归一化

目录 1.释名 2.举例 3.操作步骤与原理详解 4.总结 5.附录：MATLAB代码 @ 1.释名 灰色关联度分析（Grey Relation Analysis，GRA），是一种多因素统计分析的方法。简单来讲，就是在一个灰色系统中，我们想要了解其中某个我们所关注的某个项目受其他的因素影响的相对强弱，再直白一点，就是说：我们假设以及知道某一个指标可能是与其他的某几个因素相关的，那么我们想知道这个指标与其他哪个因素相对来说更有关系，而哪个因素相对关系弱一点，依次类推，把这些因素排个序，得到一个分析结果，我们就可以知道我们关注的这个指标，与因素中的哪些更相关。 （ note ： 灰色系统这个概念的提出是相对于白色系统和黑色系统而言的。这个概念最初是由控制科学与工程的教授邓聚龙提出的。按照控制论的惯例，颜色一般代表的是对于一个系统我们已知的信息的多少，白色就代表信息充足，比如一个力学系统，元素之间的关系都是能够确定的，这就是一个白色系统；而黑色系统代表我们对于其中的结构并不清楚的系统，通常叫做黑箱或黑盒的就是这类系统。灰色介于两者之间，表示我们只对该系统有部分了解。） 2.举例 为了说明灰色关联度分析的应用场景，我们利用下图进行说明： 该图研究的内容是旅游业发展的影响因子，看该表格，第一行为五年的旅游总收入，代表着旅游业发展的程度，而下面的这些要素就是我们需要分析的因子，比如在校大学生数

img = image/255.0 img = image/127.5 - 1 这两种对图像处理方式都是进行归一化， 1、归一化的范围为【0,1】 还原：img * 255.0 2、范围为【-1,1】 还原：(img + 1.) * 127.5 来源： CSDN 作者： 深夜dog 链接： https://blog.csdn.net/qq_37749442/article/details/98495617

简述 RGB颜色模型是数字图像中比较常见的一种颜色模型，能够反映此时此刻图像中RGB的分布。但是在实际图像处理中，往往会碰到一个比较头疼的问题，就是图像的RGB容易受光照的影响，也就是说，同一位置，不同光照强度会导致图像的RGB值发生很大变化。 那我们如何消除光照导致的影响呢？其实有两种方式: 1、将RGB转换成HSV中的H，即色调。转换公式： max=max(R,G,B)； min=min(R,G,B)； V=max(R,G,B)； S=(max-min)/max； if (R = max) H =(G-B)/(max-min)* 60； if (G = max) H = 120+(B-R)/(max-min)* 60； if (B = max) H = 240 +(R-G)/(max-min)* 60； if (H < 0) H = H+ 360； 2、 对RGB值进行归一化（本文介绍的重点） 归一化公式： r = R / (R+G+B) ; g = B / (R+G+B) ; b = 1 - r - g ; RGB归一化 为什么使用归一化后，可以消除光照的影响呢？这里举个例子 t1时刻，像素值为（20， 40， 60），而由于受到光照的影响，t2时刻，像素值为（40， 80， 120），这样可以看出，光照对RGB的影响还是蛮大的。 对t1时刻和t2时刻的像素分别做归一化处理

一、图像归一化的好处： 1、转换成标准模式，防止仿射变换的影响。 2、减小几何变换的影响。 3、加快梯度下降求最优解的速度。 二、图像归一化的方法 1、线性函数转换，表达式如下： y=(x-MinValue)/(MaxValue-MinValue) 说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。 2、对数函数转换，表达式如下： y=log10(x) 说明：以10为底的对数函数转换。 3、反余切函数转换，表达式如下： y=atan(x)*2/PI 三、线性函数转换代码（matlab） %% 图像归一化 clc clear close all image = imread('E:\裂纹\a\3\53.bmp'); image = rgb2gray(image); figure imshow(image); image = double(image); image_minGray = min(min(image)); image_maxGray = max(max(image)); image_distance = image_maxGray-image_minGray; min_Gray = 0; max_Gray = 255; image_normalization = (image-image_minGray)/image

一、简介 图像归一化是计算机视觉、模式识别等领域广泛使用的一种技术。所谓图像归一化, 就是通过一系列变换, 将待处理的原始图像转换成相应的唯一标准形式(该标准形式图像对平移、旋转、缩放等仿射变换具有不变特性)。 近年来, 基于矩的图像归一化技术受到了人们的普遍关注, 其基本工作原理为: 首先利用图像中对仿射变换具有不变性的矩来确定变换函数的参数, 然后利用此参数确定的变换函数把原始图像变换为一个标准形式的图像(该图像与仿射变换无关)。 一般说来, 基于矩的图像归一化过程包括 4 个步骤 即坐标中心化、x-shearing 归一化、缩放归一化和旋转归一化。 基本上归一化思想是利用图像的不变矩寻找一组参数使其能够消除其他变换函数对图像变换的影响。也就是转换成唯一的标准形式以抵抗仿射变换。图像归一化使得图像可以抵抗几何变换的攻击，它能够找出图像中的那些不变量，从而得知这些图像原本就是一样的或者一个系列的。以下你要知道的： 1.归一化处理并没有改变图像的对比度 2.归一化处理很简单，假设原图像是8位灰度图像，那么读入的像素矩阵最大值为256，最小值为1，定义矩阵为I，J＝I／256，就是归一化的图像矩阵，就是说归一化之后所有的像素值都在［0，1］区间内。 二、什么是归一化 归一化就是通过一系列变换（即利用图像的不变矩寻找一组参数使其能够消除其他变换函数对图像变换的影响）

