数据的归一化变换

  数据归一化在数值计算文献中也被称为预条件处理，它在DLT（Direct Linear Transform）算法中是实质性的，而非可有可无。数据归一化对于条件数（数值分析中，一个问题的条件数是该数量在数值计算中的容易程度的衡量，也就是该问题的适定性。一个低条件数的问题称为良态的，而高条件数的问题称为病态的。）不太好的问题尤为重要，比如多视几何中的基本矩阵和三焦点张量的计算。归一化变换的一般步骤如下：

1. 对点进行平移使其形心位于原点。
     首先计算点集的形心（即中心），然后将所有点坐标都减去形心即可。
2. 对点进行缩放使它们到原点的平均距离等于√2。
     比如，对于用齐次坐标表示的二维图像点，这意味着变换后“平均”点为(1, 1, 1)^T。如果在变换过程中，对所有坐标维度应用的缩放因子是一样的，则该变换称为各向同性缩放。反之，则是非各向同性缩放，它一般是使得各个坐标维度变换后具有相同的尺度，变换结果形如一个“圆”。需要注意的是，非各向同性缩放会增加额外的开销，且其结果并不比各向同性缩放有显著的提高。
3. 若有多个独立数据，则分别对其独立进行上述变换。
4. 变换后即可进行计算，最后再将计算结果进行解除归一化即可。

  对数据进行归一化变换有两个好处：

1. 可以提高数据的精度
2. 使算法关于相似变换（缩放、平移）不变。即，无论选择的数据的尺度大小和坐标原点位置是如何的，经过归一化后，其都是一致的。这是因为，归一化步骤通过为测量数据选择有效的标准坐标系，预先消除了坐标变换的影响。