精华内容
下载资源
问答
  • 图像归一化

    千次阅读 2017-03-01 13:20:37
    图像归一化
    
    图像的归一化在计算机视觉当中,很多时候都作为一个预处理进行处理的。因为图像的归一化保持了仿射不变性。而且图像的归一化有时候能够提高计算的精度。

    所以图像的归一化对于我们来说很重要。

    而图像的归一化的具体过程主要是:

          1.坐标中心化

         2.x-shearing 归一化、

    3.缩放归一化

    4.旋转归一化

    而在上述当中的四步骤其实就是针对仿射变化而进行的。

       因为一个仿射变化可以化为位移变化 切向变化 缩放变化 旋转变化的组合的。

    区域f(x,y)对应的p+q矩是:


    .

    而我们定义的其中心矩为:



    定义图像的协方差矩阵M为





    我们可以得到:



    其中x‘’‘和y’‘’是变化后的位置,而x,y是初始的位置。

    而这个变换过程从右到左就是我们上述的四步骤:坐标中心化,x,y方向的拉伸,缩放变化,旋转变化。


    原文链接:http://blog.csdn.net/zhouyelihua/article/details/38894823

    展开全文
  • 常用的图像归一化算法,将不同大小的图像 归一化成固定大小的图像,对于做图像模板有很好的用处,经过测试可用。。。。。。。。。。。。。。。。
  • 也就是转换成唯一的标准形式以抵抗仿射变换图像归一化使得图像可以抵抗几何变换的攻击,它能够找出图像中的那些不变量,从而得知这些图像原本就是一样的或者一个系列的。因为我们这次的图片有好多都是一个系列的,...

    matlab图像处理为什么要归一化和如何归一化

    一、为什么归一化

    1.

    基本上归一化思想是利用图像的不变矩寻找一组参数使其能够消除其他变换函数对图像变换的影响。也就是转换成唯一的标准形式以抵抗仿射变换

    图像归一化使得图像可以抵抗几何变换的攻击,它能够找出图像中的那些不变量,从而得知这些图像原本就是一样的或者一个系列的。

    因为我们这次的图片有好多都是一个系列的,所以老师把这个也作为我研究的一个方向。

    我们主要要通过归一化减小医学图片由于光线不均匀造成的干扰。

    2.matlab里图像数据有时候必须是浮点型才能处理,而图像数据本身是0-255的UNIT型数据所以需要归一化,转换到0-1之间。

    3.归一化是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为纯量。 目的是为了:

    (1).避免具有不同物理意义和量纲的输入变量不能平等使用

    (2).bp中常采用sigmoid函数作为转移函数,归一化能够防止净输入绝对值过大引起的神经元输出饱和现象

    (3).保证输出数据中数值小的不被吞食

    3.神经网络中归一化的原因

    归一化是为了加快训练网络的收敛性,可以不进行归一化处理

    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-1--+1之间是统计的坐标分布。归一化有同一、统一和合一的意思。无论是为了建模还是为了计算,首先基本度量单位要同一,神经网络是以样本在事件中的统计分别几率来进行训练(概率计算)和预测的,归一化是同一在0-1之间的统计概率分布; 当所有样本的输入信号都为正值时,与第一隐含层神经元相连的权值只能同时增加或减小,从而导致学习速度很慢。为了避免出现这种情况,加快网络学习速度,可以对输入信号进行归一化,使得所有样本的输入信号其均值接近于0或与其均方差相比很小。

    归一化是因为sigmoid函数的取值是0到1之间的,网络最后一个节点的输出也是如此,所以经常要对样本的输出归一化处理。所以这样做分类的问题时用[0.9 0.1 0.1]就要比用[1 0 0]要好。

    但是归一化处理并不总是合适的,根据输出值的分布情况,标准化等其它统计变换方法有时可能更好。

    二、如何归一化

    matlab中的归一化处理有三种方法

    1. premnmx、postmnmx、tramnmx

    2. restd、poststd、trastd

    3. 自己编程

    (1)线性函数转换,表达式如下:

    y=(x-MinValue)/(MaxValue-MinValue)

    说明:x、y分别为转换前、后的值,MaxValue、MinValue分别为样本的最大值和最小值。

    (2)对数函数转换,表达式如下:

    y=log10(x)

    说明:以10为底的对数函数转换。

    (3)反余切函数转换,表达式如下:

    y=atan(x)*2/PI

    (4)一个归一化代码.

    I=double(I);

    maxvalue=max(max(I)');%max在把矩阵每列的最大值找到,并组成一个单行的数组,转置一下就会行转换为列,再max就求一个最大的值,如果不转置,只能求出每列的最大值。

    f = 1 - I/maxvalue; %为什么要用1去减?

