python opencv-11图像像素归一化

预备知识
归一化
归一化就是要把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。

首先归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快。归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在某个区间上是统计的坐标分布。归一化有同一、统一和合一的意思。

归一化的目的，是使得没有可比性的数据变得具有可比性，同时又保持相比较的两个数据之间的相对关系，如大小关系；或是为了作图，原来很难在一张图上作出来，归一化后就可以很方便的给出图上的相对位置等。

opencv中提供了四种归一化的方法：
NORM_MINMAX
NORM_INF
NORM_L1
NORM_L2
最常用的就是NORM_MINMAX归一化方法

L1 归一化（依据是：和为1） L2 归一化（依据是：单位向量为1，也即每个数除以 根号下所有数的平方和）
2.0+8.0+10.0=20
2.0 0.1 （2.0/20.0）
8.0 0.4 （8.0/20.0）
10.0 0.5 （10.0/20.0）

L2 归一化（依据是：单位向量为1，也即每个数除以 根号下所有数的平方和）

2.0 0.15
8.0 0.62
10.0 0.77

NORM_INF 归一化（依据是：最大值）
2.0 0.2 (2.0/10.0)
8.0 0.8 (8.0/10.0)
10.0 1.0 (10.0/10.0)

NORM_MINMAX 归一化（依据是：delta=max-min,也即最小值为0，最大值为1）
2.0 0.0 (0.0/8.0)
8.0 0.75 (6.0/8.0)
10.0 1.0 (8.0/8.0)

import cv2 as cv
import numpy as np

src=cv.imread(r’C:\Users\zs\Desktop\defm.jpg’)
cv.namedWindow(‘input’,cv.WINDOW_AUTOSIZE)
cv.imshow(‘input’,src)
gray=cv.cvtColor(src,cv.COLOR_BGR2GRAY)

gray=np.float32(gray)
print(gray)

dst=np.zeros(gray.shape,dtype=np.float32)
cv.normalize(gray,dst=dst,alpha=0,beta=1.0,norm_type=cv.NORM_MINMAX)
#alpha和beta的意义是，alpha:range normalization模式的最小值
beta:range normalization模式的最大值，不用于norm normalization(范数归一化）模式
print(dst)
cv.imshow(‘NORM_MINMAX’,np.uint8(dst*255)) #NORM_MINMAX:数组的数值被平移或缩放到一个指定的范围，线性归一化，一般较常用

dst=np.zeros(gray.shape,dtype=np.float32)
cv.normalize(gray,dst=dst,alpha=1.0,beta=0,norm_type=cv.NORM_INF)#NORM_INF:归一化数组的C-范数(绝对值的最大值)
print(dst)
cv.imshow(‘NORM_L1’,np.uint8(dst*10000000))#NORM_L1 : 归一化数组的L1-范数(绝对值的和)

dst=np.zeros(gray.shape,dtype=np.float32)
cv.normalize(gray,dst=dst,alpha=1.0,beta=0,norm_type=cv.NORM_L2)#NORM_L2: 归一化数组的(欧几里德)L2-范数
print(dst)
cv.imshow(‘NORM_L2’,np.uint8(dst*10000))

cv.waitKey(0)
cv.destroyAllWindows()