【CV】图像标准化与归一化_cv 图像归一化_wffzxyl的博客

link之家

链接快照平台

输入网页链接，自动生成快照
标签化管理网页链接

一：图像标准化处理

标准化处理的公式如下：

tensorflow中对图像标准化预处理的API函数如下：

tf.image.per_image_standardization(image)
- image 参数表示一个三维的张量(tensor) 分别对应图像高、宽、通道数目(height, width, channels)

函数返回处理以后的图像，大小与通道数目与原图像保持一致。使用opencv+tensorflow对图像进行标准化处理的代码演示如下：

图像标准化是将数据通过去均值实现中心化的处理，根据凸优化理论与数据概率分布相关知识，数据中心化符合数据分布规律，更容易取得训练之后的泛化效果, 数据标准化是数据预处理的常见方法之一

二：图像归一化处理

图像归一化最常见的就是最大最小值归一化方法，公式如下：

基于OpenCV实现图像最大最小值归一化的代码演示如下：

原图像素值输出

归一化之后像素值：

原图与归一化之后的运行结果完全一致，说明归一化不会改变图像本身的信息存储，但是通过打印出来的像素值可以发现，取值范围从0～255已经转化为0～1之间了，这个对于后续的神经网络或者卷积神经网络处理有很大的好处，tensorflow官方给出mnist数据集，全部采用了归一化之后的结果作为输入图像数据来演示神经网络与卷积神经网络。

为答谢作者，帮推广：

关注 【OpenCV学堂】

长按或者扫码二维码即可关注

https://mp.weixin.qq.com/s/BH9TrDjuql0fcvuTQmTFWQ使用深度学习在进行图像分类或者对象检测时候，首先需要对图像做数据预处理，最常见的对图像预处理方法有两种，正常白化处理又叫图像标准化处理，另外一种方法叫做归一化处理，下面就详细的说一下这两种处理方法。一：图像标准化处理标准化处理的公式如下：tensorflow中对图像标准化预处理的A...

SIFT（Scale-invariant feature transform）是一种检测局部特征的算法，该算法通过求一幅图中的特征点（interest points,or corner points）及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配，获得了良好效果，详细解析如下： SIFT特征不只具有尺度不变性，即使改变旋转

图像处理为什么要 归一化 和如何 归一化 答：其中一个原因是，对于网络模型训练等，是为了加速神经网络训练收敛，以及保证程序运行时收敛加快。其他原因见下面参考博客。对图像 归一化 有2种处理方式： (1) img/255.0 (2) img/127.5 - 1 第一种图像 归一化 方式，范围为[0, 1]; 第二种图像 归一化 方式，范围为[-1, 1]，这两种只是 归一化 范围不同. 参考1：原文链接参考2：原文链接 matlab 图像处理为什么要 归一化 和如何 归一化 ？一、为什么 归一化 1.基本上 归一化 思想是利用图像的不变

计算机视觉理论中的特征描述是常见的目标分析技术之一，关键点检测与关键点提取是目标特征分析的重要步骤。局部图像特征描述的核心基础问题是不变性和可分性分析，不变性是基于特征描述对视角变化的不变性、尺度变化的不变性及旋转变化的不变性等，可分性是基于局部图像内容的可区分性。在实际应用场景中，不变性与可分性是相互依存且矛盾的。Opne cv 中常见的特征描述子有多种，如SIFT、SURF及ORB特征描述子。 1.SIFT特征步骤 SIFT都目前应用最广泛的关键点检测和描述算法，SIFT特征提取充分利用了图像局部信息，

在PyTorch团队专门开发的视觉工具包torchvision中，提供了常见的数据预处理操作，封装在transforms类中。 transforms类涵盖了大量对Tensor和对PIL Image的处理操作，其中包含了对张量进行 归一化 的transforms.normalize()函数，它的形参包括mean、std等，其手册中对函数和源码的介绍如下图：需要注意的坑是：这里的mean和std并不...

img = cv 2.imread(filepath, 1) 这里的img是narray格式，open cv 以BGR的形式读入，如果我们要传入model中，需要将img转化为RGB的格式并变为tensor from torchvision import transforms tfms = transforms.Compose([ transforms.ToTensor(),

在进行图像 归一化 和 标准化 时，可能会出现图像亮度变亮或变暗的情况。这是由于在进行 归一化 或 标准化 时，我们将像素值重新映射到了一个新的范围内，这种操作会改变图像的亮度和对比度。如果图像亮度变亮，可以考虑将像素值的范围限制在[0, 255]之间。可以使用以下代码进行限制： ```python import numpy as np img = np.clip(img, 0, 255) 另外，可以考虑对图像进行直方图均衡化，以提高图像的对比度和亮度。可以使用以下代码进行直方图均衡化： ```python import cv 2 img = cv 2.equalizeHist(img) 如果图像亮度变暗，可以考虑调整 归一化 或 标准化 的参数，或者使用直方图拉伸等增强图像亮度的方法。