主要内容

denoisingImageDatastore

去噪图像数据存储

扩展所有的页面

描述

使用一个denoisingImageDatastore对象生成相应批次的嘈杂的图像补丁和噪音从图像补丁ImageDatastore。补丁是用来训练神经网络去噪深。

这个对象要求您有很深的学习工具箱™。

请注意

当你使用去噪图像数据存储作为训练数据的来源,数据存储添加随机噪声图像补丁对于每一个时代,这样每个时代使用稍微不同的数据集。训练图像在每个时代的实际数量是增加的一个因素PatchesPerImage。吵闹的噪音图像补丁和相应的补丁不存储在内存中。

创建

语法

dnimds = denoisingImageDatastore (imd)
dnimds = denoisingImageDatastore (imd、名称、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使用图像从图像数据存储洛桑国际管理发展学院。生成嘈杂的图像补丁,原始图像去噪图像数据存储随机作物洛桑国际管理发展学院然后添加零均值高斯白噪声的标准差0.1图像补丁。

例子

dnimds = denoisingImageDatastore (洛桑国际管理发展学院,名称,值)使用名称-值对将指定二维图像补丁大小或设置PatchesPerImage,GaussianNoiseLevel,ChannelFormat,DispatchInBackground属性。您可以指定多个名称-值对。在报价附上每个参数或属性的名字。

例如,denoisingImageDatastore (imd的PatchesPerImage 40)创建一个去噪图像数据存储和随机生成40嘈杂的补丁从每个图像的图像数据存储,洛桑国际管理发展学院。

输入参数

全部展开

图像数据存储,指定为一个ImageDatastore对象。

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

例子:denoisingImageDatastore (imd, patchSize, 48)创建一个去噪图像数据存储,一个正方形补丁48像素的大小。

块大小,指定为逗号分隔组成的“patchSize”和一个标量或2-element向量与正整数的值。这个论点的前两个元素集PatchSize财产。

  • 如果“patchSize”是一个标量,补丁广场。

  • 如果“patchSize”是一个2-element向量的形式rc),然后第一个元素指定的行数,第二个元素指定列的数量。

数据类型:单|双|int8|int16|int32|uint8|uint16|uint32

属性

全部展开

信道格式,指定为“灰度”或“rgb”。

数据类型:字符

派遣观察期间在后台培训、预测和分类,指定为假或真正的。使用背景调度,必须并行计算工具箱™。如果DispatchInBackground是真正的并行计算工具箱,然后denoisingImageDatastore异步读取补丁,补丁对增加了噪音,和队列。

高斯噪声标准差作为图象类最大的一小部分,指定为一个标量或2-element向量[0,1]中的值范围。

  • 如果GaussianNoiseLevel是一个标量,然后添加零均值高斯白噪声的标准差对所有图像补丁是一样的。

  • 如果GaussianNoiseLevel2-element向量,那么它指定一系列的标准偏差(stdminstdmax]。添加的零均值高斯白噪声的标准差为每个图像块是独一无二的,并从均匀分布的随机抽样范围(stdminstdmax]。

数据类型:单|双

在每一批数量的观察返回。你可以改变的价值MiniBatchSize只有在您创建数据存储。培训、预测或分类,MiniBatchSize中定义的属性设置为mini-batch大小trainingOptions(深度学习工具箱)。

这个属性是只读的。

总数量的观察去噪图像数据存储。观察的数量的长度是一个培训的时代。

每个图片,随机补丁数量指定为一个正整数。

数据类型:单|双|int8|int16|int32|uint8|uint16|uint32

这个属性是只读的。

块大小,指定为正整数的转换向量。如果您创建了一个去噪图像数据存储通过指定一个”patchSize”名称-值对的论点,那么前两个元素PatchSize属性设置的值patchSize论点。

的ChannelFormat属性决定的第三个元素PatchSize财产。

  • 如果ChannelFormat是“灰度”,那么所有彩色图像转换为灰度的第三个元素PatchSize是1。

  • 如果ChannelFormat是“RGB”,然后模拟RGB图像和灰度图像复制的第三个元素PatchSize是3。

数据类型:单|双|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 确定数据可用来读
partitionByIndex 分区denoisingImageDatastore根据指数
预览 预览数据存储中数据的子集
读 读取的数据denoisingImageDatastore
readall 读取所有数据存储中的数据
readByIndex 指定的索引读取数据denoisingImageDatastore
重置 数据存储重置为初始状态
洗牌 洗牌数据存储中的数据
变换 变换数据存储
isPartitionable 确定是否可分区的数据存储
isShuffleable 确定是否shuffleable数据存储

例子

全部折叠

这个示例使用:

打开生活的脚本

得到一个图像数据存储。这个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denoisingImageDatastore从每个对象创建了许多补丁图像的图像数据存储,并添加高斯噪声的补丁。设置可选PatchesPerImage,PatchSize,GaussianNoiseLevel,ChannelFormat的属性denoisingImageDatastore使用名称-值对。当你设置ChannelFormat财产的灰度”,denoisingImageDatastore将所有的彩色图像转换为灰度。

dnd = denoisingImageDatastore (imd,…“PatchesPerImage”,512,…“PatchSize”,50岁,…“GaussianNoiseLevel”(0.01 - 0.1),…“ChannelFormat”,“灰度”)
dnd = denoisingImageDatastore属性:PatchesPerImage: 512 PatchSize: 50 50 [1] GaussianNoiseLevel: [0.0100 - 0.1000] ChannelFormat:“灰度”MiniBatchSize: 128 NumObservations: 16896 DispatchInBackground: 0

提示

  • 培训深神经网络的高斯噪声标准差是一个困难得多的问题比训练一个网络单一高斯噪声标准差。你应该创造更多的补丁相比单一噪声情况下,和培训可能需要更多的时间。

  • 可视化数据的去噪图像数据存储,您可以使用预览函数,它返回表中数据的一个子集。的输入变量包含的补丁和形象响应变量包含相应的噪声补丁。想象所有的嘈杂的噪声图像补丁或补丁在同一个图使用蒙太奇函数。例如,这个代码显示数据去噪图像数据存储dnimds。

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

  • 每次读取图像的去噪图像数据存储,不同的随机的高斯噪声被添加到每个图像。

版本历史

介绍了R2018a

另请参阅

|||(深度学习工具箱)

主题