denoisingImageDatastore
去噪图像数据存储
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
描述
dnimds = denoisingImageDatastore (
创建一个去噪图像数据存储,洛桑国际管理发展学院
)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。
dnimds = denoisingImageDatastore (
使用名称-值对将指定二维图像补丁大小或设置洛桑国际管理发展学院
,名称,值
)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
属性
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
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