Python skimage.restoration.calibrate_denoiser用法及代碼示例

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

校準去噪函數並返回最佳J-invariant版本。

使用為輸入圖像去噪設置的最佳參數值對返回的函數進行部分評估。

參數：

image：ndarray: 要降噪的輸入數據(使用img_as_float 轉換)。
denoise_function：函數: 要校準的去噪函數。
denoise_parameters：列表的字典: denoise_function 要校準的參數範圍。
stride：int 可選: 用於將denoise_function 轉換為J-invariance 的屏蔽過程中使用的步幅。
approximate_loss：布爾型，可選: 是否通過僅在圖像的一個蒙版版本上計算來近似用於評估降噪器的 self-supervised 損失。如果為 False，運行時間將是 stride**image.ndim 的一個因子。
extra_output：布爾型，可選: 如果為 True，則返回除校準去噪函數之外的參數和損失

best_denoise_function：函數: denoise_function 的最佳 J-invariant 版本。
如果extra_output為 True，還返回以下元組：
(parameters_tested, losses)：元組(dict 列表，int 列表): 為denoise_function 測試的參數列表，作為parameters_tested 中每組參數的kwargs Self-supervised 損失的字典。

注意：

校準過程使用self-supervised mean-square-error 損失來評估denoise_function 的J-invariant 版本的性能。 self-supervised 損失的最小化器也是ground-truth 損失的最小化器(即真正的 MSE 誤差)[1]。返回的函數可用於原始噪聲圖像或具有相似特征的其他圖像。

增加步幅可以提高性能best_denoise_function: 以增加其運行時間為代價。它對校準的運行時間沒有影響。

參考：

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

例子：

>>> from skimage import color, data
>>> from skimage.restoration import denoise_wavelet
>>> import numpy as np
>>> img = color.rgb2gray(data.astronaut()[:50, :50])
>>> rng = np.random.default_rng()
>>> noisy = img + 0.5 * img.std() * rng.standard_normal(img.shape)
>>> parameters = {'sigma': np.arange(0.1, 0.4, 0.02)}
>>> denoising_function = calibrate_denoiser(noisy, denoise_wavelet,
...                                         denoise_parameters=parameters)
>>> denoised_img = denoising_function(img)

相關用法

注：本文由純淨天空篩選整理自scikit-image.org大神的英文原創作品 skimage.restoration.calibrate_denoiser。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：

注意：

參考：

例子：