Python cv2.normalize（）中的第二个参数是什么

我想使用

cv2.normalize（）

对图像进行规范化，如下所示

import cv2
original_image = cv2.imread("/path/to/test.jpg")
normalized_image = cv2.normalize(original_image, alpha=0.0, beta=1.0, norm_type=cv2.NORM_MINMAX)

这在opencv2（Python）中运行良好。但在opencv3中，错误为

TypeError:未找到必需的参数“dst”（位置2）

被抛出，我必须传入另一个参数

arr = np.array([])
normalized_image = cv2.normalize(original_image, arr, alpha=0.0, beta=1.0, norm_type=cv2.NORM_MINMAX)

根据数据，它似乎是目的地，但有趣的是，结果存储在

normalized_image

中，

arr

之后是

[]

那么，第二个参数在opencv3（Python）中的作用是什么呢？

您可以发现dst描述了用于规范化操作的目标图像。似乎函数的签名已更改。在返回目标映像之前，在opencv3中它将被定义为一个参数。 因此，从我的观点来看，这是可行的n（未经测试）：

---

也可以这样做：

import cv2
original_image = cv2.imread("/path/to/test.jpg")
normalized_image = cv2.normalize(original_image,None)

数组存储在标准化的_图像中

arr=np.array（[]）
hist=cv2.calcHist（[image]，[0,1,2]，mask，self.bin，
[0, 180, 0, 256, 0, 256])
hist=cv2.normalize（hist，arr）.flatte（）

cv2.normalize的返回值取决于

src

和

dst

的类型（如果提供）。起初，调用

cv2.normalize（src，dst）

似乎不会像预期的那样工作，即

dst

保持不变。然而，这并非完全正确。让我们来看一个玩具示例：

>>> src = np.array([[1,2,4], [3,2,1], [-1,2,6]]).astype(float)
>>> src.dtype
dtype('float64')

在

0

和

1

之间进行规范化，我们希望得到：

>>> (src - src.min()) / (src.max() - src.min())
array([[0.28571429, 0.42857143, 0.71428571],
       [0.57142857, 0.42857143, 0.28571429],
       [0.        , 0.42857143, 1.        ]])

现在使用OpenCV：

>>> cv2.normalize(src, None, 0, 1, cv2.NORM_MINMAX) # pythonic way
array([[0.28571429, 0.42857143, 0.71428571],
       [0.57142857, 0.42857143, 0.28571429],
       [0.        , 0.42857143, 1.        ]])


>>> dst = np.zeros_like(src)
>>> cv2.normalize(src, dst, 0, 1, cv2.NORM_MINMAX) # move to dst
>>> dst
array([[0.28571429, 0.42857143, 0.71428571],
       [0.57142857, 0.42857143, 0.28571429],
       [0.        , 0.42857143, 1.        ]])    

注

dst.dtype

是

dtype（'float64'）

---

但是，在以下两种情况下，规范化数组不会移动到

dst

：

如果将

dst

作为与

src

不同的形状，则

dst

将保持不变：

>>> dst = np.array([])
>>> cv2.normalize(src, dst, 0, 1, cv2.NORM_MINMAX)
array([[0.28571429, 0.42857143, 0.71428571],
       [0.57142857, 0.42857143, 0.28571429],
       [0.        , 0.42857143, 1.        ]])
>>> dst
array([], dtype=float64)

如您所见，

cv2.normalize

将返回正确的规范化数组，但不会将数据移动到

dst

如果

dst

作为与

src

不同的类型：

>>> dst = np.zeros_like(src).astype(int)
>>> cv2.normalize(src, dst, 0, 1, cv2.NORM_MINMAX)
<UMat 0x7f578300c510>
>>> dst
array([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]])

dst=np.zeros_like（src）.astype（int） >>>cv2.normalize（src，dst，0，1，cv2.NORM_MINMAX） >>>dst 数组（[[0,0,0]， [0, 0, 0], [0, 0, 0]])

---

总之，使用返回值似乎比使用

dst

更安全，后者可能不会更改为

src

——根据具体情况进行规范化

---

下面是一个相关主题，您可以在其中阅读有关cv2.normalize的更多信息。

我可能测试错误，但这不起作用。标准化图像未分配给

arr

，它仍然是一个空白数组。更加pythonic的

normalized\u image=cv2.normalize（original\u image，None）

确实有效。至少在Python 3.7中，这是有效的，而使用

dst=some\u array

则不行。

>>> dst = np.zeros_like(src).astype(int)
>>> cv2.normalize(src, dst, 0, 1, cv2.NORM_MINMAX)
<UMat 0x7f578300c510>
>>> dst
array([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]])