64、图片预处理：Normalize

最新推荐文章于 2024-01-18 17:15:28 发布
最新推荐文章于 2024-01-18 17:15:28 发布
阅读量760 收藏 15
点赞数 12
分类专栏： CV视觉算法入门与调优 文章标签： 人工智能
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/dongtuoc/article/details/135491520
版权

上一篇介绍了图像预处理中 resize 和 crop 的概念，在仓库的 python 预处理函数中，在 resize 和 crop之后，还有几个预处理的过程：一个是归一化，另外就是transpose 和reshape。

这一节就介绍一下，为什么在推理之前还需要对图像进行归一化。

归一化（Normalization）

在深度学习中，推理或训练之前对图像进行预处理，特别是归一化，是一种非常常见的做法。

那为什么要做归一化呢？

使用归一化的目的是将输入数据进行标准化，使输入的数据具有相似的分布。

什么意思呢？我们以图像举例子，不同的图片之间数据分布差异是很大的，有些图片的像素值普遍偏大，而有些图片的像素值偏小。

数据分布的不同，会导致神经网络在训练或者推理时出现较大的偏差，有时会导致训练收敛困难，推理误差较大。

这一点我们在介绍bn算法的时候曾经说到过，Bn 算法就是为了纠正在隐藏层与层之间，由于数据分布不一致而导致的模型难以收敛的问题，可以翻回到 bn 介绍的那一节再复习一下。

