Денойзинг изображений с использованием обучения словаря

Введение

В этом практическом занятии мы научимся降噪ировать искаженное изображение с использованием обучения словаря. Мы рассмотрим пример, в котором сравним эффект реконструкции шумных фрагментов изображения浣熊脸(лица raccon) с использованием сначала онлайн-обучения словаря и различных методов преобразования.

Советы по использованию ВМ

После запуска ВМ перейдите в левый верхний угол и переключитесь на вкладку Notebook, чтобы приступить к практике в Jupyter Notebook.

Иногда вам может потребоваться подождать несколько секунд, пока Jupyter Notebook полностью загрузится. Проверка операций не может быть автоматизирована из-за ограничений Jupyter Notebook.

Если вы столкнетесь с проблемами во время обучения, не стесняйтесь обращаться к Labby. Оставьте отзыв после занятия, и мы оперативно решим проблему для вас.

Skills Graph

Создание искаженного изображения

Первым шагом является создание искаженного изображения. Мы будем использовать набор данных Scipy для загрузки изображения лица raccon. Мы уменьшим разрешение изображения, чтобы повысить скорость, и исказим правую половину изображения.

Отображение искаженного изображения

Мы будем отображать искаженное изображение, чтобы увидеть эффект искажения на изображении.

Извлечение эталонных патчей

Мы будем извлекать все эталонные патчи из левой половины изображения. Для извлечения патчей мы будем использовать функцию extract_patches_2d из Scikit-learn. Мы нормализуем данные, вычитая среднее значение и деля на стандартное отклонение.

Обучение словаря из эталонных патчей

В этом шаге мы обучим словарь на основе эталонных патчей. Для обучения словаря мы будем использовать MiniBatchDictionaryLearning из Scikit-learn. Мы подберем словарь для извлеченных патчей.

Извлечение шумных патчей и их реконструкция с использованием словаря

В этом шаге мы извлечем шумные патчи из искаженного изображения и реконструируем их с использованием словаря. Мы будем использовать четыре различных алгоритма преобразования: Ортогональное Сопротивление Просиянию (Orthogonal Matching Pursuit), Регуляризацию с Минимальным Уголом (Least-angle Regression) и Пороговую Метод (Thresholding), для реконструкции патчей. Мы отобразим реконструированное изображение и сравним его с исходным изображением.

Резюме

В этом практическом занятии мы научились降噪ить искаженное изображение с использованием обучения словаря. Мы использовали MiniBatchDictionaryLearning из Scikit-learn для обучения словаря и реконструкции шумных патчей. Мы также использовали четыре различных алгоритма преобразования для реконструкции патчей.