    Image1=f;

    机器学习模型需要对数据进行归一化

    1)归一化后加快了梯度下降求最优解的速度;2)归一化有可能提高精度

    1 归一化为什么能提高梯度下降法求解最优解的速度?

    如下图所示,蓝色的圈圈图代表的是两个特征的等高线。其中左图两个特征X1和X2的区间相差非常大,X1区间是[0,2000],X2区间是[1,5],其所形成的等高线非常尖。当使用梯度下降法寻求最优解时,很有可能走“之字型”路线(垂直等高线走),从而导致需要迭代很多次才能收敛;

    而右图对两个原始特征进行了归一化,其对应的等高线显得很圆,在梯度下降进行求解时能较快的收敛。

    因此如果机器学习模型使用梯度下降法求最优解时,归一化往往非常有必要,否则很难收敛甚至不能收敛。

    4c68a4577532c2c2ad8aea7b2beda90b.png

    2 归一化有可能提高精度

    一些分类器需要计算样本之间的距离(如欧氏距离),例如KNN。如果一个特征值域范围非常大,那么距离计算就主要取决于这个特征,从而与实际情况相悖(比如这时实际情况是值域范围小的特征更重要)。

    3 归一化的类型

    1)线性归一化

    e798663b5d3b3ddf7801adf9643ccacb.png

    这种归一化方法比较适用在数值比较集中的情况。这种方法有个缺陷,如果max和min不稳定,很容易使得归一化结果不稳定,使得后续使用效果也不稳定。实际使用中可以用经验常量值来替代max和min。

    2)标准差标准化

    经过处理的数据符合标准正态分布,即均值为0,标准差为1,其转化函数为:

    f06eddef0a8cfdcfe60dbe30a9463f39.png

    其中μ为所有样本数据的均值,σ为所有样本数据的标准差。

    3)非线性归一化

    经常用在数据分化比较大的场景,有些数值很大,有些很小。通过一些数学函数,将原始值进行映射。该方法包括 log、指数,正切等。需要根据数据分布的情况,决定非线性函数的曲线,比如log(V, 2)还是log(V, 10)等。

    展开全文
  • matlab开发-图像归一化和反转。对仿射变换执行图像归一化和逆归一化
  • openCV实现图像归一化

    万次阅读 热门讨论 2017-06-03 16:28:09
    今天下午师弟问了一个关于图像归一化的问题,因此小编写了关于图像归一化的代码,比如一个文件夹下有多幅图像,每幅图像的大小不一致,如果想把这些图像归一化为相同大小的图像,就涉及到归一化的问题,现分享代码...

            今天下午师弟问了一个关于图像归一化的问题,因此小编写了关于图像归一化的代码,比如一个文件夹下有多幅图像,每幅图像的大小不一致,如果想把这些图像归一化为相同大小的图像,就涉及到归一化的问题,现分享代码如下:

    #include <opencv2/opencv.hpp>
    #include "highgui.h"
    #include <iostream>
    using namespace std;
    using namespace cv;
    int main()
    {
        IplImage *src;
        src = cvLoadImage("100000.jpg");
        cvShowImage("100000",src);
        //cvReleaseImage(&src);
        IplImage* gray_image;  
        gray_image = cvCreateImage(cvGetSize(src),8,1);    
        cvCvtColor(src,gray_image,CV_BGR2GRAY); 
        //cvShowImage("GrayImage",gray_image);
        IplImage* norm_image;  
        CvSize norm_cvsize;  
        norm_cvsize.width = 480;  //目标图像的宽    
        norm_cvsize.height = 640; //目标图像的高  
        cout<<"开始归一化"<<endl;
        norm_image = cvCreateImage(norm_cvsize, gray_image->depth,gray_image->nChannels);//构造目标图象  
        cvResize(gray_image, norm_image, CV_INTER_LINEAR); //缩放源图像到目标图像 
        cout<<"归一化完成"<<endl;
        cvShowImage("归一化图像",norm_image);
        cvWaitKey(0);
        cvSaveImage("norm.jpg", norm_image); //保存归一化图像到本地文件夹下
        cvReleaseImage(&norm_image);
    }

    上面的代码实现了将一幅768*1024的图像转化为480*640的图像,并将处理后的图像保存在文件夹下,如果想将多幅图像大小不一致的图像归一化为相同大小的图像,只需要加一个for循环,在此小编只实现了一幅图像的处理。下面给出原图像和和代码运行后得到的处理后的图像:

    至此,实现了一幅图像大小的更改。如果将一个文件夹下的多幅图像进行归一化为相同大小的图像,只需要在上面的代码中加上一个for循环即可,代码如下:

