图像处理 标准化_标准化 图像处理 - CSDN
  • 一:图像标准化处理

    2019-11-08 22:21:39
    使用深度学习在进行图像分类或者对象检测时候,首先需要对图像做数据预处理,最常见的对图像预处理方法有两种,正常白化处理又叫图像标准化处理,另外一种方法叫做归一化处理,下面就详细的说一下这两种处理方法。...

    使用深度学习在进行图像分类或者对象检测时候,首先需要对图像做数据预处理,最常见的对图像预处理方法有两种,正常白化处理又叫图像标准化处理,另外一种方法叫做归一化处理,下面就详细的说一下这两种处理方法。

    一:图像标准化处理

    标准化处理的公式如下:

    tensorflow中对图像标准化预处理的API函数如下:

    1. tf.image.per_image_standardization(image)
    2. - image 参数表示一个三维的张量(tensor) 分别对应图像高、宽、通道数目(height, width, channels)

    函数返回处理以后的图像,大小与通道数目与原图像保持一致。使用opencv+tensorflow对图像进行标准化处理的代码演示如下:

    1. import tensorflow as tf
    2. import cv2 as cv
    3.  
    4. image = cv.imread("D:/javaopencv/dahlia_4.jpg")
    5. cv.imshow("input", image)
    6. std_image = tf.image.per_image_standardization(image)
    7. with tf.Session() as sess:
    8. result = sess.run(std_image)
    9. print(result)
    10. cv.imshow("result", result)
    11. cv.waitKey(0)
    12. cv.destroyAllWindows()

    运行效果

    解释

    图像标准化是将数据通过去均值实现中心化的处理,根据凸优化理论与数据概率分布相关知识,数据中心化符合数据分布规律,更容易取得训练之后的泛化效果, 数据标准化是数据预处理的常见方法之一

    展开全文
  • 图像标准化

    2018-08-22 17:53:07
    传入图片数据 x,并返回标准化 Numpy 数组。值应该在 0 到 1 的范围内(含 0 和 1)。返回对象应该和 x 的形状一样。 def normalize(x): """ Normalize a list of sample image data ...

    传入图片数据 x,并返回标准化 Numpy 数组。值应该在 0 到 1 的范围内(含 0 和 1)。返回对象应该和 x 的形状一样。

    def normalize(x):
        """
        Normalize a list of sample image data in the range of 0 to 1
        : x: List of image data.  The image shape is (32, 32, 3)
        : return: Numpy array of normalize data
        """
        # 方法一:
        return (x-np.min(x))/(np.max(x)-np.min(x))
    
        # 方法二:
        # return x/255
    展开全文
  • 虽说是CSDN,但因为处理的过程中要用到病理图片,所以这里简单的介绍一下病理图像标准化。 首先介绍一下我们的病理图像。 病理图像就是我们高中时候用的玻片在扫描仪下拍摄的高分辨率图像。具体制作过程可以参见...

