OpenCV中的normalize函数以及NORM_MINMAX、NORM_INF、NORM_L1、NORM

这篇具有很好参考价值的文章主要介绍了OpenCV中的normalize函数以及NORM_MINMAX、NORM_INF、NORM_L1、NORM_L2具体应用介绍。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。

在OpenCV中，normalize函数用于将图像或矩阵的值规范化到一个特定的范围内。这在图像处理中非常有用，比如在调整图像的对比度、准备数据进行机器学习处理时。规范化可以提高不同图像之间的可比性，或是为了满足特定算法对数据范围的要求。

normalize

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

src：输入数组（可以是图像）。
dst：输出数组，存储规范化后的结果。dst可以和src是同一个数组。
alpha：规范化到范围的下限（当norm_type=NORM_MINMAX时）。
beta：规范化到范围的上限（当norm_type=NORM_MINMAX时）。
norm_type：规范化的类型。最常用的是NORM_MINMAX，用于将数据线性变换到alpha,betaalpha,beta区间。其他选项包括NORM_L1、NORM_L2等，用于不同的数学规范化操作。
dtype：输出数组的深度。当值为-1时，输出数组和输入数组的深度相同。可以指定为CV_32F等，以改变输出数据的类型。
mask：可选的操作掩码，用于指定要规范化哪些数组元素。

norm_type

norm_type=NORM_MINMAX

最常用的规范化类型，它将输入数组的所有元素线性缩放到一个指定的范围内（通常是[alpha, beta]）。对于数组中的每个元素x，转换后的值x’计算如下：
OpenCV中的normalize函数以及NORM_MINMAX、NORM_INF、NORM_L1、NORM_L2具体应用介绍,opencv,C&C++,opencv,人工智能,计算机视觉其中minVal和maxVal分别是数组中的最小值和最大值。
应用场景：图像处理、数据预处理。
用途：将数据规范化到一个特定的范围内，常用于调整图像亮度和对比度，或在输入机器学习模型前将特征缩放到同一范围。这有助于提高算法的收敛速度和精度。
优势：简单直观，易于实现，可以使数据分布更均匀。

norm_type=NORM_INF

此规范化类型将数组的所有元素缩放，使得结果数组的最大绝对值等于alpha。具体算法是将每个元素x除以数组的最大绝对值maxVal，然后乘以alpha：
OpenCV中的normalize函数以及NORM_MINMAX、NORM_INF、NORM_L1、NORM_L2具体应用介绍,opencv,C&C++,opencv,人工智能,计算机视觉
应用场景：优化问题、数值计算。
用途：限制数组或向量的无穷范数（即最大绝对值）。在某些优化问题中，可能需要将解的范围限制在一定界限内，使用NORM_INF规范化可以达到这一目的。
优势：保证了数据中没有极端的大值，有利于数值稳定性

norm_type=NORM_L1

NORM_L1规范化使得结果数组的L1范数（即数组元素绝对值之和）等于alpha。每个元素x的计算公式为：
OpenCV中的normalize函数以及NORM_MINMAX、NORM_INF、NORM_L1、NORM_L2具体应用介绍,opencv,C&C++,opencv,人工智能,计算机视觉 应用场景：稀疏编码、特征选择、压缩感知。
用途：L1规范化倾向于产生稀疏的解，即大部分元素为零，少数元素非零。这在特征选择中特别有用，可以自动地忽略不重要的特征。
优势：促进稀疏性，有助于提高模型的可解释性，减少模型复杂度。

norm_type=NORM_L2

NORM_L2规范化使得结果数组的L2范数（即数组元素的平方和的平方根）等于alpha。每个元素x的计算公式为：
OpenCV中的normalize函数以及NORM_MINMAX、NORM_INF、NORM_L1、NORM_L2具体应用介绍,opencv,C&C++,opencv,人工智能,计算机视觉
应用场景：机器学习、信号处理、图像去噪。
用途：L2规范化倾向于使得所有元素的大小都差不多，这在避免过拟合（如机器学习中的权重衰减）、信号去噪（通过最小化能量）等场景中非常有用。
优势：防止数据中的个别点对总体结果产生过大影响，提高模型的泛化能力。

norm_type总结

NORM_MINMAX适用于需要将数据规范化到相同尺度的场景。
NORM_INF适用于需要控制数据的最大值不超过特定阈值的场景。
NORM_L1适用于需要稀疏解的场景，如特征选择或构建稀疏模型。
NORM_L2适用于需要平滑解、防止过拟合的场景，如机器学习中的正则化处理。

举例（norm_type=NORM_MINMAX）

//图像像素归一化
void QuickDemo::normalize_pixel_demo(Mat &image){
	Mat dst;
	image.convertTo(image, CV_32F);//把无符号整型转换为浮点型
	std::cout << "image raw type:"<<image.type() << std::endl;//16---代表CV_8UC3
	std::cout << "image convertTo CV_32F type:" << image.type() << std::endl;//21---CV_32FC3
	normalize(image, dst,2.0,0,NORM_MINMAX );
	std::cout << "CV_32F image NORM_MINMAX type:" << dst.type() << std::endl;//21---CV_32FC3
	imshow("NORM_MINMAX image", dst);
}