisingimageageataTastore.根据索引
预览 预览数据存储中的数据子集
读 读取的数据denoisingimageageataTastore.
readall 读取数据存储中的所有数据
readByIndex 读取由index指定的数据denoisingimageageataTastore.
重置 将数据存储重置为初始状态
洗牌 数据存储中的Shuffle数据
转变 变换数据存储
isPartitionable 确定数据存储是否已分配
isShufflable. 确定数据存储是否可洗牌

例子

全部收缩

此示例使用：

打开直播脚本

获取图像数据存储。此示例中的数据存储包含彩色图像。

setDir = fullfile (toolboxdir ('图片'），“imdata”）;imd = imageDatastore (setDir,'fileextensions'，{“jpg”})；

创建一个denoisingimageageataTastore.从图像数据存储区中的每个图像创建许多修补程序的对象，并将高斯噪声添加到修补程序。设置可选PatchesPerImage，PatchSize，Gaussiannoiselevel.， 和ChannelFormat的属性denoisingimageageataTastore.使用名称值对。当你设置时ChannelFormat财产的灰度'， 这denoisingimageageataTastore.将所有彩色图像转换为灰度。

dnds = denoisingimagedataStore（IMDS，．..'patchesperimage', 512,．..'patchsize'，50，．..“GaussianNoiseLevel”，[0.01 0.1]，．..'ChannelFormat'，“灰度”）
dds = denoisingImageDatastore with properties: patchperimage: 512 PatchSize: [50 50 1] GaussianNoiseLevel: [0.0100 0.1000] ChannelFormat: 'grayscale' MiniBatchSize: 128 NumObservations: 19456 DispatchInBackground: 0

提示

  • 为一系列高斯噪声标准偏差训练深度神经网络是比训练网络用于单个高斯噪声标准偏差的网络的更加困难问题。与单个噪声水平案例相比，您应该创建更多修补程序，培训可能需要更多时间。

  • 要在Denoising Image数据存储中可视化数据，您可以使用预览函数，返回表中的数据子集。的输入变量包含嘈杂的图像修补程序和回复变量包含相应的噪声补丁。可视化所有的噪声图像补丁或噪声补丁在同一图中使用蒙太奇函数。例如，这段代码将数据显示在名为dnimds．

    minibatch =预览(dnimds);蒙太奇(minibatch.input)图蒙太奇(minibatch.response)

  • 每次从去噪图像数据存储读取每次图像时，向每个图像添加不同的随机量的高斯噪声。

另请参阅

|||(深度学习工具箱)

主题

介绍了R2018a

图像处理工具箱文档

金宝app

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书