opencv 2 归一化函数normalize详解 1. 归一化定义与作用 归一化 就是要把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。首先归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快。归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在某个区间上是统计的坐标分布。归一化有同一、统一和合一的意思。 归一化的目的 简而言之，是使得没有可比性的数据变得具有可比性，同时又保持相比较的两个数据之间的相对关系，如大小关系；或是为了作图，原来很难在一张图上作出来，归一化后就可以很方便的给出图上的相对位置等。 在使用机器学习算法的数据预处理阶段，归一化也是非常重要的一个步骤。例如在应用SVM之前，缩放是非常重要的。Sarle的神经网络FAQ的第二部分（1997）阐述了缩放的重要性，大多数注意事项也适用于SVM。缩放的最主要优点是能够避免大数值区间的属性过分支配了小数值区间的属性。另一个优点能避免计算过程中数值复杂度。因为关键值通常依赖特征向量的内积（inner products），例如，线性核和多项式核，属性的大数值可能会导致数值问题。我们推荐将每个属性线性缩放到区间[-1,+1]或者[0, 1]。 当然，我们必须使用同样的方法缩放训练数据和测试数据。例如，假设我们把训练数据的第一个属性从[-10,+10]缩放到[-1,

normalize normalize(hist1,hist1,1.0,0.0,NORM_MINMAX); 把hist1的值归一化到0~1这个范围，归一化过程中是以归一化前hist1中的最大值为分母进行归一化。 来源： CSDN 作者： 纳兰小僧属马 链接： https://blog.csdn.net/u011484045/article/details/43312385

一、编程环境： OpenCV 4.1.0 IDE Visual Studio 2017 Enterprise (15.9.13) 操作系统 Windows 10 x64 中文专业版 (1903) 二、归一化： 归一化就是要把需要处理的数据经过处理后（通过某种算法）限制在一定范围的之内。 首先归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快。 归一化的具体作用是归纳统一样本的统计分布性。 归一化在0-1之间是统计的概率分布，归一化在某个区间上是统计的坐标分布。归一化有同一、统一和合一的意思。 归一化的目的，是使得没有可比性的数据变得具有可比性，同时又保持相比较的两个数据之间的相对关系，如大小关系；或是为了作图，原来很难在一张图上作出来，归一化后就可以很方便的给出图上的相对位置等。 三、归一化的方式：（在 base.hpp 中定义） 在 OpenCV 4.1.0 中定义了 9 种方式： enum NormTypes { NORM_INF = 1, NORM_L1 = 2, NORM_L2 = 4, NORM_L2SQR = 5, NORM_HAMMING = 6, NORM_HAMMING2 = 7, NORM_TYPE_MASK = 7, NORM_RELATIVE = 8, NORM_MINMAX = 32 }; 四、OpenCV 归一化函数：normalize（）

OpenCV像素值归一化 1.L1归一化:NORM_L1 2.L2归一化:NORM_L2 3.INF归一化:NORM_INF 4.MINMAX归一化:NORM_MINMAX 5.完整代码 像素值归一化 就是要把图片像素值数据经过某种算法 限制在需要的一定范围内 。归一化可以使没有可比性的数据变得具有可比性，同时保持相比较的数据之间的相对关系。OpenCV提供了四种图片像素归一化的方法： L1归一化 : NORM_L1 L2归一化 : NORM_L2 INF归一化 : NORM_INF MINMAX归一化 : NORM_MINMAX(最常用） 使用的API是normalize(): void normalize ( InputArray src , //输入图片 InputOutputArray dst , //输出图片 double alpha = 1 , //norm_type = NORM_MINMAX时下限 double beta = 0 , //norm_type = NORM_MINMAX时上限,norm_type = NORM_INF时最大值 int norm_type = NORM_L2 , int dtype = - 1 , //输出type与输入type相同 InputArray mask = noArray ( ) ) ; 下面以20,80

为什么要进行图像预处理？大概是为了 （1）使得原始图像符合某种既定规则，便于后续处理。 （2）去除图像中的影响后续处理精度、准确度的因素，如噪声等。 （3）在正式处理前进行处理，减少后续的运算量，加速收敛（为什么会提高收敛速度，可以参见这篇博文 图像数据预处理对收敛速度的影响 ），提高后续步骤的可靠性。 大概分为去均值、归一化、PCA、白化几种。 假定数据表示成矩阵为X，其中我们假定X是[N*D]维矩阵，N是样本数据量，D为单张图片的数据向量长度。假设要处理的图像是5*5的彩色图像，那么D即5*5*3=75（因为彩色图像有三个通道），假设N=1000，那么X就是10000*75的矩阵，即1000行图像的信息，每一行代表一个图像的信息。 去均值： 对待训练的每一张图片的特征，都减去全部训练集图片的特征均值，这么做的直观意义就是，我们把输入数据各个维度的数据都中心化到0了（比如数据集3 、5 、7，其均值为5，各减去5后的数据集变为-2、0、2，此时平均值为0）。这么做的目的是减小计算量，把数据从原先的标准坐标系下的一个个向量组成的矩阵，变成以这些向量的均值为原点建立的坐标系，使用python的numpy工具包，这一步可以用X -= np.mean(X, axis = 0)轻松实现。 归一化： 归一化是保证所有的维度上数据都在一个变化幅度上。 比如预测房价的例子中