noise2void允许训练从单个噪声图像中去噪的cnn。此实现扩展了csbdeep。
n2v的Python项目详细描述
[![n2v_视频](img/n2v_vimeo.png)](https://vimeo.com/305045007)
#noise2void-从单噪声图像中学习去噪 亚历山大·克鲁尔(Alexander Krull)、蒂姆·奥利弗·布赫霍尔茨(Tim Oliver Buchholz)、蒂姆·奥利弗·布赫霍尔茨(Tim Oliver Buchholz)、蒂姆·奥利弗·布赫霍尔茨(Tim Oliver Buchholz)、蒂姆·奥利弗·布赫霍尔茨(Tim Oliver Buchholz)、蒂姆·奥利弗·布赫霍 <;sup>;1<;/sup>;<;code>;krull@mpi cbg.de<;/code>;,<;sup>;2<;/sup>;作者的贡献是一样的
目前,图像去噪的研究主要集中在对噪声输入和干净目标图像进行训练的判别式深度学习方法上。最近的研究表明,这种方法也可以在没有干净目标的情况下进行训练。相反,可以使用独立的噪声图像对,这种方法称为noise2noise(n2n)。在这里,我们引入了noise2void(n2v),这是一种将这一思想向前推进一步的训练方案。它不需要有噪声的图像对,也不需要干净的目标图像。因此,n2v允许我们直接在要去噪的数据体上训练,因此可以在其他方法不能应用时应用。特别有趣的是在生物医学图像数据中的应用,在这些数据中,获取干净或有噪声的训练目标常常是不可能的。我们将n2v的性能与具有干净目标图像和/或噪声图像对的方法进行比较。直观地说,n2v不可能比在训练期间有更多可用信息的方法更好。尽管如此,我们仍然观察到noise2dovide的去噪性能适度下降,并且与无训练的去噪方法相比是有利的。
纸张:https://arxiv.org/abs/1811.10980
我们的实现基于[csbdeep](http://csbdeep.bioimagecomputing.com)([github](https://github.com/csbdeep/csbdeep))。
##安装 这个实现需要[tensorflow](https://www.tensorflow.org/install/)。 我们使用Python3.6和TensorFlow GPU 1.12.0在LinuxMint 18.3上测试了Noise2void。
####如果你从头开始… 我们建议使用[conda](https://docs.conda.io/en/latest/miniconda.html)。 如果你还没有一个强有力的意见,只是使用它太!
安装miniconda之后,以下几行可能是在您的计算机上安装tensorflow和cudnn的最简单方法(注意:不支持macs,如果您坐在windows计算机上,所有这些也可能需要一些修改):
` $ conda create -n 'n2v' python=3.6 $ source activate n2v $ conda install tensorflow-gpu==1.12 $ pip install jupyter `
一旦完成(或者你有Tensorflow等人。已安装),您可以使用以下两个选项之一安装N2V:
####选项1:PIP ` $ pip install n2v `
####选项2:git克隆并从源安装 或者克隆存储库: ` $ git clone https://github.com/juglab/n2v.git ` 切换到其目录并安装: ` $ cd n2v $ pip install -e . ` 你现在已经准备好运行noise2void了。
##如何使用? 看看我们的Jupyter笔记本: *[2d示例sem](https://github.com/juglab/n2v/tree/master/examples/2D/denoising2D_SEM) *[2d示例rgb](https://github.com/juglab/n2v/tree/master/examples/2D/denoising2D_RGB) *[三维示例](https://github.com/juglab/n2v/tree/master/examples/3D)