OpenCV之图像归一化(normalize)

什么图像归一化

通俗地讲就是将矩阵的值通过某种方式变到某一个区间内

图像归一化的作用

目前能理解的就是归一化到某个区间便于处理,希望高人可以指点

opencv文档中的介绍 C++: void normalize(InputArray src, InputOutputArray dst, double alpha=1, double beta=0, int norm_type=NORM_L2, int dtype=-1, InputArray mask=noArray() ) C++: void normalize(const SparseMat& src, SparseMat& dst, double alpha, int normType) Python: cv2.normalize(src[, dst[, alpha[, beta[, norm_type[, dtype[, mask]]]]]]) → dst Parameters: src – input array. dst – output array of the same size as src . alpha – norm value to normalize to or the lower range boundary in case of the range normalization. beta – upper range boundary in case of the range normalization; it is not used for the norm normalization. normType – normalization type (see the details below). dtype – when negative, the output array has the same type as src; otherwise, it has the same number of channels as src and the depth =CV_MAT_DEPTH(dtype). mask – optional operation mask.

norm_type有NORM_INF, NORM_MINMAX,NORM_L1和NORM_L2四种。
1、在 NORM_MINMAX 模式下,alpha表示归一化后的最小值,beta表示归一化后的最大值。
2、在NORM_L1、NORM_L2、NORM_INF 模式下,alpha表示执行相应归一化后矩阵的范数值,beta不使用。
3、稀疏矩阵归一化仅支持非零像素

NORM_MINMAX

数组的数值被平移或缩放到一个指定的范围,线性归一化。

$dst(i, j) = \frac{(src(i, j) - min(src(x, y))) * (beta - alpha)}{max(src(x, y)) - min(src(x, y))} + alpha$
$${x}\over{y}$$

OpenCV之图像归一化(normalize)

NORM_INF

分母为L∞范数 ,即矩阵各元素绝对值的最大值(切比雪夫距离)

OpenCV之图像归一化(normalize)

NORM_L1

分母为L1-范数,即矩阵元素的绝对值之和(曼哈顿距离)

OpenCV之图像归一化(normalize)

NORM_L2

分母为L2-范数,即矩阵各元素的欧几里德距离之和

OpenCV之图像归一化(normalize)

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:https://www.heiqu.com/zyfpwg.html