表情识别归一化处理

1. image = image.astype(np.float32)：

   • 首先将输入的图像数据类型转换为 32 位浮点数类型，这是因为在后续的数学计算中，使用浮点数能够提高精度和避免数据溢出。

2. image = np.subtract(image, 128.)：

   • 接下来，从图像的每个像素值中减去 128。这个操作可以理解为对图像进行均值中心化，即使得图像的均值接近于零。这有助于训练神经网络模型时的收敛速度和稳定性。

3. image = np.multiply(image, 1. / 128.)：

   • 最后，将图像的每个像素值乘以 1/128。这个操作可以理解为对图像进行标准化，使得图像的像素值范围在 [-1, 1] 之间。这有助于提高模型训练的泛化能力和数值稳定性。

总的来说，这个归一化处理的步骤包括将图像转换为浮点数类型、进行均值中心化和标准化操作，旨在将图像的像素值调整到一个合适的范围内，以便更好地用于机器学习模型的训练和推理。

完整代码：

def process_img(image):
    image = image.astype(np.float32)
    image = np.subtract(image, 128.)
    image = np.multiply(image, 1. / 128.)
    return image