噪声去除仅适用于二维单通道图像。如果您有多个颜色通道，或者您正在处理3-D图像，可以通过分别处理每个通道或平面来去除噪声。例如，请参见利用预先训练的神经网络去除彩色图像中的噪声．

该网络只识别高斯噪声，噪声分布范围有限。

创建一个ImageDatastore对象，用于存储原始映像。

创建一个denoisingImageDatastore对象，从原始图像生成噪声训练数据ImageDatastore．要指定高斯噪声标准差的范围，请设置GaussianNoiseLevel财产。必须使用默认值PatchSize（50),ChannelFormat（“灰度”)，使训练数据的大小与网络的输入大小相匹配。

得到预定义的去噪层使用dnCNNLayers函数。

使用。定义培训选项trainingOptions函数。

训练网络，指定去噪后的图像数据存储为数据源trainNetwork．对于每次迭代的训练，去噪图像数据存储通过随机裁剪原始图像生成一个小批量的训练数据ImageDatastore，然后在每个图像patch中加入随机生成的零均值高斯白噪声。添加的噪声的标准偏差对于每个图像补丁是唯一的，并且在指定的范围内有一个值GaussianNoiseLevel图像去噪存储的性质。

训练一个网络来检测彩色图像的高斯噪声分布范围。要为这个网络生成训练图像，可以使用denoisingImageDatastore并设置ChannelFormat财产“rgb”．您必须定义一个支持RGB图像的自定义卷积神经网络体系结构。万博1manbetx

训练一个网络，在单通道图像中检测更大的噪声，如非高斯噪声分布。要定义网络体系结构，可以使用dnCNNLayers函数。您必须定义一个自定义数据存储，用于生成批量的噪声图像补丁和相应的噪声补丁。有关更多信息，请参见开发自定义小批量数据存储(神经网络工具箱)。

虽然DnCNN网络的主要目的是去除图像中的噪声，但它也可以检测高频图像伪影。例如，您可以训练DnCNN网络以提高图像分辨率或删除JPEG压缩伪影。这个例子使用深度学习的JPEG图像去块演示了如何用一个小批量数据存储来训练DnCNN网络，该数据存储生成成对的扭曲图像块和相应的噪声块。