Image processing 图像处理中的归一化

在图像处理中，标准化的正确含义是什么？我在谷歌上搜索过，但我有不同的定义。我将尝试详细解释每个定义

内核矩阵的标准化

如果规范化指的是矩阵（例如卷积滤波器的核矩阵），则通常将矩阵的每个值除以矩阵值之和，以使矩阵值之和等于一（如果所有值均大于零）。这是很有用的，因为图像矩阵和我们的核矩阵之间的卷积给出的输出图像的值介于0和原始图像的最大值之间。但是，如果我们使用sobel矩阵（有一些负值），这不再是真的，我们必须拉伸输出图像，以便所有值都在0和最大值之间

图像的标准化

---

我基本上找到了规范化的两个定义。第一种方法是“削减”过高或过低的值。i、 e.如果图像矩阵有负值，则将其设置为零；如果图像矩阵的值高于最大值，则将其设置为最大值。第二种方法是对所有值进行线性拉伸，以便将它们拟合到区间[0，最大值]。

在数据科学中，有两种广泛使用的标准化类型：

1） 我们尝试移动数据，使总和为一个特定值，通常为1（）

---

2） 将数据标准化，使其在一定范围内（通常为0到1）：

我将对@metsburg的答案进行一点扩展。有几种标准化图像（通常为数据向量）的方法，可方便地用于不同情况：

• 或数据（重新）缩放：将数据投影到预定义范围（即通常

  [0,1]

  或

  [-1,1]

  ）。当您拥有来自不同格式（或数据集）的数据，并且希望对所有格式（或数据集）进行规范化，以便可以对其应用相同的算法时，这非常有用。通常按如下方式执行：

  Inew = (I - I.min) * (newmax - newmin)/(I.max - I.min)  + newmin
  

• 是数据标准化的另一种方法（在机器学习中经常使用），将平均值减去图像并除以其标准偏差。如果您打算将图像用作某些机器学习算法的输入，那么它特别有用，因为许多机器学习算法的性能更好，因为它们假设特征具有高斯形式，且

  平均值=0，std=1

  。可通过以下方式轻松执行：

  Inew = (I - I.mean) / I.std
  

• 或者（处理图像时的直方图拉伸），被视为您的选项2。通常将图像钳制为最小值和最大值，设置：

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

  其中

  |I | |

  引用了

  I

  中的一个
  如果将范数选择为

  l1

  范数，则图像将被其绝对值之和除以，使整个图像之和等于

  1

  。如果将范数选择为

  l2

  （或欧几里德），则图像将除以

  I

  的平方值之和，使

  I

  的平方值之和等于

  1

---

前3个广泛用于图像（不是其中的3个，因为缩放和标准化不兼容，而是其中的1个或缩放+拉伸或标准化+拉伸），最后一个不是那么有用。它通常被用作某些统计工具的预处理，但如果您计划使用单个图像，则不能使用。

由@Imanol提供的答案非常好，我只想添加一些示例：

将输入标准化为像素方向或数据集方向。通常可以看到三种标准化方案：

规范化0和1之间的像素值：

规范化-1和1之间的像素值（如下所示）：

根据数据集的平均值和标准偏差进行标准化（如有）：

---

这在计算机科学中更合适。我怎样才能在计算机科学中提出这个问题呢？所以这三个问题都是正确的和实际使用的？是的，它们都被使用了，但每个都有自己的属性。查看@imaluengo的答案了解详细信息。我有一个问题，人们是如何想出这个用于数据规范化的线性函数的？还有其他线性函数也会这样做吗？Thanks@andres.santana如果您将is视为灰度/颜色值数组，则任何线性函数都会映射图像。是否正确<代码>Inew=（I-I.min）*（newmax-newmin）/（I.max-I.min）+newmin@jakeoung-yup你是对的。我确实换了个说法（从维基百科抄袭的内容很糟糕）。修正后的帖子，谢谢！

Inew = I / ||I||

img /= 255.0

img /= 127.5
img -= 1.0

img /= 255.0
mean = [0.485, 0.456, 0.406] # Here it's ImageNet statistics
std = [0.229, 0.224, 0.225]

for i in range(3): # Considering an ordering NCHW (batch, channel, height, width)
    img[i, :, :] -= mean[i]
    img[i, :, :] /= std[i]