图像数据归一化是将图像的像素值缩放到特定范围内的一种处理方式,常见的归一化操作包括:
(1) 最小-最大归一化(Min-Max Normalization):
计算图像数据中的最小值(min)和最大值(max)。
对每个像素值进行线性变换,将其缩放到指定的范围内,通常是 [0, 1] 或 [-1, 1]。
公式:
归一化后的值
=
原始值
−
最小值
最大值
−
最小值
\text{归一化后的值} = \frac{\text{原始值} - \text{最小值}}{\text{最大值} - \text{最小值}}
归一化后的值=最大值−最小值原始值−最小值
(2)Z-score 标准化(Z-score Normalization):
计算图像数据的均值(mean)和标准差(standard deviation)。
对每个像素值进行线性变换,使其均值为 0,标准差为 1。
公式:
归一化后的值
=
原始值
−
均值
标准差
\text{归一化后的值} = \frac{\text{原始值} - \text{均值}}{\text{标准差}}
归一化后的值=标准差原始值−均值
(3) 均值归一化(Mean Normalization):
计算图像数据的均值。
对每个像素值减去均值,使其均值为 0。
公式:
归一化后的值
=
原始值
−
均值
\text{归一化后的值} = \text{原始值} - \text{均值}
归一化后的值=原始值−均值
(4) 范围缩放(Scale):
将图像数据的范围缩放到特定范围内,如 [0, 255] 或 [0, 100]。
公式:
归一化后的值
=
原始值
×
新范围
原始范围
\text{归一化后的值} = \text{原始值} \times \frac{\text{新范围}}{\text{原始范围}}
归一化后的值=原始值×原始范围新范围
这些归一化操作可以根据实际需求选择适合的方法,以确保图像数据具有统一的尺度和分布,有利于模型的训练和性能提升。