第三方先决条件

必需的

此示例生成CUDA MEX并具有以下第三方要求。

可选的

对于诸如静态，动态库或可执行文件的非MEX构建，此示例具有以下附加要求。

验证GPU环境

使用Coder.CheckGPuInstall.验证运行此示例所需的编译器和库是否已正确设置。

envcfg = coder.gpuenvconfig（'主持人'）;envcfg.deeplibtarget =.'cudnn';envcfg.deepcodegen = 1;Envcf​​g.quiet = 1;Coder.CheckGpuInstall（Envcf​​g）;

加载噪音

将嘈杂的灰度图像加载到工作区中并显示图像。

noisyi = imread（'noisy_cameraman.png'）;图imshow（noisyi）;标题（'吵闹的形象'）;

获得预先抛弃的去噪网络

打电话给getdenoisingnetwork辅助功能可获得普拉特拍摄的图像去噪深神经网络。

网= getDenoisingnetwork;

这getdenoisingnetwork函数返回佩带的DNCNN [1]，您可以用于检测具有未知级别的添加性白色高斯噪声（AWGN）。该网络是一种前馈去噪卷积网络，其实现残留学习技术以预测残余图像。换句话说，DNCNN [1]计算噪声图像和潜在清洁图像之间的差异。

该网络包含59层，包括卷积，批量归一化和回归输出层。要显示深度学习网络架构的交互式可视化，请使用分析（深度学习工具箱）功能。

分析（网）;

这denoisenet_predict.功能

这denoisenet_predict.入口点函数采用嘈杂的图像输入，并通过使用预先训练的去噪网络来返回去噪图像。

该函数加载返回的网络对象getdenoisingnetwork进入持久变量yeNet.并在后续预测调用上重用持久对象。

类型denoisenet_predict.

函数i = denoisenet_predict（in）％＃codegen％copyright 2018-2019 Mathworks，Inc。持久性MyNet;如果是isempty（mynet）mynet = coder.loaddeeplearningnetwork（'getdenoisingnetwork'，'dncnn'）;终端％激活方法从上层提取输出。％'outputas''ander'name-value对参数用于呼叫映像上的ock％的激活，其输入尺寸大于或等于网络的ImageInputLayer.InputSize。res = mynet.activations（在59中，'outputas'，'频道'）;一旦估计噪声，我们将从原始％图像中减去噪声以获得去噪图像。我= in  -  res;

在这里，这是激活使用图层数字索引调用的方法为59以从网络的最终层中提取激活。这'outputas''频道'名称 - 值对参数计算大于图像的图像的激活imageInputLayer.InputSize.网络。

这激活方法通过使用预先训练的去噪图像返回输入图像中噪声的估计。

一旦估计了噪声，从原始图像中减去噪声以获得去噪图像。

运行MEX代码生成

为此产生CUDA代码denoisenet_predict.m.入口点函数，为MEX目标创建GPU代码配置对象，并将目标语言设置为C ++。使用coder.deeplearningconfig功能创建一个CUDNN.深度学习配置对象并将其分配给DeeplearningConfigGPU代码配置对象的属性。跑过Codegen.命令指定[256,256]的输入大小。该值对应于您打算去代标的嘈杂图像的大小。

cfg = coder.gpuconfig（'mex'）;cfg.targetlang =.'c ++';cfg.deeplearningconfig = coder.deeplearningconfig（'cudnn'）;Codegen.-Config.CFG.denoisenet_predict.-  args.{ONE（256,256，'单'）}-报告

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

运行生成的mex.

DNCNN [1]在具有输入范围的输入图像上培训[0,1]。打电话给im2single.（图像处理工具箱）功能诺伊斯州重新归类从[0,255]到[0,1]的值。

称呼denoisenet_predict_predict.在重新定位的输入图像上。

denoisedi = denoisenet_predict_mex（im2single（noisyi））;

查看去噪图像

图imshowpair（Noisyi，Denoisedi，'剪辑'）;标题（'嘈杂的图像（左）和去噪图像（右）'）;

参考

[1]张，K。，W. Zuo，Y. Chen，D. Meng和L.张。“除了高斯丹麦者之外：对图像去噪的剩余学习深入的CNN。”IEEE在图像处理时的交易。卷。26，2017年2月7日，第3142-3155号。