图像归一化与标准化

归一化(Normalization)

一般来说用的是min-max归一化，缩放到0-1之间，即：
$$\frac{X_i-X_{\min }}{X_{\max }-X_{\min }}$$
对于图片来说，由于max是255，min是0，也就是直接除以255就可以完成归一化。

from skimage import io

image = io.imread('1.jpg')
image_norm = image / 255
io.imshow(image)
io.imshow(image_norm)

找张图片测试可以发现归一化前后的图片看起来是完全一样的，只是相应存储的数值不同。

在使用梯度下降法训练神经网络的时候，归一化可以加快梯度下降的求解速度，进而加快网络的收敛。

标准化(standardization)

将数据变换成均值为0，标准差为1的分布(但不一定为正态)：
$$\frac{X_i-\mu }{\sigma }$$

一般来说最常见的是这个：

transforms.Normalize(mean = (0.485, 0.456, 0.406), std = (0.229, 0.224, 0.225))

这个是根据ImageNet数据集计算的，可以作为通用的均值和方差。和归一化不同，标准化会更改图片的观感。

标准化能够使得数据的分布更加均匀，减少模型学到数据分布的可能性，提升模型的泛化能力。