La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

denoiseImage

Eliminar el ruido de una imagen mediante una red neuronal profunda

Sintaxis

B = denoiseImage(A,net)

Descripción

B = denoiseImage(A,net) elimina el ruido de una imagen con ruido A usando una red neuronal profunda especificada por net.

Esta opción requiere Deep Learning Toolbox™.

Ejemplos

Eliminar el ruido de una imagen mediante una red neuronal preentrenada

Cargue la red neuronal convolucional preentrenada "DnCNN".

net = denoisingNetwork("DnCNN");

Cargue una imagen en escala de grises el área de trabajo y, después, cree una versión de la imagen con ruido.

I = imread("cameraman.tif");
noisyI = imnoise(I,"gaussian",0,0.01);

Muestre las dos imágenes como un montaje.

montage({I,noisyI})
title("Original Image (Left) and Noisy Image (Right)")

Elimine el ruido de la imagen con ruido y, después, muestre el resultado.

denoisedI = denoiseImage(noisyI,net);
imshow(denoisedI)
title("Denoised Image")

Argumentos de entrada

A — Imagen con ruido

Imagen 2D | pila de imágenes 2D

Imagen con ruido, especificada como una única imagen 2D o una pila de imágenes 2D. A puede ser:

• Una imagen 2D en escala de grises de tamaño m por n.

• Una imagen 2D multicanal de tamaño m por n por c, donde c es el número de canales de la imagen. Por ejemplo, c es 3 para imágenes RGB y 4 para imágenes de cuatro canales como imágenes RGB con un canal infrarrojo.

• Una pila de imágenes 2D de igual tamaño. En este caso, A tiene un tamaño m por n por c por p, donde p es el número de imágenes en la pila.

Tipos de datos: single | double | uint8 | uint16

net — Red neuronal profunda para eliminación del ruido

objeto dlnetwork

Red neuronal profunda para eliminación del ruido, especificada como un objeto dlnetwork (Deep Learning Toolbox). Se debe entrenar la red con imágenes con el mismo número de canales de color que A. No es necesario que el tamaño de entrada de la red coincida con el tamaño de A.

Si la imagen con ruido o la pila de imágenes A solo tiene un canal y tiene ruido gaussiano, puede obtener una red preentrenada usando la función denoisingNetwork. Para más información acerca de cómo crear una red para eliminar el ruido, consulte Train and Apply Denoising Neural Networks.

Argumentos de salida

B — Imagen sin ruido

Imagen 2D | pila de imágenes 2D

Imagen sin ruido, devuelta como una única imagen 2D o una pila de imágenes 2D. B tiene el mismo tamaño y el mismo tipo de datos que A.

Historial de versiones

Introducido en R2017b

R2024a: No se recomienda usar los objetos DAGNetwork y SeriesNetwork

A partir de la versión R2024a, no se recomienda usar los objetos DAGNetwork (Deep Learning Toolbox) y SeriesNetwork (Deep Learning Toolbox). En su lugar, especifique la red para eliminar el ruido como un objeto dlnetwork (Deep Learning Toolbox).

No está previsto eliminar el soporte para los objetos DAGNetwork y SeriesNetwork. Sin embargo, los objetos dlnetwork tienen estas ventajas:

• Los objetos dlnetwork admiten una gama más amplia de arquitecturas de red que puede entrenar con facilidad usando la función trainnet (Deep Learning Toolbox) o importar desde plataformas externas.

• Los objetos dlnetwork proporcionan más flexibilidad. Tienen una compatibilidad más amplia con las funcionalidades de actuales y futuras Deep Learning Toolbox.

• Los objetos dlnetwork proporcionan un tipo de datos unificado que admite la creación de redes, la predicción, el entrenamiento integrado, la compresión y los bucles de entrenamiento personalizados.

• El entrenamiento y la predicción de dlnetwork suelen ser más rápidos que los de DAGNetwork y SeriesNetwork.

Consulte también

denoisingNetwork | dnCNNLayers | denoisingImageDatastore

Temas

• Train and Apply Denoising Neural Networks