主要内容

DeNoisingImagedAtatastore

Denoising图像数据存储

在页面中扩展全部

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

句法

dnimds = denoisingimagedatastore（imds）
dnimds = denoisingimagedatastore（imds，name，value）

描述

dnimds = denoisingimagedatastore（IMD）创建一个denoising图像数据存储，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。

例子

dnimds = denoisingimagedatastore（IMD，，，，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

展开全部

图像数据存储，指定为成像目的。

名称值参数

将可选的参数对name1 = value1，...，namen = valuen， 在哪里姓名是参数名称和价值是相应的值。名称值参数必须在其他参数之后出现，但是对的顺序并不重要。

在R2021a之前，请使用逗号分隔每个名称和值，并附上姓名用引号。

例子：denoisingimagedatastore（imds，``patchsize''，48）创建一个具有48个像素的方贴剂大小的Denoising Image DataStore。

补丁大小，指定为逗号分隔对“ patchsize'以及具有正整数值的标量或2元素向量。该参数设置了该参数的前两个元素patchsize财产。

  • 如果“ patchsize'是标量，然后贴片为正方形。

  • 如果“ patchsize'是形式的2元素向量[rC]，然后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：单身的|双倍的|int8|INT16|INT32|UINT8|UINT16|UINT32

特性

展开全部

频道格式，指定为“灰度”或者'RGB'。

数据类型：char

在培训，预测和分类过程中，在背景中的调度观测，指定为错误的或者真的。要使用背景调度，您必须具有并行计算工具箱™。如果dispatchinbackground是真的并且您具有并行计算工具箱，然后DeNoisingImagedAtatastore异步读取补丁，添加噪声并排队补丁对。

高斯噪声标准偏差是图像类最大的一部分，指定为标量或2元素向量，值在[0，1]中。

  • 如果Gaussiannoiselevel是标量，那么添加的零均值高斯白噪声的标准偏差对于所有图像贴片都是相同的。

  • 如果Gaussiannoiselevel是2元素向量，然后指定一系列标准偏差[stdminstdmax]。每个图像贴片的添加零均值高斯白噪声的标准偏差是唯一的，并且是从均匀分布中随机采样的[stdminstdmax]。

数据类型：单身的|双倍的

每批返回的观测值数量。您可以更改价值MinibatchSize仅在创建数据存储后。对于培训，预测或分类，MinibatchSize属性设置为定义的迷你批量大小训练（深度学习工具箱）。

此属性仅阅读。

Denoising图像数据存储中的观察总数。观察的数量是一个训练时期的长度。

每个图像的随机补丁数，指定为正整数。

数据类型：单身的|双倍的|int8|INT16|INT32|UINT8|UINT16|UINT32

此属性仅阅读。

贴片大小，指定为正整数的3元素向量。如果您通过指定一个'patchsize'名称值对参数，然后是该元素的前两个元素patchsize根据patchsize争论。

这Channelformat属性确定patchsize财产。

  • 如果Channelformat是“灰度”，然后将所有颜色图像转换为灰度，也是第三个元素patchsize是1。

  • 如果Channelformat是'RGB'，然后复制灰度图像以模拟RGB图像和第三个元素patchsize是3。

数据类型：单身的|双倍的|int8|INT16|INT32|UINT8|UINT16|UINT32

对象功能

结合 组合来自多个数据存储的数据
hasdata 确定数据是否可读取
PartitionByIndex 分割DeNoisingImagedAtatastore根据指数
预习 数据存储中的数据子集
读 从中读取数据DeNoisingImagedAtatastore
读取 在数据存储中读取所有数据
ReadByIndex 读取索引指定的数据DeNoisingImagedAtatastore
重置 将数据存储重置为初始状态
洗牌 在数据存储中洗牌数据
转换 变换数据存储
可以分配 确定数据存储是否可以分区
可观 确定数据存储是否可以改组

例子

全部收缩

此示例使用：

打开实时脚本

获取图像数据存储。此示例中的数据存储包含颜色图像。

setDir = fullfile（toolboxDir（toolboxDir）（'图片'），'imdata'）；imds = imagedatastore（setdir，“ fileextensions'，{'.jpg'}）;

创建一个DeNoisingImagedAtatastore从图像数据存储中的每个图像中创建许多补丁的对象，并在补丁中添加高斯噪声。设置可选patchEsperimage，，，，patchsize，，，，Gaussiannoiselevel， 和Channelformat属性DeNoisingImagedAtatastore使用名称值对。当您设置Channelformat财产灰度'， 这DeNoisingImagedAtatastore将所有颜色图像转换为灰度。

dnds = denoisingimagedatastore（imds，...“ patchesperimage'，512，...“ patchsize'，50，...'高斯诺伊尔维尔'，[0.01 0.1]，，...“ Channelformat”，，，，“灰度”）
dnds =具有属性的DeNoisingImagedatastore：PatchEsperimage：512 PatchSize：[50 50 1] Gaussiannoiselevel：[0.0100 0.1000] Channelformat：'grayscale'minibatchSize：128 numobsertize：19456 dispatchinbackform：0

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。

版本历史记录

在R2018A中引入

也可以看看

|||（深度学习工具箱）

话题