OpenCV图像数据处理:convertTo,normalize和scaleAdd

在 OpenCV 图像处理的世界里，有几个函数进行一些基本数据变换：

• cv::convertTo()：类型转换与线性缩放；

• cv::normalize()：归一化处理；

• cv::scaleAdd()：加权叠加运算。

• cv::addWeighted(): 与scaleAdd相似，进行加权叠加运算；

一、cv::convertTo()：线性变换 + 数据类型转换

void cv::Mat::convertTo(OutputArray dst, int rtype, double alpha = 1, double beta = 0) const;

其操作逻辑为：

dst(x, y) = saturate_cast<rtype>( src(x, y) * alpha + beta )

主要功能包括：

• 类型转换，如CV_8U->CV_32F
• 缩放变换，如alpha=1/255时实现归一化
• 图像增强，如alpha > 1, beta ≠ 0 调整对比度与亮度

二、cv::normalize()：归一化到特定范围或分布

cv::normalize(InputArray src, OutputArray dst, double alpha = 1, double beta = 0, int norm_type = NORM_L2, int dtype = -1, InputArray mask = noArray());

src：输入数组（cv::Mat）

• 要被归一化的数据，可以是图像，也可以是向量或矩阵。

• 可以是任意深度（CV_8U、CV_32F、CV_64F等），任意通道数（灰度、彩色等）。

dst：输出数组（cv::Mat）

• 存储归一化后的结果，类型由 dtype 决定（默认与 src 一致）。

alpha：归一化下限或范数值（具体含义取决于 norm_type）

• 如果 norm_type 是 NORM_MINMAX，alpha 表示 归一化后的最小值。

• 如果是其他范数（如 NORM_L1, NORM_L2），alpha 是规范化后的 目标范数。

beta：归一化上限（仅在 NORM_MINMAX 有意义）

• 只有当 norm_type = NORM_MINMAX 时，beta 表示 归一化后的最大值。

• 对于其他归一化类型，beta 会被忽略。

norm_type：归一化类型（cv::NormTypes 枚举）

• cv::NORM_MINMAX，将数组线性映射到 [alpha, beta] 区间，常用于图像对比度增强。
• cv::NORM_L1，将向量归一化为 L1 范数（绝对值和）为 alpha。
• cv::NORM_L2（默认），将向量归一化为 L2 范数（欧几里得范数）为 alpha。
• cv::NORM_INF，将向量归一化为最大绝对值为 alpha。

dtype：输出数据类型（默认 -1 表示与 src 一致）

• 可以指定输出图像的数据类型，如 CV_8U, CV_32F 等。

• 如果 dtype = -1，表示 dst 类型与 src 保持一致。

mask：掩膜（可选）

• 用于选择对哪些像素进行归一化，非零位置参与归一化计算。

• 对于不需要掩膜的常见情况，使用默认值 cv::noArray()。

函数应用场景：

• 使用NORM_MINMAX，将图像所有像素值映射到0,1区间
• 使用NORM_L2，将图像看作向量，使得所有元素构成向量的模长为alpha

三、cv::scaleAdd()：线性叠加的高效实现

void cv::scaleAdd(InputArray src1, double alpha, InputArray src2, OutputArray dst);

其操作逻辑为：

dst = src1 * alpha + src2;

用法场景：

• 梯度融合；

• 图像加权融合（曝光合成）；

• 向量叠加（例如 PCA 主成分叠加）。

四、完整实战示例：图像增强 + 归一化 + 加权融合

我们将演示如下流程：

1. 读取一张图像并转换为浮点格式；

2. 使用 convertTo 将其归一化到 0,1；

3. 使用 scaleAdd 将原图与边缘图像加权融合，输出增强图像。

int main() {
	cv::Mat img = cv::imread("lena.png", cv::IMREAD_GRAYSCALE);
	if (img.empty()) {
		std::cerr << "Cannot read image!" << std::endl;
		return -1;
	}

	// 1. 使用 convertTo 将图像转换为 float 并归一化
	cv::Mat img_f;
	img.convertTo(img_f, CV_32F, 1.0 / 255.0);

	// 2. 使用 Sobel 提取边缘
	cv::Mat grad_x, grad_y, grad;
	cv::Sobel(img_f, grad_x, CV_32F, 1, 0, 3);
	cv::Sobel(img_f, grad_y, CV_32F, 0, 1, 3);
	cv::magnitude(grad_x, grad_y, grad);

	// 3. 对梯度图 normalize 到 [0,1]
	cv::Mat grad_norm;
	cv::normalize(grad, grad_norm, 0.0, 1.0, cv::NORM_MINMAX);

	// 4. 使用 scaleAdd 融合边缘与原图
	cv::Mat enhanced;
	cv::scaleAdd(grad_norm, 0.5, img_f, enhanced); // enhanced = grad_norm * 0.5 + img_f

	// 5. 将增强图转换回 uchar 显示
	cv::Mat enhanced_8u;
	enhanced.convertTo(enhanced_8u, CV_8U, 255.0);

	// 显示结果
	cv::imshow("Original", img);
	cv::imshow("Enhanced", enhanced_8u);
	cv::waitKey(0);

	return 0;
}