图像处理时常见的L1-normalize 和L2-normalize是什么

当一幅图像用某种特征表示出来，一般要进行L1-normalize或者是L2-normalize。

假设一幅图像表示为Y=[x1 x2 x3 x4 x5],

L1-normalize的结果为：

L2-normalize的结果为：

通过L1或L2标准化的图像特征往往具有良好的效果。

顺便提一下tensorflow中 l2_normalize函数的实现：
tf.nn.l2_normalize(x, dim, epsilon=1e-12, name=None)

解释：这个函数的作用是利用 L2 范数对指定维度 dim 进行标准化。

比如，对于一个一维的张量，指定维度 dim = 0，那么计算结果为：

output = x / sqrt( max( sum( x ** 2 ) , epsilon ) )

假设 x 是多维度的，那么标准化只会独立的对维度 dim 进行，不会影响到别的维度。
import tensorflow as tf

a=tf.constant([[1,1],[2,2],[3,3]],dtype=tf.float32)

with tf.Session() as sess:
print(sess.run(tf.nn.l2_normalize(a, [0])))
sess.close()

输出结果：

[[ 0.26726124 0.26726124]
[ 0.53452247 0.53452247]
[ 0.80178368 0.80178368]]