Python cucim.skimage.restoration.calibrate_denoiser用法及代码示例

用法: cucim.skimage.restoration.calibrate_denoiser(image, denoise_function, denoise_parameters, *, stride=4, approximate_loss=True, extra_output=False)

校准去噪函数并返回最佳J-invariant版本。

使用为输入图像去噪设置的最佳参数值对返回的函数进行部分评估。

参数：

image：ndarray: 要降噪的输入数据(使用 img_as_float 转换)。
denoise_function：函数: 要校准的去噪函数。
denoise_parameters：列表的字典: denoise_function 要校准的参数范围。
stride：整数，可选: 用于将denoise_function 转换为J-invariance 的屏蔽过程中使用的步幅。
approximate_loss：布尔型，可选: 是否通过仅在图像的一个蒙版版本上计算来近似用于评估降噪器的 self-supervised 损失。如果为 False，则运行时间将是 stride**image.ndim 的一个因子。
extra_output：布尔型，可选: 如果为 True，则返回除校准去噪函数之外的参数和损失

best_denoise_function：函数: denoise_function 的最佳 J-invariant 版本。
如果 extra_output 为 True，则还返回以下元组：
(parameters_tested, losses)：元组(dict 列表，int 列表): 为 denoise_function 测试的参数列表，作为 parameters_tested 中每组参数的 kwargs Self-supervised 损失的字典。

注意：

校准过程使用 self-supervised mean-square-error 损失来评估 denoise_function 的 J-invariant 版本的性能。 self-supervised 损失的最小化器也是ground-truth 损失的最小化器(即真正的 MSE 误差)[1]。返回的函数可用于原始噪声图像或具有相似特征的其他图像。

增加步幅会增加best_denoise_function的性能: 以增加其运行时间为代价。它对校准的运行时间没有影响。

参考：

1: J. Batson & L. Royer. Noise2Self: Blind Denoising by Self-Supervision, International Conference on Machine Learning, p. 524-533 (2019).

例子：

>>> import cupy as cp
>>> from cucim.skimage import color
>>> from skimage import data
>>> from cucim.skimage.restoration import (denoise_tv_chambolle,
...                                          calibrate_denoiser)
>>> img = color.rgb2gray(cp.array(data.astronaut()[:50, :50]))
>>> noisy = img + 0.5 * img.std() * cp.random.randn(*img.shape)
>>> parameters = {'weight': cp.arange(0.01, 0.5, 0.05)}
>>> denoising_function = calibrate_denoiser(noisy, denoise_tv_chambolle,
...                                         denoise_parameters=parameters)
>>> denoised_img = denoising_function(img)

相关用法

注：本文由纯净天空筛选整理自rapids.ai大神的英文原创作品 cucim.skimage.restoration.calibrate_denoiser。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

注意：

参考：

例子：