Aprendizaje profundo para el procesamiento de imágenes

Realizar tareas de procesamiento de imágenes, como eliminar el ruido de la imagen y crear imágenes de alta resolución a partir de imágenes de baja resolución, utilizando redes neuronales convolucionales (requiere)Deep Learning Toolbox™

El aprendizaje profundo utiliza redes neuronales para aprender representaciones útiles de características directamente a partir de datos. Por ejemplo, puede usar una red neuronal previamente entrenada para identificar y eliminar artefactos como el ruido de las imágenes.

Funciones

expandir todo

Almacenes de datos para preprocesamiento de imágenes

`augmentedImageDatastore`	Transform batches to augment image data
`bigimageDatastore`	Almacén de datos para gestionar bloques de big image data
`denoisingImageDatastore`	Denoizando el almacén de datos de imágenes
`imageDatastore`	Datastore for image data
`randomPatchExtractionDatastore`	Almacén de datos para extraer parches aleatorios aleatorios 2D o 3D de imágenes o imágenes de etiquetas de píxeles
`transform`	Transform datastore
`combine`	Combine data from multiple datastores

Aumento de imágenes

`jitterColorHSV`	Alterar aleatoriamente el color de los píxeles
`centerCropWindow2d`	Crear ventana de recorte central rectangular
`centerCropWindow3d`	Crear ventana de recorte central cuboidal
`randomCropWindow2d`	Crear ventana de recorte rectangular aleatorizada
`randomCropWindow3d`	Crear ventana de recorte cuboidal aleatorizada
`Rectangle`	Extensiones espaciales de la región rectangular 2-D
`Cuboid`	Extensiones espaciales de la región cuboidal 3D
`randomAffine2d`	Crear transformación afín 2D aleatoria
`randomAffine3d`	Crear transformación afín 3D aleatoria
`affineOutputView`	Crear vista de salida para deformar imágenes

Denoising Using Deep Learning

`denoiseImage`	Imagen de ruido mediante red neuronal profunda
`denoisingNetwork`	Obtener red de denobúsqueda de imágenes
`dnCNNLayers`	Obtenga denoising capas de redes neuronales convolucionales

Temas

Preprocesar imágenes para el aprendizaje profundo

Datastores for Deep Learning (Deep Learning Toolbox)

Learn how to use datastores in deep learning applications.

Preprocess Images for Deep Learning (Deep Learning Toolbox)

Learn how to resize images for training, prediction, and classification, and how to preprocess images using data augmentation, transformations, and specialized datastores.

Preprocess Volumes for Deep Learning (Deep Learning Toolbox)

Read and preprocess volumetric image and label data for 3-D deep learning.

Imágenes de Denoise usando aprendizaje profundo

Entrenar y aplicar redes neuronales de denoising

Utilice una red neuronal entrenada previamente para eliminar el ruido gaussiano de una imagen en escala de grises o entrene su propia red utilizando capas predefinidas.

Eliminar el ruido de la imagen de color utilizando la red neuronal preentrenada

En este ejemplo se muestra cómo eliminar el ruido gaussiano de una imagen RGB mediante una red neuronal de denoising previamente en cada canal de color de forma independiente.

Aprendizaje profundo enMATLAB

Deep Learning in MATLAB (Deep Learning Toolbox)

Discover deep learning capabilities in MATLAB^® using convolutional neural networks for classification and regression, including pretrained networks and transfer learning, and training on GPUs, CPUs, clusters, and clouds.

Pretrained Deep Neural Networks (Deep Learning Toolbox)

Learn how to download and use pretrained convolutional neural networks for classification, transfer learning and feature extraction.

Ejemplos destacados

Superresolución de una sola imagen mediante el aprendizaje profundo

En este ejemplo se muestra cómo crear una imagen de alta resolución a partir de una sola imagen de baja resolución mediante el algoritmo de aprendizaje profundo superresolución muy profunda (VDSR).

Abrir script en vivo

Desbloqueo de imágenes JPEG mediante aprendizaje profundo

En este ejemplo se muestra cómo eliminar artefactos de compresión JPEG de una imagen mediante una red neuronal convolucional profunda entrenada con imágenes residuales.

Abrir script en vivo

Aproximación del operador de procesamiento de imágenes mediante aprendizaje profundo

En este ejemplo se muestra cómo utilizar una red neuronal profunda para procesar una imagen de forma que la imagen resultante se asemeje a la salida de un filtro bilateral.

Abrir script en vivo

Clasificación de aprendizaje profundo de imágenes grandes de multiresolución

En este ejemplo se muestra cómo entrenar una red neuronal profunda Inception-v3 para clasificar imágenes de diapositivas enteras (WSI) multiresolución que no caben en la memoria.

Abrir script en vivo

Segmentación semántica de imágenes multiespectrales mediante aprendizaje profundo

Este ejemplo muestra cómo utilizar una red neuronal profunda para realizar la segmentación semántica de una imagen con datos en siete canales: tres canales infrarrojos, canales de color RGB y un canal de máscara.

Abrir script en vivo

Segmentación de tumores cerebrales 3D mediante aprendizaje profundo

Este ejemplo muestra cómo entrenar una red neuronal U-Net 3-D y realizar la segmentación semántica de tumores cerebrales a partir de imágenes médicas 3D. El ejemplo muestra cómo entrenar una red U-Net 3D y también proporciona una red previamente entrenada. El uso de una GPU NVIDIA™ compatible con CUDA con capacidad de computación 3.0 o superior es muy recomendable para la segmentación semántica 3D (requiere Parallel Computing Toolbox™).

Abrir script en vivo