    虽说是CSDN,但因为处理的过程中要用到病理图片,所以这里简单的介绍一下病理图像的标准化。
    首先介绍一下我们的病理图像。
    病理图像就是我们高中时候用的玻片在扫描仪下拍摄的高分辨率图像。具体制作过程可以参见百度。https://wenku.baidu.com/view/60b5d0fe2af90242a995e58a.html
    病理图像可以帮助医生对病人做出诊断。通过病理图像,我们可以看到肿瘤细胞的具体情况。比如说有无浸润,有无淋巴结转移,分化程度如何。对肿瘤的诊断,预后,分级分期都是很有帮助的。
    人工智能在病理图像的领域也有十分广泛的应用。可以用来做分割,分类,预后等。
    随着人们研究的深入,病理图像的标准化变成了一个预处理的必要过程。那我们为什么要进行图像的标准化呢。
    首先,病理图片的成像和很多因素有关系,制作过程,扫描的机器等都会对图像造成颜色的结构上面的不同。这种不同对人眼来说影响比较小,虽然颜色略有不同,但是还是可以分辨的。但是对于深度学习等算法来说就不太能适应这种不同。还有一个很大的原因是,也就是这种颜色和结构上的不同,使得不同机型, 不同机构甚至是不同操作员扫描出来的病理图片不能够放在一起用。
    处理这种颜色差异的方法,就是颜色的标准化。叫做color normalization或者是stain normalization。原理就是将所有的图片都标准化到同一张模板图片的颜色分布上。
    对于病理图片的标准化,从开始到现在大概有3种比较主流的方法。一个是灰度直方图的标准化,一个是颜色的标准化,一个是光谱的标准化。按照字面意思其实就是将所有图片都转化成模板图片灰度分布,将所有图片都转化成模板图片颜色(RGB)分布,将所有图片都转化成模板图片光谱(即染料的颜色空间,有多少种染料就有多少种颜色空间)分布。
    前面两种的缺点是,灰度分布的方式要求两个图片的灰度分布都差不多,但往往图片的灰度分布差异还是挺大的,而且转化的过程中可能丢失很多结构和颜色的信息。颜色转换的方式可能会丢失结构信息,而且有监督的颜色转化算法计算量非常大。
    最新的算法是一种保存结构和颜色标准化算法,属于光谱匹配的方式。他保存了图片的结构,而是标准化了颜色,并且计算量上面还是可以接受的。下面给出论文名字,论文中有matlab源码的下载链接:
    Structure-Preserving Color Normalization and Sparse Stain Separation for Histological Images
    但是需要说明的是,这种标准化方法只适合HE染色的病理图像,对于IHC染色的不适用。具体原因是因为染料的显色方式不同,这里不展开说明了。

    展开全文
  • 中心就是零均值,对于每一个元素减去本图像的平均值即可。 E(X-E(X))=0 这样做的意义在于,对于某些激活函数,比如sigmoid,relu,tanh而言,激活函数单调递增,其任意一点导数均大于零。 而f关于wi的...

    中心化

    中心化就是零均值化,对于每一个元素减去本图像的平均值即可。

    E(X-E(X))=0

    这样做的意义在于,对于某些激活函数,比如sigmoid,relu,tanh而言,激活函数单调递增,其任意一点导数均大于零。

    而f关于wi的偏导数为xi,如果xi均为正数(或者负数),那么

    其正负等同于xi的正负,也就是必然是正数(或者零)。

    那么如果想要使得loss函数减小,朝着的方向运动的话,就会出现只能朝着每一个wi的正方向或者负方向运动的情况。如果有n个wi的向量,则有2^n个象限,除非最优化wi就在全为正的第一象限,否则优化本身必然比较曲折。假设二维,如下图所示

    会反复向正方向运行收敛。如果此时纵坐标可以向负方向运动,则可以直接到达最优化点。

    所以我们进行零均值化,当x正负数量“差不多”时,那么梯度的变化方向就会不确定,这样就能达到上图中的变化效果,加速了权重的收敛。

     

    标准化

    标准化为减均值除以标准差,这样出来的分布符合标准正态分布

    如果样本的尺度不一致,通过如此的方式可以得到一致的输入数据。譬如,如果采用不同的相机采集的图片,或者是来源不同的图片,由于明暗,对比度等各种问题,会出现尺度不一的图片。有些数值过大会影响收敛的结果。此时进行标准化以后可以加速收敛速度。也在一定程度上可以提高收敛精度。

     

