图像处理中的L1-normalize 和L2-normalize

最新推荐文章于 2024-02-21 09:11:18 发布
最新推荐文章于 2024-02-21 09:11:18 发布
阅读量2.6w 收藏 11
点赞数 3
分类专栏： 图像处理 文章标签： 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/a200800170331/article/details/21737741
版权

当一幅图像用某种特征表示出来，一般要进行L1-normalize或者是L2-normalize。

假设一幅图像表示为Y=[x1 x2 x3 x4 x5],

L1-normalize的结果为：


L2-normalize的结果为：


通过L1或L2标准化的图像特征往往具有良好的效果，至于那个更好就需要自己试验。

假设我们提取一个图像库的特征为histograms，其中列为图像标号，行为特征属性，即一列代表一幅图像，L2-normalize的matlab的代码实现为：

histograms = bsxfun(@times, histograms, 1./sqrt(sum(histograms.^2,1))) ;

L1-normalize的

了解本专栏 订阅专栏 解锁全文 超级会员免费看
蝴蝶也可以飞过沧海
关注
  • 3
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
订阅专栏
elm-css-modern-normalize：rtfeldmanelm-css的Elm现代规范化端口
02-17
elm-css-modern-normalize Elm端口，用于的。 安装 elm install hmsk/elm-css-modern-normalize 用法 import Css.ModernNormalize as ModernNormalize view : Model -> Html Msg view _ = [ ModernNormalize . globalHtml -- Your application view comes here ] elm-css友好功能 import Css exposing ( color , hex ) import Css.Global exposing ( global , selector ) import Css.ModernNormalize as ModernNormalize imp
图像处理时常见的L1-normalize 和L2-normalize是什么
baicaiBC3的博客
04-07 728
OpenCV中的normalize函数以及NORM_MINMAX、NORM_INF、NORM_L1、NORM_L2具体应用介绍
最新发布
xiaofeixia002X的博客
02-21 1425
NORM_MINMAX适用于需要将数据规范化到相同尺度的场景。NORM_INF适用于需要控制数据的最大值不超过特定阈值的场景。NORM_L1适用于需要稀疏解的场景，如特征选择或构建稀疏模型。NORM_L2适用于需要平滑解、防止过拟合的场景，如机器学习中的正则化处理。
path-normalize:零依赖的面向浏览器的path.normalize
05-04
路径归一化 零依赖的面向浏览器的path.normalize 。 path-normalize与不同； normalize-path仅处理斜杠，而此lib是POSIX path.normalize 。 path.normalize于浏览器的版本path.normalize中的path.normalize 。 path-normalize也不同于Node的path.normalize 。 path-normalize处理uri编码的字符串。 该库的大部分直接来自。 安装 npm i path-normalize 用法 const normalize = require ( 'path-normalize' ) const normal = ( somePath ) => normalize ( somePath ) 现实世界中的例子： import normalize from '
ffmpeg-normalize:Pythonffmpeg的音频规范化
05-13
ffmpeg标准化 使用ffmpeg批量标准化音频的实用程序。 此程序使用EBU R128响度归一化过程将媒体文件归一化为特定的响度级别。 它还可以执行基于RMS的归一化（均值被提升或衰减），或将峰归一化到某个目标水平。 可以对多个输入文件（包括视频文件）进行批处理。 一个非常快速的方法： 安装ffmpeg 运行pip3 install ffmpeg-normalize 运行ffmpeg-normalize /path/to/your/file.mp4 完毕！ :headphone: 继续阅读以获取更多信息。 内容： 环境变量 常问问题 要求 Python 3.6或更高版本 在$ PATH中安装的来自http://ffmpeg.org/的ffmpeg v3.1或更高版本 安装 pip3 install ffmpeg-normalize 或下载此存储库，然后运行pip install
composer-normalize-action:+提供运行ergebniscomposer-normalize的GitHub操作
05-07
作曲家规范化行动 这个动作是做什么的？ 此操作运行 。 用法 在.github/workflows/continuous-integration.yml定义工作流程（或者，如果您已经定义了工作流程，则添加作业）。 :light_bulb: 阅读有关更多信息。 默认行为 默认情况下，此操作将运行 $ composer normalize 在工作目录中。 当您在具有默认行为的步骤中使用此操作时，该步骤将在以下情况下失败： composer.json在此目录中不存在（请确保首先签出代码，请参阅 ） composer.json无效 composer.json有效，但composer.lock的最新信息不是composer.json 当该步骤成功时 composer.json有效， composer.lock不存在，且composer.json尚未规范化或可以成功规范化 composer.json有效， c
归一化、标准化、单位化方法的总结
易大飞
07-20 1万+
无论传统图像处理，还是深度学习，我们经常会听说存在L1 normalization，L2 normalization，那么这些归一化是什么呢？在统计学习中，归一化的具体作用是归纳归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-1~+1之间是统计的坐标分布。即该函数在（负无穷，正无穷）的积分为1。 下图为pytorch官网normalize的定义和实现方程 从公式中可以看出这是一个Lp normalize，p表示1,2，...，n。sigma是一个极小的小数，为了防止分母为
tf.nn学习之l2_normalize（tf.math.l2_normalize）
spiderfu的博客
06-05 5598
