图像处理中的归一化- AskGo

图像处理中的归一化

image-processing

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

2020-06-05 22:57:54 更新

百如云• 653

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

2020-06-05 22:58:21 更新

殷采春• 698

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]或[-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a和b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范数或l2 / euclidean范数）的归一化。实际上，这被翻译为：
```
 Inew = I / ||I|| 
```
||I||符合I的规范。
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 。