第三方的先决条件

要求

本例生成CUDA MEX，并具有以下第三方需求。

可选

对于非mex构建，如静态、动态库或可执行程序，此示例具有以下附加要求。

验证GPU环境

使用coder.checkGpuInstall(GPU编码器)函数来验证运行此示例所需的编译器和库是否已正确设置。

envCfg = code . gpuenvconfig (“主机”）;envCfg。DeepLibTarget =“cudnn”；envCfg。DeepCodegen = 1;envCfg。安静= 1;coder.checkGpuInstall (envCfg);

加载噪声图像

将有噪声的灰度图像加载到工作空间中并显示该图像。

(噪音)“noisy_cameraman.png”）;图imshow (noisyI);标题(“嘈杂的图像”）;

获得预先训练的去噪网络

调用getDenoisingNetwork辅助函数得到预训练的图像去噪深度神经网络。

net = getDenoisingNetwork;

的getDenoisingNetwork函数返回一个预先训练的DnCNN[1]，您可以使用它来检测具有未知水平的加性高斯白噪声(AWGN)。该网络是一个前馈去噪卷积网络，实现了残差学习技术来预测残差图像。换句话说，DnCNN[1]计算噪声图像和潜在的干净图像之间的差异。

该网络包含59层，包括卷积层、批处理归一化层和回归输出层。要显示深度学习网络体系结构的交互式可视化，请使用analyzeNetwork函数。

analyzeNetwork(净);

的denoisenet_predict函数

的denoisenet_predict入口点函数接受有噪声的图像输入，并使用预先训练的去噪网络返回去噪后的图像。

函数加载返回的网络对象getDenoisingNetwork转化为一个持久变量mynet并在后续的预测调用中重用持久对象。

类型denoisenet_predict

The MathWorks, Inc. persistent mynet;如果isempty(mynet) mynet =编码器。loadDeepLearningNetwork(“getDenoisingNetwork”、“DnCNN”);激活方法从最后一层提取输出。使用% 'OutputAs' 'channels'名称-值对参数是为了在一个输入维度大于或等于网络的imageInputLayer.InputSize %的图像上调用% activation。Res = mynet。激活(in, 59,'OutputAs','channels'); % Once the noise is estimated, we subtract the noise from the original % image to obtain a denoised image. I = in - res;

在这里,激活方法的层数值索引为59，以从网络的最后一层提取激活。的“OutputAs”“渠道”名称-值对参数在大于imageInputLayer。InputSize网络的。

的激活方法通过使用预训练的去噪图像返回输入图像中噪声的估计值。

一旦估计出噪声，从原始图像中减去噪声，得到去噪后的图像。

运行MEX代码生成

生成CUDA代码denoisenet_predict.m入口点函数，为MEX目标创建一个GPU代码配置对象，并将目标语言设置为c++。使用编码器。DeepLearningConfig(GPU编码器)函数来创建CuDNN的深度学习配置对象，并将其分配给DeepLearningConfig属性的图形处理器代码配置对象。运行codegen指定输入大小为[256,256]的命令。此值对应于您打算去噪的噪声图像的大小。

cfg = code .gpu config (墨西哥人的）;cfg。TargetLang =“c++”；cfg。DeepLearningConfig =编码器。DeepLearningConfig (“cudnn”）;codegen配置cfgdenoisenet_predictarg游戏{(256256年,“单”)}报告

代码生成成功:要查看报告，打开('codegen/mex/denoisenet_predict/html/report.mldatx')。

运行生成的MEX

DnCNN[1]在输入范围为[0,1]的输入图像上进行训练。调用im2single(图像处理工具箱)函数noisyI将值从[0,255]调整到[0,1]。

调用denoisenet_predict_predict在缩放的输入图像上。

降噪edi =降噪enet_predict_mex(im2single(noisyI));

视图去噪图像

图imshowpair (noisyI denoisedI,“蒙太奇”）;标题(“噪声图像(左)和去噪图像(右)”）;

参考文献

[1]张凯，左伟，陈赟，张磊，张东，孟。超越高斯去噪:深度CNN图像去噪的残差学习。IEEE图像处理汇刊。第26卷第7期，2017年2月，第3142-3155页。