圖像處理規範化

Question

圖像處理規範化的正確方法是什麼？我GOOGLE了它，但我有不同的定義。我會試着詳細解釋每個定義。

內核矩陣的歸一化

如果歸一化是指一個基質（例如用於卷積濾波器內核矩陣），通常每一個矩陣的值由矩陣的值的總和除以以便使矩陣的值之和等於1（如果所有值都大於零）。這很有用，因爲圖像矩陣和我們的核矩陣之間的卷積給出的輸出圖像的值在0和原始圖像的最大值之間。但是，如果我們使用一個sobel矩陣（有一些負值），這不再是真實的，我們必須拉伸輸出圖像以使所有值在0和最大值之間。

標準化的圖像

的我基本上覺得正常化兩個定義。第一個是「削減」價值太高或太低。即如果圖像矩陣具有負值，則將它們設置爲零，並且如果圖像矩陣具有高於最大值的值，則將它們設置爲最大值。第二種方法是線性拉伸所有的值，以使它們適合區間[0，最大值]。

Answer 1

我會從@metsburg延伸一點答案。有（，數據載體一般）歸一化的圖像的幾種方法，它們在便利用於不同的情況：

• Data normalization或數據（重新）縮放：所述數據投影到一個預定的範圍（即通常爲[0, 1]或[-1, 1]）。當你有來自不同格式（或數據集）的數據時，這是很有用的，並且你想規範化所有這些數據，這樣你就可以對它們應用相同的算法。

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

• Data standarization是歸一化數據（使用了很多在機器學習），其中平均被中減去到圖像，並通過其標準偏差dividied的另一種方法：通常如下進行。如果您打算將圖像用作某些機器學習算法的輸入，它會特別有用，因爲它們中的許多性能會更好，因爲它們假設功能具有mean=0,std=1的高斯形式。它可以easyly被執行爲：

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

• Data stretching或（當你與圖像工作直方圖拉伸），被吹罰爲您的選擇2.通常情況下，圖像被鉗位到最小值和最大值，設置：

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

  這裏，低於a的圖像值被設置爲a，並且相同的情況與b相反。通常，a和b的值是按百分比閾值計算的。 a =分隔最低1％數據的閾值和b =分離最高1％數據的分支。通過這樣做，您將從圖像中刪除outliers（噪音）。 這是類似的（更簡單的）至histogram equalization，這是另一個用過的預處理步驟。

• 數據歸一化，也可以參考歸一化向量的規範（l1 norm或l2/euclidean norm）。這在實踐中，被翻譯爲：

  Inew = I/||I|| 
  

  其中||I|| refeers到I一個norm。

  如果規範選擇爲l1範數，則圖像將被其絕對值之和除，使得整個圖像的總和等於1。如果選擇標準爲l2（或歐幾里得），則圖像被除以I的平方值的總和，使得平方值的總和爲I等於1。

前3被廣泛地用圖像使用（其中不是3，如縮放和標準化是不相容的，但它們中的1或縮放+ streching或標準化+拉伸） ，最後一個沒有用處。它通常用作某些統計工具的預處理，但如果您計劃使用單個圖像，則不適用。

Answer 2

在數據科學，有兩種廣泛使用的歸一化類型：

1）如我們試圖使得存在總和爲一個特定的值，通常爲1（https://stats.stackexchange.com/questions/62353/what-does-it-mean-to-use-a-normalizing-factor-to-sum-to-unity）

2）規格化來移動數據數據以適合它在一定範圍內（通常爲0到1）：https://stats.stackexchange.com/questions/70801/how-to-normalize-data-to-0-1-range