python opencv-图像数据归一化图像数据归一化
1.1.定义：归一化把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。
1.2.优点：归一化使数据有可比性，同时又保持相比较的两个数据之间的相对关系
转换成标准模式，防止仿射变换的影响。
减小几何变换的影响;加快梯度下降求最优解的速度,收敛加快
1.3.作用：归纳统一样本统计分布;归一化在0-1是统计概率分布;归一化在某区间上是统计的坐标分布
1.4.方法：
1）线性函数转换：y=(x-MinValue)/(MaxValue-MinValue)
2）对数函数转换：y=log10(x)
3）反余切转换： y=atan(x)*2/PI
4）Z-score正态标：y=(x-x_mean)/std
5）Sigmoid函数： yt=1/(1+e^(-x))
2.函数
dst =cv2.normalize(src,dst [,double alpha=1,double beta=0,int norm_type,int dtype,mask])
用途：归一化数据。该函数分为范围归一化与数据值归一化
参数：
src 输入数组
dst 输出数组，数组的大小和原数组一致；
alpha 1,用来规范值，2.规范范围，并且是下限；
beta 只用来规范范围并且是上限
norm_type 归一化选择的数学公式类型；
1）NORM_MINMAX;（依据是：delta=max-min,也即最小值为0，最大值为1）最常用
NORM_MINMAX:数组的数值被平移或缩放到一个指定的范围，线性归一化。
比如归一化到（min,max）范围内:(X-min(X))*(max-min)/(max(X)-min(X))+min
2）NORM_INF;（切比雪夫距离）L∞范数(绝对值的最大值) X/max(abs(X))
3）NORM_L1;（曼哈顿距离）L1-范数(绝对值的和) X/sum(abs(X))
4）NORM_L2;（依据是：单位向量为1，也即每个数除以 根号下所有数的平方和）
(欧几里德距离)L2-范数 X/sqrt((sum(X^2)))
dtype 为负输出数组type与输入数组type相同；为正仅通道数相同而tpye=CV_MAT_DEPTH(dtype).
mark 掩码。选择感兴趣区域，选定后只能对该区域进行操作。
说明：
1）NORM_MINMAX多用于密集阵列；可用范围归一化和值归一化
2）其他3项多用于稀疏矩阵；，仅分析和转换非零值。因此，不允许对稀疏矩阵进行范围转换
若用范围将输出全部是0
3）范围归一化用:image/max(image)*255 设范围为【0，255】即把src缩放到【0，255】这个范围内
beta>alpha
2.实例：
#！/usr/bin/env python3
# -*- coding: utf-8 -*-
# @Author: tcy
# @Date: 2020-5-2 22:00:53
# @Version:V1.01
# @Last Modified by: tcy
# @Last Modified time: 2020-5-3 4:39:53
import cv2,numpy as np
import skimage as sk
class Color:
def minmaxNormalization(self,image):
Max=image.max()
Min=image.min()
return (image - Min) / (Max - Min)
def L1Normalization(self,image):
return image/np.abs(image).sum()
def L2Normalization(self,image):
tmp=np.sqrt(np.sum(np.power(image,2)))
return image/tmp
weixin_38725260
- 粉丝: 2
- 资源: 911
我的内容管理
收起
- 我的资源
快来上传第一个资源
我的收益 登录查看自己的收益
我的积分
登录查看自己的积分
我的C币
登录后查看C币余额
我的收藏 
我的下载 
下载帮助
评论0