    #include <opencv2/opencv.hpp>
    #include "highgui.h"
    #include <iostream>
    #include<fstream>
    using namespace std;
    using namespace cv;
    int nImages=1491;
    void main()
    {
    	//加载图像名到数组中
    	char **img_name_index = new char *[nImages]; // load image names of Ukbench
    	ifstream inf_img ("..\\data\\img_name.txt", ios_base::in);
    	if(!inf_img) return;
    	for (int n = 0; n < nImages; n++)
    	{
    	    img_name_index[n] = new char[100];
    	    if (!img_name_index[n]) break;
    	    inf_img.getline(img_name_index[n], 32);
    	}
    	inf_img.close();
    	for(int i=0;i<nImages;i++)
    	{
    	    cout<<i+1<<endl;
    	    char temp[100]="\0";
    	    char result_img[100]="\0";
    	    sprintf(temp,"..\\images\\%s",img_name_index[i]);
    	    IplImage *src;
                src = cvLoadImage(temp);
        
    	    IplImage* gray_image;  
                gray_image = cvCreateImage(cvGetSize(src),8,1);    
                cvCvtColor(src,gray_image,CV_BGR2GRAY); 
    	  
    	    IplImage* norm_image;  
                CvSize norm_cvsize;  
                norm_cvsize.width = 480;  //目标图像的宽    
                norm_cvsize.height = 640; //目标图像的高  
    
                norm_image = cvCreateImage(norm_cvsize, gray_image->depth,gray_image->nChannels); //构造目标图象  
                cvResize(gray_image, norm_image, CV_INTER_LINEAR); //缩放源图像到目标图像 
    	    sprintf(result_img,"..\\new_image\\%d.jpg",i+1);
    	    cvSaveImage(result_img, norm_image);//cvSaveImage("norm.jpg", norm_image); //保存归一化图像到本地文件夹下
                cvReleaseImage(&norm_image);
    	    cvReleaseImage(&src);
    	    cvReleaseImage(&gray_image);
    	}
    }

     

    展开全文
  • 也就是转换成唯一的标准形式以抵抗仿射变换图像归一化使得图像可以抵抗几何变换的攻击,它能够找出图像中的那些不变量,从而得知这些图像原本就是一样的或者一个系列的。因为我们这次的图片有好多都是一个系列的,...

    matlab图像处理为什么要归一化和如何归一化?一、为什么归一化

    1.

    基本上归一化思想是利用图像的不变矩寻找一组参数使其能够消除其他变换函数对图像变换的影响。也就是转换成唯一的标准形式以抵抗仿射变换

    图像归一化使得图像可以抵抗几何变换的攻击,它能够找出图像中的那些不变量,从而得知这些图像原本就是一样的或者一个系列的。

    因为我们这次的图片有好多都是一个系列的,所以老师把这个也作为我研究的一个方向。

    我们主要要通过归一化减小医学图片由于光线不均匀造成的干扰。

    2.matlab里图像数据有时候必须是浮点型才能处理,而图像数据本身是0-255的UNIT型数据所以需要归一化,转换到0-1之间。

    3.归一化是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为纯量。目的是为了:

    (1).避免具有不同物理意义和量纲的输入变量不能平等使用

    (2).bp中常采用sigmoid函数作为转移函数,归一化能够防止净输入绝对值过大引起的神经元输出饱和现象

    (3).保证输出数据中数值小的不被吞食

    3.神经网络中归一化的原因

    归一化是为了加快训练网络的收敛性,可以不进行归一化处理

    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-1--+1之间是统计的坐标分布。归一化有同一、统一和合一的意思。无论是为了建模还是为了计算,首先基本度量单位要同一,神经网络是以样本在事件中的统计分别几率来进行训练(概率计算)和预测的,归一化是同一在0-1之间的统计概率分布;当所有样本的输入信号都为正值时,与第一隐含层神经元相连的权值只能同时增加或减小,从而导致学习速度很慢。为了避免出现这种情况,加快网络学习速度,可以对输入信号进行归一化,使得所有样本的输入信号其均值接近于0或与其均方差相比很小。

    归一化是因为sigmoid函数的取值是0到1之间的,网络最后一个节点的输出也是如此,所以经常要对样本的输出归一化处理。所以这样做分类的问题时用[0.9

    0.1 0.1]就要比用[1 0 0]要好。

    但是归一化处理并不总是合适的,根据输出值的分布情况,标准化等其它统计变换方法有时可能更好。

    二、matlab图像处理如何归一化

    matlab中的归一化处理有三种方法

    1. premnmx、postmnmx、tramnmx

    2. restd、poststd、trastd

    3. 自己编程

    (1)线性函数转换,表达式如下:

    y=(x-MinValue)/(MaxValue-MinValue)

    说明:x、y分别为转换前、后的值,MaxValue、MinValue分别为样本的最大值和最小值。

    (2)对数函数转换,表达式如下:

    y=log10(x)

    说明:以10为底的对数函数转换。

    (3)反余切函数转换,表达式如下:

    y=atan(x)*2/PI

    (4)一个归一化代码.