    展开全文
  • 使用深度学习在进行图像分类或者对象检测时候,首先需要对图像做数据预处理,最常见的对图像预处理方法有两种,正常白化处理又叫图像标准化处理,另外一种方法叫做归一化处理,下面就详细的说一下这两种处理方法。...
  • 图像处理】python实现图像标准化 图像标准化是将数据通过去均值实现中心化的处理,根据凸优化理论与数据概率分布相关知识,数据中心化符合数据分布规律,更容易取得训练之后的泛化效果, 数据标准化是数据预处理的...
  • python-opencv图像标准化处理 来不及解释了,直接上代码吧 import cv2 import numpy as np #读取图像 image = cv2.imread('myid.jpg') #对图像进行灰度化处理 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) cv2...
  • 目录 ...初学OpenCV图像处理的小伙伴肯定对什么高斯函数、滤波处理、阈值二值等特性非常头疼,这里给各位分享一个小项目,可通过摄像头实时动态查看各类图像处理的特点,也可对各位调参、测试...
  • 什么是数字图像处理?历史、以及它所研究的内容。 说起图像处理,你会想到什么?你是否真的了解这个领域所研究的内容。纵向来说,数字图像处理研究的历史相当悠久;横向来说,数字图像处理研究的话题相当广泛。 ...
  • 图像处理的概念是对图像信息进行加工处理,以满足人的视觉心理和实际应用的需求。 模拟图像:连续图像,采用数字(离散)表示和数字技术处理之前的图像。 数字图像:由连续的模拟图像采样和量化而得的图像,...
  • 图像处理与识别学习小结   数字图像处理是对图像进行分析、加工、和处理,使其满足视觉、心理以及其他要求的技术。图像处理是信号处理在图像域上的一个应用。目前大多数的图像是以数字形式存储,因而图像处理很多...
  • 连续型特征还有一种处理方式是,先分桶/分箱(如等频/等距的分)[待写]进行离散后再使用离散数据的处理方法。 离散数据处理参考[数据预处理:独热编码(One-Hot Encoding)]。 基础知识参考: [均值、方差与...
  • 目前数据预处理最常见的方法就是中心化和标准化。 中心化相当于修正数据的中心位置,实现方法非常简单,就是在每个特征维度上减去对应的均值,最后得到 0 均值的特征。 标准化也非常简单,在数据变成 0 均值之后,...
  • 图像处理界的标准图像Lena背后的故事  2009-06-15 01:04:27| 分类: 电脑技术|举报|字号 订阅 在数字图像处理中,Lena(Lenna)是一张被广泛使用的标准图片,特别在图像压缩的算法研究中。...
  • 图像处理(image processing),用计算机对图像进行分析,以达到所需结果的技术。又称影像处理。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组,该数组的...
  • 图像处理 最近版上有不少人在讨论图像处理的就业方向,似乎大部分都持悲观的态度。我想结合我今年找工作的经验谈谈我的看法。就我看来,个人觉得图像处理的就业还是不错的。首先可以把图像看成二维、三维或者更...
  • 图像处理与识别

    2017-03-23 09:45:57
    数字图像处理是对图像进行分析、加工、和处理,使其满足视觉、心理以及其他要求的技术。图像处理是信号处理在图像域上的一个应用。目前大多数的图像是以数字形式存储,因而图像处理很多情况下指数字图像处理。此外,...
  • import numpy as np import random import matplotlib.pyplot as plt from PIL import Image 1.需要导入的包 for n in range(4600): # input_data用来保存所有faces图片的路径 data_path=r'C:\Users\Administrator...
  • 数字图像处理第九章数字图像处理---形态学图像处理(一)预备知识1.1 预备知识1.1.1 集合理论中的基本概念1.2 二值图像、集合及逻辑算子(二)膨胀和腐蚀2.1 膨胀2.2 结构元的分解2.3 strel函数2.4 腐蚀(三) 膨胀...
  • 第 1 章 基本的图像操作和处理本章讲解操作和处理图像的基础知识,将通过大量...1.1 PIL:Python图像处理类库PIL(Python Imaging Library Python,图像处理类库)提供了通用的图像处理功能,以及大量有用的基本图...
1 2 3 4 5 ... 20
收藏数 163,544
精华内容 65,417
关键字:

图像处理 标准化