在OpenCV中,像素归一化(Normalization) 是将图像的像素值映射到特定范围或分布的过程,目的是消除数据量纲差异、增强特征一致性,并提升算法的鲁棒性。
在机器学习(如神经网络)中,归一化后的数据梯度更稳定,显著加快训练收敛速度。
opencv有四种归一化的方式:
1. 最小-最大归一化(Min-Max Normalization)
最小-最大归一化(Min-Max Normalization)是一种线性缩放方法,把0-255区间的像素数值映射到 [0, 1],使不同量纲、不同尺度的特征处于同一数量级,避免算法被大数值主导。

其中,a,b是目标区间(默认为 0 到 1);
2. L2范数归一化
L2 范数归一化(L2 Normalization)把向量所有元素的平方和开根号后作为分母,使向量的 L2 范数(欧几里得长度)等于 1。

3. L1 范数归一化(Manhattan 归一化)
L1 范数归一化(又称 Manhattan 归一化)通过把向量所有元素的绝对值之和作为分母,使向量的 L1 范数(曼哈顿长度)等于 1,从而将数据压缩到单纯形(simplex)上。

4. 均值标准化(Z-score 归一化)
均值标准化(Z-score Normalization)把原始数据 线性变换为均值 0、标准差 1 的分布,使数值无量纲、均值为零、方差统一,便于不同特征可比与梯度下降收敛。

类型转换
函数:convertTo()
void cv::Mat::convertTo(
OutputArray dst, // 输出矩阵
int rtype, // 目标类型,如 CV_8U、CV_32F 等
double alpha = 1, // 缩放因子
double beta = 0 // 偏移量
) const;
Mat image_float;
image.convertTo(image_float,CV_32F);//CV_8UC3->CV_32FC3
上述代码实现了图像像素类型的转换,由CV_8UC3转换到CV_32FC3;
归一化
函数:normalize()
void normalize(InputArray src,
OutputArray dst,
double alpha = 1, // 下界或范数目标值
double beta = 0, // 上界(仅 Min-Max 用到)
int norm_type = NORM_L2, // 归一化类型
int dtype = -1, // 输出深度;<0 与 src 相同
InputArray mask = noArray() // 掩膜,可选
);
alpha,beta是区间,一般归一化取(0,1),norm_type则是选择归一化的方式;
下面是使用方法:
当将图片转换到float,直接显示是不行的,我们需要将其归一化才能正常显示;
void Demo::Norm_Demo(Mat &image)
{
Mat image_float,norm_image;
image.convertTo(image_float,CV_32F);//CV_8UC3->CV_32FC3
cout<<image.type()<<image_float.type()<<endl;
normalize(image_float,norm_image,1,0,NORM_MINMAX);
imshow("norm",norm_image);
}