所以在将不同的图片送给神经网络进行推理之前，我们也需要对不同的图片中数据分布进行归一化，以纠正不同图片样本之间的数据偏差，从而使得模型更好地完成推理。

归

了解本专栏 订阅专栏 解锁全文 超级会员免费看
董董灿是个攻城狮
关注
  • 12
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
像 ds2nfu:normalize 这样的函数-matlab开发
05-31
标准化
图像数据的 normalization
04-06 2198
Normalization的方法 matlab 工具函数（三）—— normalize（归一化数据）1. 加载指定标准差的噪声
图片数据归一化normalize（python脚本）
pytorch内部机制解读
01-25 3259
调用opencv的normalize函数完成图片数据归一化到0-1的值，最后再乘以255. 版本：python3.6 import os import io import math import sys import cv2 import shutil import random import numpy as np from collections import namedtuple, OrderedDict label_names = ['person','car','bus','truc
使用normalize对照片进行归一化，同时在tensorboard中查看
weixin_58349723的博客
01-18 519
这里有几个要注意的点，首先是关于控制台中打开tensorboard的链接，有时候会发现链接点开以后找不到文件，这是因为控制台中的路径不对，你要在控制台中cd到你生成图片的文件夹的上一级，才行，其次这里的normalize中的参数，均值和标准差是我上一篇文章的代码的输出结果。
Opencv学习之：将图片的值进行范围调整 cv2.normalize()
qq_42902997的博客
01-23 3万+
cv2.normalize() 指定将图片的值放缩到 0-255 之间 array = cv2.normalize(array,None,0,255,cv2.NORM_MINMAX) cv2.NORM_MINMAX ：使用的放缩方式是 min_max 的方式 其对应的原理是： x^=x−minmax−min∗(max′−min′)+min′\hat{x} = \frac{x-min}{max-min} * (max^{'}-min^{'}) + min^{'}x^=max−minx−min​∗(ma
【知识---如何进行图像数据的归一化呢（normalize）】
最新发布
fyc300的博客
01-18 957
图像归一化是指对图像进行了一系列标准的处理变换，使之变换为一固定标准形式的过程，该标准图像称作归一化图像。这些归一化方法可以提高模型训练的稳定性和收敛速度，同时有助于防止模型对输入数据的敏感性过大。选择合适的归一化方法通常取决于模型的架构和训练数据的特性。在使用深度学习框架时，通常会提供一些内置的归一化层或转换函数，简化了这个过程。
图像处理中Normalization的应用
weixin_42182906的博客
03-25 6158
在图像处理中，normalization是一个**改变像素强度值范围**的过程。
MindSpore:对image作normalize的目的是什么?
weixin_45666880的博客
07-30 718
一次rescale=1/255还有一次rescale_nml=1/0.3081，这两次为什么不合并起来呢？这里的rescale_nml=1/0.3081和下面shift_nml=-1*0.1307/0.3081，这里的小数0.3081和0.3081是怎么得出的呢？在咱们MindSpore官网中有教程示例，解释了对图片数据操作的目的，给您参考，如果有使用上的问题，欢迎继续提问。目前还有一个问题，就是这个MNIST的数据集，它的标准差和均值是怎么算出来的呢？//归一化至[0.0,1.0]...
如何显示经过Normalize的图像数据
贱贱的剑
04-24 2619
我们将过行归一化的图片数据显示出来后会发现不是正常的图片。因此需要进行反归一化操作。 当我们需要将Normalize之后的图片显示出来的时间，如果数字相同还好，否则很是麻烦。经过研究了一番之后写出了一个比较通用的方法。如下 比如ImageNet的数据Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]。进行下如操作 import matplotlib.pyplot as plt def inverse_normalize(batch_image,
opencv学习-011-图像像素归一化（normalize）
kuanyew的博客
10-22 4130
opencv学习-011-图像像素归一化（normalize） #include <opencv2/opencv.hpp> #include <iostream> using namespace cv; using namespace std; int main(int argc, const char *argv[]) { Mat src = imread("E:/Desktop/y.jpg"); if (src.empty()) { printf("could not
normalize.styl:normalize.css v3.0.3 的手写笔端口
06-07
规范化样式 v3.0.3 的 Stylus 端口安装npm： npm install --save normalize.styl凉亭： bower install --save normalize-styl执照MIT（与 normalize.css 相同）
defaults.css:normalize.css扩展，带有明显的重置和默认设置
05-17
normalize.css扩展，带有明显的重置和默认设置 显着的重置： 填充物，边距 在边框fieldset ， iframe audio ， canvas ， iframe ， img ， svg ， video元素后的间距 默认值： 全局设置box-sizing以inherit父值...
ffmpeg-normalize:使用ffmpeg进行音频响度标准化
05-14
安装npm install ffmpeg-normalize用法埃布R128 const normalize = require ( 'ffmpeg-normalize' ) ;normalize ( { input : 'input.mp4' , output : 'output.mp4' , loudness : { normalization : 'ebuR128' , ...
meteor-normalize:normalize.css ~ HTML 元素和属性样式规范化的集合 ~ 为 Meteor 打包
06-03
流星归一化normalize.css ~ HTML 元素和属性样式规范化的集合 ~ 为 Meteor 打包使用 necolas 的 normalize.css CSS 库。
如何在OpenCV Python中规范化图像？
很酷的站长的博客
01-11 1878
我们使用函数 cv2.normalize（） 来规范化 OPenCV 中的图像。此函数接受参数 -，alpha，beta，norm_type，dtype和掩码。SRC 和 DST 是输入图像和输出，与输入大小相同，alpha 是范围归一化的下限值，是范围归一化的上限范数值，norm_type是归一化类型，是输出的数据类型，掩码是可选的操作。
torchvision.transforms 数据预处理：Normalize()
qq_43799400的博客
11-10 2502
在图像预处理中，Normalize() 通常和 ToTensor() 一起使用。
图像归一化normalization
热门推荐
苏打水的杯子的博客
05-25 5万+
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...
图像直方图正规化(Normalization)数学原理和纯C语言实现
xiaoshixiu的专栏
07-13 1122
图像处理入门系列文章 C语言生成RGB24格式图像纯C语言实现 图像缩放之最近邻内插法数学原理和纯C语言实现 图像直方图均衡化(Equalization)数学原理和纯C语言实现 图像直方图规定化(Specification)数学原理和纯C语言实现 图像直方图正规化(Normalization)数学原理和纯C语言实现 目录 图像处理入门系列文章 一、图像正规化数学原理 1.转化为数学问题 2.需要用到的知识 3.数学推理 二、程序实现 1.程序实现原理 2.代码实现 3.程序
Python 计算机视觉（九）—— OpenCV进行图像平滑
qq_52309640的博客
10-29 5628
这篇文章主要介绍了图像平滑中常用到的几种滤波方法，比如均值滤波、方框滤波、高斯滤波以及中值滤波，参考的文章链接我都粘贴上去了，论文既上传到资源部分也粘贴到了下面，需要的直接查看就可以了
在代码中加入图片数据集的图片预处理相关内容包括：图像去噪、图像增强、图像平滑、图像缩放
05-28
以下是一个加入了图片数据集的图片预处理相关内容的代码示例，包括图像去噪、图像增强、图像平滑和图像缩放： ```python import cv2 import numpy as np import os # 读取图像数据库并进行预处理 database = {} for filename in os.listdir('database'): img = cv2.imread(os.path.join('database', filename)) # 图像去噪 img = cv2.fastNlMeansDenoisingColored(img, None, 10, 10, 7, 21) # 图像增强 clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) img = clahe.apply(img) # 图像平滑 img = cv2.GaussianBlur(img, (3,3), 0) # 图像缩放 img = cv2.resize(img, (256, 256)) # 提取颜色特征 hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) hist = cv2.calcHist([hsv], [0,1], None, [180, 256], [0, 180, 0, 256]) hist = cv2.normalize(hist, hist).flatten() database[filename] = hist # 读取查询图像并进行预处理 query = cv2.imread('query.jpg') # 图像去噪 query = cv2.fastNlMeansDenoisingColored(query, None, 10, 10, 7, 21) # 图像增强 clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) query = cv2.cvtColor(query, cv2.COLOR_BGR2GRAY) query = clahe.apply(query) # 图像平滑 query = cv2.GaussianBlur(query, (3,3), 0) # 图像缩放 query = cv2.resize(query, (256, 256)) # 提取颜色特征 hsv = cv2.cvtColor(query, cv2.COLOR_BGR2HSV) hist = cv2.calcHist([hsv], [0,1], None, [180, 256], [0, 180, 0, 256]) hist = cv2.normalize(hist, hist).flatten() # 计算查询图像与数据库中所有图像的相似度 results = {} for filename, hist_db in database.items(): score = cv2.compareHist(hist, hist_db, cv2.HISTCMP_CORREL) results[filename] = score # 按相似度从高到低排序输出结果 sorted_results = sorted(results.items(), key=lambda x: x[1], reverse=True) for filename, score in sorted_results: print(filename, score) ``` 在这个示例中，我们对每个图像进行了以下预处理： 1. 图像去噪：使用快速非局部均值去噪算法 `cv2.fastNlMeansDenoisingColored()`； 2. 图像增强：使用对比度受限自适应直方图均衡化 (CLAHE) `cv2.createCLAHE()`； 3. 图像平滑：使用高斯滤波器 `cv2.GaussianBlur()`； 4. 图像缩放：使用 `cv2.resize()` 将图像缩放为固定大小。 然后，我们提取了每个图像的颜色特征，并计算查询图像与数据库中所有图像的相似度。最后，我们按相似度从高到低排序并输出结果。

“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
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

打赏作者

董董灿是个攻城狮

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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