DeNoisingImagedAtatastore
Denoising图像数据存储
描述
用一个DeNoisingImagedAtatastore
对象从图像中生成一批嘈杂的图像贴片和相应的噪声补丁。成像
。这些贴片用于训练深层神经网络。
此对象要求您具有深度学习工具箱™。
笔记
当您使用Denoising Image DataStore作为训练数据的来源时,数据存储会为每个时期的图像补丁添加随机噪声,因此每个时期都使用略有不同的数据集。每个时期的实际训练图像数量增加了一个因素patchEsperimage
。嘈杂的图像贴片和相应的噪声补丁未存储在内存中。
创建
描述
dnimds = denoisingimagedatastore(
创建一个denoising图像数据存储,IMD
)dnimds
使用图像数据存储中的图像IMD
。为了生成嘈杂的图像贴片,Denoing图像数据存储随机从IMD
然后添加零均值的高斯白噪声,标准偏差为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IMD
,,,,名称,价值
)patchEsperimage
,,,,Gaussiannoiselevel
,,,,Channelformat
, 和dispatchinbackground
特性。您可以指定多个名称值对。将每个参数或属性名称包装在引号中。
例如,denoisingimagedatastore(imds,“ patchesperimage”,40)
创建一个denoising图像数据存储,并随机从图像数据存储中的每个图像中随机生成40个嘈杂的补丁,IMD
。
输入参数
特性
对象功能
例子
提示
训练深层神经网络为一系列高斯噪声标准偏差范围训练比训练网络的单个高斯噪声标准偏差要困难得多。与单个噪声级别的情况相比,您应该创建更多的补丁程序,并且培训可能需要更多时间。
要在Denoising图像数据存储中可视化数据,您可以使用
预习
函数,返回表中的数据子集。这输入
变量包含嘈杂的图像补丁和回复
变量包含相应的噪声贴片。通过使用该图可视化同一图中所有嘈杂的图像贴片或噪声贴片剪辑
功能。例如,此代码在名为dnimds
。minibatch = preview(dnimds);蒙太奇(minibatch.ut)图蒙太奇(minibatch.Response)
每次从Denoising图像数据存储中读取图像时,每个图像都会添加不同的随机高斯噪声。