负数如何归一化处理_小白的图像处理入门(一)

这学期有两门课程与图像处理有关，一门是图像处理与内容分析(数字图像处理+机器学习)，另一门SLAM课程，SLAM的全称为Simutaneously Localization and Mapping，具体来说就是即使获取图像，处理图像并进行路径规划与场景建模，下面是第一次作业的小结

作业1:实现SSD算法：

SSD算法的思路很简单，假设要找的模块为target, 找的对象是img, 那就不断从img里面截取target大小的子图像，然后计算两个模块每个像素灰度值的差的取绝对值，再平方求和得到误差，误差最小的子图就是匹配得出的对象了 ，想法简单很简单,匹配下面这个玩意儿：

但是一看结果。。

这么简单的算法也能出错？？？

然后一番摸索，甚至从原图中抠图再匹配误差仍然大得惊人，输出一看，咋这么多255？

然后一番思索，发现：

原来，图像每个像素灰度值被表示成了np.int8，两个numpy数组在计算差的时候，负数还会补码，吓得赶紧展开成一维的图像进行处理：

后来发现，在很多代码中都采用了展开成一维，再用.dot()运算，运算速度也快了起来，匹配成功

作业2:实现ZNCC算法：

ZNCC，在这篇文章中有详细的写公式Zero Mean Normalized Cross-Correlation，意为零均值归一化交叉熵，零均值肯定要每项减去均值，归一化意味着要除以标准差，交叉熵体现在两个图片'向量'的点乘上，如果说SSD关注的是像素上的相似性，那么ZNCC关注的，更多是结构上的相似性。

为了证明上述猜测，可以对原图进行Histogram Specification，即直方图特例化，向检测目标进行转换，图为转化前，参考图，以及转化后图

特例化后，SSD算法明显变好

ZNCC算法评价指标可有下式子计算：