图像数据类型范围归一化

概述

数据标准化（归一化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。

图像数据标准化

min-max标准化（Min-Max Normalization）

也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0 , 1]之间

 其中max为样本数据的最大值，min为样本数据的最小值。这种方法有个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义

Z-score标准化方法

 也称为均值归一化(mean normaliztion)， 给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1

 图像数据标准化实现方法

通过numpy归一化

a = (a-a.min())/(a.max()-a.min())

通过PIL归一化

没有函数

通过opencv归一化

cv2.normalize(img, img, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX)

通过skimage归一化

 

输入和输出的期望强度范围，分别为in_range和out_range，用于拉伸或缩小输入图像的强度范围。输入图像与输出图像的dtype相同。

in_range defaults to ‘image’ and out_range defaults to ‘dtype’。

将[0,255]范围转化为[0, 1.0]

t=t.astype(np.float32)

rescale_intensity(t, in_range=(0, 255), out_range=(0, 1.0))

将[0, 1.0]范围转化为[0, 255]

rescale_intensity(t, in_range=(0, 1.0), out_range=(0, 255))

t=t.astype(np.uint8)

基本原理是先将数据归一化到in_range范围，再将数据归一化到out_range范围；

同时保持输入输出数据类型不变