denoiseImage

利用深度神经网络去噪图像

折叠所有页面

语法

B = denoiseImage(A,net)

B= denoiseImage (一个，网）估计去噪图像B从噪声图像一个所指定的去噪深度神经网络网．

此功能要求您拥有深度学习工具箱™。

这个例子使用了:

打开实时脚本

加载预先训练好的去噪卷积神经网络，“DnCNN”．

net =去噪网络(“DnCNN”）;

将灰度图像加载到工作区中，然后创建图像的噪声版本。

I = imread(“cameraman.tif”）;noisyI = imnoise(I，“高斯”, 0, 0.01);

显示两个图像作为蒙太奇。

蒙太奇({我noisyI})标题(“原始图像(左)和噪点图像(右)”）

图中包含一个轴对象。标题为Original Image(左)和noise Image(右)的坐标轴对象包含一个Image类型的对象。

从有噪声的图像中去除噪声，然后显示结果。

denoisedI = denoiseImage(noisyI,net);imshow (denoisedI)标题(”“去噪图像）

图中包含一个轴对象。标题为Denoised Image的axes对象包含一个Image类型的对象。

噪声图像，指定为单个二维图像或二维图像堆栈。一个可以是:

有大小的二维灰度图像米——- - - - - -n．
有大小的二维多通道图像米——- - - - - -n——- - - - - -c,在那里c是图像通道的数量。例如,c对于RGB图像为3，对于带有红外通道的RGB图像等四通道图像为4。
一堆大小相等的二维图像。在这种情况下，一个有大小米——- - - - - -n——- - - - - -c——- - - - - -p,在那里p堆栈中图像的数量。

数据类型:单|双|uint8|uint16

去噪深度神经网络，指定为aSeriesNetwork(深度学习工具箱)对象。网络应该经过训练，以处理具有相同频道格式的图像一个．

如果是噪声图像或堆叠图像一个只有一个信道并且有高斯噪声，那么你可以使用denoisingNetwork函数。有关为多通道图像或不同的噪声模型创建去噪网络的更多信息，请参见训练和应用去噪神经网络．

去噪后的图像，以单个二维图像或二维图像堆栈的形式返回。B大小和数据类型与一个．

的denoiseImage函数依赖于激活(深度学习工具箱)函数来估计输入图像的噪声，一个．的denoiseImage函数指定OutputAs的名称-值参数激活作为“通道”这一个可以大于网络输入大小。相比之下，预测(深度学习工具箱)函数要求图像大小与网络输入大小匹配。