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：

import tensorflow as tf
import cv2 as cv
image = cv.imread("D:/javaopencv/dahlia_4.jpg")
cv.imshow("input", image)
std_image = tf.image.per_image_standardization(image)
with tf.Session() as sess:
    result = sess.run(std_image)
    print(result)
    cv.imshow("result", result)
cv.waitKey(0)
cv.destroyAllWindows()

运行效果

解释

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：

OpenCV中实现图像最大与最小值归一化的函数如下：
normalize(
src, // 表示输入图像， numpy类型
dst, // 表示归一化之后图像， numpy类型
alpha=None, // 归一化中低值 min
beta=None, // 归一化中的高值max
norm_type=None, // 归一化方法，选择最大最小值归一化 NORM_MINMAX， 
dtype=None, // 归一化之后numpy数据类型，一般选择cv.CV_32F
mask=None //遮罩层，默认设置为None
)

基于OpenCV实现图像最大最小值归一化的代码演示如下：

image = cv.imread("D:/javaopencv/dahlia_4.jpg")
cv.imshow("input", image)