图像处理中的中心化、归一化与白化

Paul-LangJun

已于 2022-02-17 14:05:05 修改

阅读量4.9k

点赞数

文章标签：计算机视觉图像识别深度学习 python

于 2021-01-19 18:33:35 首次发布

本文链接：https://blog.csdn.net/gaoxueyi551/article/details/112845638

版权

图像分类任务中，深度学习模型通常需要对输入图像进行预处理，如中心化、归一化和白化。中心化使图像像素均值为0，加速模型收敛；归一化确保0均值和单位方差，降低光照和反射率影响；白化则进一步消除维度间相关性，增强模型的特征提取能力。本文通过实例代码详细解释了这三个概念。

摘要由CSDN通过智能技术生成

一、背景

图像分类是深度学习中常见的任务，在进行模型的训练时，经常需要对图片进行一些预处理后才能很好的训练模型。这些预处理的作用是什么，有什么区别，本文结合实例和代码，对此做一个综合性的讲解。为了代码实现方便，本文使用的图像是灰度图，至于RGB图像，其实现原理类似，区别仅在于通道数不一致而已。本文采用Lena图像进行说明。

二、中心化

中心化是将每个像素减去图像中所有像素的均值，使得变换后的图像的所有像素的均值变为0，因此有时候也称作0均值中心化，Hindon在ImageNet中获胜的论文中对图像的预处理就使用了中心化。中心化本质上是将所有的像素值在坐标轴上进行了一次平移。下面看一段代码来演示中心化。代码先加载图片，并将图片转为ndarray，打印了中心化之前的部分像素值，中心化后，再次打印了相同位置的部分像素值。

import numpy as np
from numpy import linalg
from PIL import Image

img = Image.open("./lena.jpg")
x = np.array(img, dtype='float32')
print(x[:5,:5])
'''
output:
[[162.