对图片做反标准化(python的transformers库实现)

代码测试过程中需要对输出图片做反标准化，相当于以新的均值和标准差对输出图片做标准化，所以只需计算新的均值和标准差即可。

关键步骤：计算新的均值和标准差

像素标准化过程：
$$p^{\prime }=\frac{p-\mu }{\sigma }$$
反标准化过程：
$$\begin{array}{rl}p& =\sigma p^{\prime }+\mu \\ & =\sigma (p^{\prime }+\frac{\mu }{\sigma })\end{array}$$
得到：
$$\{\begin{array}{rl}{\sigma }^{\prime }& =1/\sigma \\ {\mu }^{\prime }& =-\mu {\sigma }^{\prime }\end{array}$$
其中：

$p\in [0,1]$：原图中某像素值
$\mu$：原图像素所在通道均值
$\sigma$：原图像素所在通道标准差
$p^{\prime }\in [0,1]$：标准化后的像素值
${\mu }^{\prime }$：用于反标准化的均值
${\sigma }^{\prime }$：用于反标准化的标准差

Python代码：

from transformers.image_transforms import rescale, normalize
from transformers.image_utils import infer_channel_dimension_format
import numpy as np
from PIL import Image

# 用于标准化的均值和标准差
OPENAI_CLIP_MEAN = np.array([0.48145466, 0.4578275, 0.40821073])
OPENAI_CLIP_STD = np.array([0.26862954, 0.26130258, 0.27577711])
# 原图
image = Image.open('/home/ubuntun/图片/C20210508205013041.jpg')
image.show()

image = np.asarray(image)
input_data_format = infer_channel_dimension_format(image)

# 标准化
after_rescale = rescale(image=image, scale=1/255, input_data_format=input_data_format)
after_normalize = normalize(image=after_rescale, mean=OPENAI_CLIP_MEAN, std=OPENAI_CLIP_STD, input_data_format=input_data_format)

# 新的均值和标准差(关键部分)
DENORMALIZE_STD = 1 / OPENAI_CLIP_STD
DENORMALIZE_MEAN = - OPENAI_CLIP_MEAN * DENORMALIZE_STD

# 反标准化
after_denormalize = normalize(image=after_normalize, mean=DENORMALIZE_MEAN, std=DENORMALIZE_STD, input_data_format=input_data_format)
after_derescale = rescale(image=after_denormalize, scale=255, input_data_format=input_data_format)
# 反标准化后的图（可视化效果应该和原图相同）
image = Image.fromarray(after_derescale.astype(np.uint8))
image.show()