python方差标准差归一化预测值怎么还原,用均值和标准差对R中的图像进行归一化处理...

这里没有机器学习者！在

我正在尝试规范化R中的图像，因为我计划将它们提交到R中的机器学习野生动物图像分类(MLWIC)包中进行分类

该软件包的作者提到，在对图像进行分类之前，应该将它们的大小调整为256 x 256像素(非常容易)，然后进行标准化。他们引用了本附录中可用的方法(Norouzzadeh et al 2018，code here))。在

简言之，规范化过程是使用python命令执行的，对于图像中的每个颜色通道，“减去平均值并除以像素的方差”。在

他们使用的python函数的文档tf.image.per_image_standardization()声明：Linearly scales image to have zero mean and unit variance.

This op computes (x - mean) / adjusted_stddev, where mean is the average of all values in image, and adjusted_stddev = max(stddev, 1.0/sqrt(image.NumElements())).

如果我试图在R中复制此过程。然而，当我试图在R中重写tf.image.per_image_standardization()函数时，它会将图像从每个颜色通道中的范围[0,1]更改为例如-1.85到1.85的范围。结果图像看起来不像上面链接的附录中显示的饱和图像。在

原图如下：

这是经过处理的图像，它看起来应该是：

我尝试过的代码：library(imager)

library(tidyverse)

ante

plot(ante)

normalize

ante %>%

imsplit("c") %>%

modify_at(1, normalize) %>%

modify_at(2, normalize) %>%

modify_at(3, normalize) %>%

imappend("c") %>%

plot()

我也尝试了以下方法，得到的图像看起来比原始图像更饱和，但它没有使用均值或标准差。。。在

^{pr2}$

我做错什么了？