OpenCV-Python学习（17）—— OpenCV 图像像素类型转换与归一化（cv.normalize）-Toy模板网

这篇具有很好参考价值的文章主要介绍了OpenCV-Python学习（17）—— OpenCV 图像像素类型转换与归一化（cv.normalize）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1. 学习目标

学习 OpenCV 图像像素的类型转换；
学习 OpenCV 归一化函数。

2. OpenCV 图像像素的类型转换

由于【在 OpenCV-Python 中一切图像数据皆 numpy.array】，因此像素的类型转换可以直接使用 numpy 的类型转换方法。

2.1 将像素转换为 float32

import numpy as np
import cv2 as cv

def check_type():
  img = cv.imread('./images/squirrel_cls.jpg')
  print('img_type',np.dtype(img[0][0][0]))
  print('img_data',img[0][0][0])
  cv.imshow("img", img)

  # 图像像素的类型转换为float32
  img_float32 = np.float32(img)
  print('img_float32_type',np.dtype(img_float32[0][0][0]))
  print('img_float32_data',img_float32[0][0][0])
  cv.imshow("img_float32", img_float32)

  cv.waitKey(0)
  cv.destroyAllWindows()

if __name__ == "__main__":
  check_type()

2.2 数据输出结果

OpenCV-Python学习（17）—— OpenCV 图像像素类型转换与归一化（cv.normalize）

2.3 图像输出结果

OpenCV-Python学习（17）—— OpenCV 图像像素类型转换与归一化（cv.normalize）

3. 归一化（cv.normalize）

归一化就是要把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。

首先归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快。归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在某个区间上是统计的坐标分布。归一化有同一、统一和合一的意思。

归一化的目的，是使得没有可比性的数据变得具有可比性，同时又保持相比较的两个数据之间的相对关系，如大小关系；或是为了作图，原来很难在一张图上作出来，归一化后就可以很方便的给出图上的相对位置等。

3.1 cv.normalize() 函数使用

cv.normalize(src[, dst[, alpha[, beta[, norm_type[, dtype[, mask]]]]]]) → dst

3.2 参数说明

参数	说明
src	表示输入图像。
dst	表示输出图像。
alpha	表示在范围归一化的情况下，归一化的下限边界或下限边界的标准值。
beta	表示在范围归一化的情况下，归一化的上范围边界。
norm_type	表示归一化的类型。
dtype	表示当为负时，输出数组的类型与src相同；否则，它具有与src相同的通道数。

3.3 norm_type 值说明

值	说明
NORM_L1	表示图像矩阵中值的绝对值的和。
NORM_L2	表示图像矩阵中值的平方和的开方。
NORM_INF	表示图像矩阵中值的绝对值的最大值。
NORM_MINMAX	表示图像矩阵中的数值被平移或缩放到一个指定的范围，线性归一化。

3.4 norm_type 值计算公式

NORM_L1 : 归一化数组的（曼哈顿距离）L1-范数(绝对值的和)
NORM_L2 : 归一化数组的(欧几里德距离)L2-范数(平方和的开方)
NORM_INF : 归一化数组的（切比雪夫距离）L∞-范数(绝对值的最大值)
NORM_MINMAX : 归一化数组的数值被平移或缩放到一个指定的范围

3.5 归一化计算实例

OpenCV-Python学习（17）—— OpenCV 图像像素类型转换与归一化（cv.normalize）

4. OpenCV 归一化实例代码

4.1 代码

import numpy as np
import cv2 as cv

def check_type():
  img = cv.imread('./images/squirrel_cls.jpg')
  cv.imshow("img", img)

  # 图像像素的类型转换为float32
  img_float32 = np.float32(img)
  cv.imshow("img_float32", img_float32)

  # 归一化 NORM_L1
  img_NORM_L1 = img_float32.copy()
  cv.normalize(img_float32,img_NORM_L1,1,0,cv.NORM_L1)
  print(img_NORM_L1[0][0])
  cv.imshow("img_NORM_L1", img_NORM_L1)

  # 归一化 NORM_L2
  img_NORM_L2 = img_float32.copy()
  cv.normalize(img_float32,img_NORM_L2,1,0,cv.NORM_L2)
  print(img_NORM_L2[0][0])
  cv.imshow("img_NORM_L2", img_NORM_L2)

  # 归一化 NORM_INF
  img_NORM_INF = img_float32.copy()
  cv.normalize(img_float32,img_NORM_INF,1,0,cv.NORM_INF)
  print(img_NORM_INF[0][0])
  cv.imshow("img_NORM_INF", img_NORM_INF)

  # 归一化 NORM_MINMAX
  img_NORM_MINMAX = img_float32.copy()
  cv.normalize(img_float32,img_NORM_MINMAX,1,0,cv.NORM_MINMAX)
  print(img_NORM_MINMAX[0][0])
  cv.imshow("img_NORM_MINMAX", img_NORM_MINMAX)

  cv.waitKey(0)
  cv.destroyAllWindows()

if __name__ == "__main__":
  check_type()