OpenCV：normalize函数原理及应用

1. 函数原型

void cv::normalize(InputArry src,
                   InputOutputArray dst,
                   double alpha=1,
                   double beta=0,
                   int norm_type=NORM_L2,
                   int dtype=-1,
                   InputArray mark=noArry())

2. 函数作用归一化数据。

该函数分为范围归一化与数据值归一化。

经常应用在将数值限定在一个范围，以便使用同一套阈值参数的情况；

3. 函数参数

src               输入数组；
dst               输出数组，数组的大小和原数组一致；
alpha           1-用来规范值，2-规范范围，并且是下限；
beta             只用来规范范围并且是上限；
norm_type   归一化选择的数学公式类型；
dtype           当为负，输出的宽高通道数都等于输入，

                    当为正，输出只在深度与输入不同，不同的地方由dtype决定；
mark            掩码。选择感兴趣区域，选定后只能对该区域进行操作。

4. 归一化选择的数学公式类型介绍（norm_type）
设数组中原有{A1,A2,A3...An}
NORM_L1:

                                          
NORM_INF:

                                         
NORM_L2:

                                         
NORM_MINMAX:（AK不属于{max(Ai)},min(Ai),当AK等于max(Ai)时p=1，等于min(Ai)时p=0）

                                                              

5.举例说明:
src={10,23,71}

NORM_L1运算后得到    dst={0.096, 0.221, 0.683}

NORM_INF运算后得到  dst={0.141, 0.324, 1}

NORM_L2运算后得到   dst={0.133, 0.307, 0.947}

NORM_MINMAX运算得到 dst={0, 0.377, 1}

6.范围归一化与值归一化的区别

区别一：范围归一化使用的是如下式子，设范围为【0，255】

                                

即把src缩放到【0，255】这个范围内，并不使用上面的4个公式去解。

区别二：使用范围归一化时，beta必有值不等于0

 

7. 举例说明：
（1）值归一化：

#include<opencv2/opencv.hpp>
#include<iostream>
 
using namespace std;
 
int main()
{
    vector<double>a={ 10,11,234,45,65,456,0 };
    cv::normalize(a, a, 1, 0, cv::NORM_MINMAX);
    for (int i=0;i < a.size();i++)
    {
        cout << a[i] << endl;
    }
    return 0;
}

结果如下：

                                                                    

（2）范围归一化

#include<opencv2/opencv.hpp>
#include<iostream>
 
using namespace std;
 
int main()
{
    vector<double>a={ 10,11,234,45,65,456,0 };
    cv::normalize(a, a, 0, 255, cv::NORM_MINMAX);
    for (int i=0;i < a.size();i++)
    {
        cout << a[i] << endl;
    }
    return 0;
}

结果如下：

                                                                

参考文献：

1. https://blog.csdn.net/cosmispower/article/details/64457406