denoiseImage
Eliminar el ruido de una imagen mediante una red neuronal profunda
Sintaxis
Descripción
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
.
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 R2017bR2024a: 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 funcióntrainnet
(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 deDAGNetwork
ySeriesNetwork
.
Consulte también
Comando de MATLAB
Ha hecho clic en un enlace que corresponde a este comando de MATLAB:
Ejecute el comando introduciéndolo en la ventana de comandos de MATLAB. Los navegadores web no admiten comandos de MATLAB.
Select a Web Site
Choose a web site to get translated content where available and see local events and offers. Based on your location, we recommend that you select: .
You can also select a web site from the following list:
How to Get Best Site Performance
Select the China site (in Chinese or English) for best site performance. Other MathWorks country sites are not optimized for visits from your location.
Americas
- América Latina (Español)
- Canada (English)
- United States (English)
Europe
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)