什么图像归一化
通俗地讲就是将矩阵的值通过某种方式变到某一个区间内
图像归一化的作用
- 目前能理解的就是归一化到某个区间便于处理，希望高人可以指点
opencv文档中的介绍
C++: void normalize(InputArray src, InputOutputArray dst, double alpha=1, double beta=0, int norm_type=NORM_L2, int dtype=-1, InputArray mask=noArray() )
C++: void normalize(const SparseMat& src, SparseMat& dst, double alpha, int normType)
Python: cv2.normalize(src[, dst[, alpha[, beta[, norm_type[, dtype[, mask]]]]]]) → dst
Parameters:
src – input array.
dst – output array of the same size as src .
alpha – norm value to normalize to or the lower range boundary in case of the range normalization.
beta – upper range boundary in case of the range normalization; it is not used for the norm normalization.
normType – normalization type (see the details below).
dtype – when negative, the output array has the same type as src; otherwise, it has the same number of channels as src and the depth =CV_MAT_DEPTH(dtype).
mask – optional operation mask.norm_type有NORM_INF, NORM_MINMAX,NORM_L1和NORM_L2四种。
1、在 NORM_MINMAX 模式下，alpha表示归一化后的最小值，beta表示归一化后的最大值。
2、在NORM_L1、NORM_L2、NORM_INF 模式下，alpha表示执行相应归一化后矩阵的范数值，beta不使用。
3、稀疏矩阵归一化仅支持非零像素
NORM_MINMAX
数组的数值被平移或缩放到一个指定的范围，线性归一化。
$dst(i, j) = \frac{(src(i, j) - min(src(x, y))) * (beta - alpha)}{max(src(x, y)) - min(src(x, y))} + alpha$
$${x}\over{y}$$
NORM_INF
分母为L∞范数 ，即矩阵各元素绝对值的最大值（切比雪夫距离）
NORM_L1
分母为L1-范数，即矩阵元素的绝对值之和（曼哈顿距离）
NORM_L2
分母为L2-范数，即矩阵各元素的欧几里德距离之和
