去噪图像数据存储
用一个denoisingimageageataTastore.
对象生成批次的噪声图像修补程序和来自图像中的相应噪声补丁ImageDatastore
.该贴片用于训练去噪的深神经网络。
此对象要求您拥有Deep Learning Toolbox™。
请注意
当您使用Denoising Image数据存储作为训练数据的来源时,数据存储区为每个时代的图像修补程序添加随机噪声,以便每个时代使用略微不同的数据集。每个时代的训练图像的实际数量增加了一个因素PatchesPerImage
.嘈杂的图像修补程序和相应的噪声补丁未存储在内存中。
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
使用图像数据存储中的图像洛桑国际管理发展学院
.要生成嘈杂的图像修补程序,那么去噪图像数据存储随机作物批量原始图像洛桑国际管理发展学院
然后添加零均衡的高斯白噪声,标准偏差0.1
到图像修补程序。
dnimds = denoisingImageDatastore (
使用名称-值对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,价值
)PatchesPerImage
,Gaussiannoiselevel.
,ChannelFormat
, 和DisparctinBackground.
属性。可以指定多个名称-值对。将每个参数或属性名称用引号括起来。
例如,denoisingImageDatastore (imd的PatchesPerImage 40)
创建一个去噪图像数据存储,并从图像数据存储中的每个图像随机生成40个噪声补丁,洛桑国际管理发展学院
.
结合 |
组合来自多个数据存储的数据 |
hasdata |
确定数据是否可用来读取 |
partitionByIndex |
分区denoisingimageageataTastore. 根据指数 |
预览 |
预览数据存储中的数据子集 |
读 |
读取的数据denoisingimageageataTastore. |
readall |
读取数据存储中的所有数据 |
readByIndex |
读取索引指定的数据denoisingimageageataTastore. |
重启 |
将数据存储重置为初始状态 |
洗牌 |
数据存储中的Shuffle数据 |
变换 |
变换数据存储 |
isPartitionable |
确定数据存储是否已分配 |
isShufflable. |
确定数据存储是否可打乱 |
为一系列高斯噪声标准偏差训练深度神经网络是比训练网络用于单个高斯噪声标准偏差的网络的更加困难问题。与单个噪声水平案例相比,您应该创建更多修补程序,培训可能需要更多时间。
要在Denoising Image数据存储中可视化数据,您可以使用预览
函数,返回表中的数据子集。的输入
变量包含嘈杂的图像修补程序和响应
变量包含相应的噪声补丁。在同一图形中,使用蒙太奇
函数。例如,此代码将数据显示在去噪图像数据存储中dnimds
.
minibatch =预览(dnimds);蒙太奇(minibatch.input)图蒙太奇(minibatch.response)
每次从去噪图像数据存储读取每次图像时,向每个图像添加不同的随机量的高斯噪声。