图像处理中的归一化
image-processing
4
0

图像处理中归一化的正确含义是什么?我用谷歌搜索,但定义不同。我将尝试详细解释每个定义。

核矩阵的归一化

如果将规范化称为矩阵(例如卷积滤波器的内核矩阵),则通常将矩阵的每个值除以矩阵值的总和,以使矩阵值的总和等于1 (如果所有值都大于零)。这很有用,因为图像矩阵和我们的内核矩阵之间的卷积给出了输出图像,其值在0到原始图像的最大值之间。但是,如果我们使用sobel矩阵(具有一些负值),这将不再成立,我们必须拉伸输出图像以使所有值都介于0和最大值之间。

图像标准化

我基本上找到了标准化的两个定义。第一个是“削减”过高或过低的值。即,如果图像矩阵的值为负,则将其设置为零,如果图像矩阵的值大于最大值,则将其设置为最大值。第二个是线性拉伸所有值,以使其适合区间[0,最大值]。

参考资料:
Stack Overflow
收藏
评论
共 2 个回答
高赞 时间 活跃

在数据科学中,有两种广泛使用的规范化类型:

1)在我们尝试移动数据以使总和有特定值的地方,通常为1( https://stats.stackexchange.com/questions/62353/what-does-it-mean-to-use-a-normalizing求和与单位的因子

2)标准化数据以使其在一定范围内(通常为0到1): https : //stats.stackexchange.com/questions/70801/how-to-normalize-data-to-0-1-range

收藏
评论

我将扩展@metsburg的答案。有几种标准化图像(通常是数据矢量)的方法,在不同情况下方便使用:

  • 数据规范化或数据(重新)缩放:将数据投影到预定义的范围内(即通常为[0, 1][-1, 1] )。当您拥有来自不同格式(或数据集)的数据并且想要对所有数据进行规范化时,这很有用,因此您可以对它们应用相同的算法。通常执行如下:

     Inew = (I - I.min) * (newmax - newmin)/(I.max - I.min) + newmin 
  • 数据标准化是另一种标准化数据的方法(在机器学习中经常使用),其中均值减去图像并按其标准差进行划分。如果您打算将图像用作某种机器学习算法的输入,则这特别有用,因为它们中许多都表现得更好,因为它们假定特征具有mean=0,std=1的高斯形式。它可以很容易地执行为:

     Inew = (I - I.mean) / I.std 
  • 数据拉伸或(使用图像时进行直方图拉伸)称为选项2。通常将图像钳位到最大值和最小值,设置为:

     Inew = I Inew[I < a] = a Inew[I > b] = b 

    此处,低于a图像值设置为a ,与b相反地发生。通常,将ab的值计算为百分比阈值。 a =分隔数据底部1%的阈值, b =分隔数据顶部1%的阈值。这样,您就可以从图像中去除离群值噪点 )。这类似于( 更简单直方图均衡 ,这是另一个使用的预处理步骤。

  • 数据归一化也可以参考向量相对于范数( l1范数l2 / euclidean范数 )的归一化。实际上,这被翻译为:

     Inew = I / ||I|| 

    ||I||符合I规范

    如果将范数选择为l1范数,则图像将除以其绝对值的和,从而使整个图像的和等于1 。如果范数被选择去是l2 (或欧氏),然后图像通过的平方值的总和除以I ,使得平方值的总和I是等于1

前3个广泛用于图像(不是3个,因为缩放标准化是不兼容的,但是其中1个是缩放 +拉伸拉伸或标准+拉伸 ),最后一个不是那么有用。它通常用作某些统计工具的预处理,但是如果您打算使用单个图像,则不会应用。

收藏
评论
新手导航
  • 社区规范
  • 提出问题
  • 进行投票
  • 个人资料
  • 优化问题
  • 回答问题

关于我们

常见问题

内容许可

联系我们

@2020 AskGo
京ICP备20001863号