现在都统一称呼为tf.math.l2_normalize tf1.15版本 别名： tf.compat.v1.linalg.l2_normalize tf.compat.v1.math.l2_normalize tf.compat.v1.nn.l2_normalize tf.linalg.l2_normalize tf.nn.l2_normalize 作用 对于axis = 0的1-D张量,计算如下： output = x / sqrt(max(sum(x**2), epsilon)) 对于具有更多维度的
tf.nn.l2_normalize L2范化函数详解
dingding的专栏
09-14 4786
tf.nn.l2_normalize(x, dim, epsilon=1e-12, name=None) 上式： x为输入的向量； dim为l2范化的维数，dim取值为0或0或1；取0为按列范化，取1为按行范化，也可以取其他数值 epsilon的范化的最小值边界； 举例: import tensorflow as tf input_data = tf.constant([[1.0,2,...
深度学习基础知识（三）--- Normalization 规范化 操作
朝花&夕拾
12-29 4976
本文部分过程和图片来源于以下参考资料 参考资料： 知乎专栏 - 张俊林 - 深度学习中的Normalization模型 - https://zhuanlan.zhihu.com/p/43200897 知乎专栏 - Juliuszh - 详解深度学习中的Normalization，BN/LN/WN - https://zhuanlan.zhihu.com/p/33173246 CSDN ...
react-native-normalize:小型而简单的软件包，有助于使您的React Native应用轻松响应
05-02
没有normalize 用normalize React本机规范化 react-native-normalize是一个小型且简单的软件包，有助于使您的React Native应用轻松响应。 它带有normalize的功能，该功能将根据屏幕的宽度或高度调整值，因此您可以...
神经网络常用归一化和正则化方法解析（二）
张小殊的博客
12-08 5612
神经网络中的归一化和正则化是为了提高训练稳定性、加速收敛、减少过拟合等目的而采取的一系列技术手段，本文对常见的正则化方法L1正则化、L2正则化、dropout 和 Early Stopping进行介绍。
Normalization(标准化)的原理和实现详解
热门推荐
Dongdong Bai's Blogs
10-08 4万+
Normalization这个名词在很多地方都会出现，但是对于数据却有两种截然不同且容易混淆的处理过程。对于某个多特征的机器学习数据集来说，第一种Normalization是对于将数据进行预处理时进行的操作，是对于数据集的各个特征分别进行处理，主要包括min-max normalization、Z-score normalization、 log函数转换和atan函数转换等。第二种Normaliza
L2 normalization和L1，L2 regulation
qq_39068872的博客
09-18 5181
L2 Normalization 第二种Normalization对于每个样本缩放到单位范数（每个样本的范数为1），主要有L1-normalization（L1范数）、L2-normalization（L2范数）等 Normalization主要思想是对每个样本计算其p-范数，然后对该样本中每个元素除以该范数，这样处理的结果是使得每个处理后样本的p-范数（比如l1-norm,l2-norm）等于1...
如何用Keras的Lambda函数编写L1、L2、Ln-normalize（避坑指南）
qq_39640572的博客
04-16 1791
00 使用函数和库 Tensorflow Keras(backend:Tensorflow) Lambda tf.div tf.norm 01 代码 OUT_LAYER = Lambda(lambda x: tf.div(x,tf.norm(x,n,axis=1,keep_dims=True)),name='ln_norm1')(IN_LAYER) #IN_LAYER DATA...
sklearn的normalize参数l1、l2或 max
陌养的编程之路
07-18 840
l2每个特征的每一个元素都除以该特征的平方和开根号。l1每个特征的每一个元素都除以该特征的绝对值之和。max每个特征的每一个元素都除以该特征中的最大值。
深度学习（二十四）——L2 Normalization, Attention（1）
antkillerfarm的专栏
05-28 2万+
L2 Normalization L2 Normalization本身并不复杂，然而多数资料都只提到1维的L2 Normalization的计算公式： x=[x1,x2,…,xd]y=[y1,y2,…,yd]y=x∑di=1x2i‾‾‾‾‾‾‾√=xxTx‾‾‾‾√x=[x1,x2,…,xd]y=[y1,y2,…,yd]y=x∑i=1dxi2=xxTxx=[x_1,x_2,\dots,x_...
tensorflow的tf.nn.l2_normalize()与tf.norm()
lishanlu136的博客
04-22 1万+
tensorflow的归一化在很多时候都会用到，tensorflow代码里面也有多个实现方式，下面主要以L2归一化来讲解。 tf.nn.l2_normalize() 函数原型：l2_normalize(x, dim, epsilon=1e-12, name=None) x为输入的向量； dim为指定按哪个维度求l2范化，dim取值为0或1，0代表列，1代表行； epsilon为l2...
opencv中normalize数
05-11
在 OpenCV 中，normalize 函数用于对图像进行归一化处理，使其像素值范围在指定的范围内。其函数原型如下： ```python cv2.normalize(src, dst, alpha, beta, norm_type, dtype, mask) ``` 其中，`src` 表示输入图像，`dst` 表示输出图像，`alpha` 和 `beta` 分别表示归一化后的最小值和最大值，`norm_type` 表示归一化类型，`dtype` 表示输出图像的数据类型，`mask` 表示掩膜。 归一化类型 `norm_type` 可以是以下几种： - `cv2.NORM_INF`：取绝对值后的最大值； - `cv2.NORM_L1`：所有元素的绝对值之和； - `cv2.NORM_L2`：所有元素的平方和再开方。 例如，将图像归一化到 0 到 255 的范围内，可以使用以下代码： ```python import cv2 img = cv2.imread('test.jpg') dst = cv2.normalize(img, None, 0, 255, cv2.NORM_MINMAX) ``` 其中，`dst` 表示归一化后的图像。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值