    I=double(I);

    maxvalue=max(max(I)');%max在把矩阵每列的最大值找到,并组成一个单行的数组,转置一下就会行转换为列,再max就求一个最大的值,如果不转置,只能求出每列的最大值。

    f = 1 - I/maxvalue; %为什么要用1去减?

    Image1=f;

    图像归一化是计算机视觉、模式识别等领域广泛使用的

    一种技术[12 ]. 所谓图像归一化, 就是通过一系列变换,

    将待处

    理的原始图像转换成相应的唯一标准形式(该标准形式图像

    对平移、旋转、缩放等仿射变换具有不变特性). 近年来,

    基于

    矩的图像归一化技术受到了人们的普遍关注, 其基本工作原

    理为: 首先利用图像中对仿射变换具有不变性的矩来确定变

    换函数的参数, 然后利用此参数确定的变换函数把原始图像

    变换为一个标准形式的图像(该图像与仿射变换无关). 一般

    说来, 基于矩的图像归一化过程包括 4 个步骤 即坐标中

    心化、x-shearing 归一化、缩放归一化和旋转归一化.

    基本上归一化思想是利用图像的不变矩寻找一组参数使其能够消除其他变换函数对图像变换的影响。也就是转换成唯一的标准形式以抵抗仿射变换

    图像归一化使得图像可以抵抗几何变换的攻击,它能够找出图像中的那些不变量,从而得知这些图像原本就是一样的或者一个系列的。

    以下你要知道的:

    1.归一化处理并没有改变图像的对比度

    2.归一化处理很简单,假设原图像是8位灰度图像,那么读入的像素矩阵最大值为256,最小值为1

    定义矩阵为I

    J=I/256,就是归一化的图像矩阵,就是说归一化之后所有的像素值都在[0,1]区间内

    Matlab数据归一化方法汇总

    归一化化定义:我是这样认为的,归一化化就是要把你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,其次是保正程序运行时收敛加快。

    在 matlab 里面,用于归一化的方法共有三种 :

    ( 1 ) premnmx 、 postmnmx 、 tramnmx

    ( 2 ) prestd 、 poststd 、 trastd

    ( 3 )是用 matlab 语言自己编程。premnmx 指的是归一到 [ - 1 1],prestd

    归一到单位方差和零均值。( 3 )关于自己编程一般是归一到 [0.1 0.9]

    。具体用法见下面实例。

    为什么要用归一化呢?首先先说一个概念,叫做奇异样本数据,所谓奇异样本数据数据指的是相对于其他输入样本特别大或特别小的样本矢量。

    下面举例:

    m=[0.11 0.15 0.32 0.45 30;

    0.13 0.24 0.27 0.25 45];

    其中的第五列数据相对于其他 4 列数据就可以成为奇异样本数据(下面所说的网络均值 bp

    )。奇异样本数据存在所引起的网络训练时间增加,并可能引起网络无法收敛,所以对于训练样本存在奇异样本数据的数据集在训练之前,最好先进形归一化,若不存在奇异样本数据,则不需要事先归一化。

    具体举例:

    close all

    clear

    echo on

    clc

    %BP 建模

    % 原始数据归一化

    m_data=[1047.92 1047.83 0.39 0.39 1.0 3500 5075;

    1047.83

    1047.68 0.39 0.40 1.0 3452 4912;

    1047.68

    1047.52 0.40 0.41

    1.0 3404 4749;

    1047.52 1047.27 0.41 0.42 1.0 3356 4586;

    1047.27 1047.41 0.42 0.43 1.0 3308 4423;

    1046.73 1046.74 1.70 1.80 0.75 2733 2465;

    1046.74 1046.82 1.80 1.78 0.75 2419 2185;

    1046.82

    1046.73 1.78 1.75 0.75 2105 1905;

    1046.73 1046.48 1.75 1.85 0.70

    1791 1625;

    1046.48 1046.03 1.85 1.82 0.70 1477 1345;

    1046.03

    1045.33 1.82 1.68 0.70 1163 1065;

    1045.33 1044.95 1.68 1.71 0.70 849 785;

    1044.95 1045.21 1.71 1.72 0.70 533 508;

    1045.21

    1045.64 1.72 1.70 0.70

    567 526;

    1045.64

    1045.44 1.70 1.69 0.70 601 544;

    1045.44

    1045.78 1.69 1.69

    0.70 635 562;

    1045.78

    1046.20 1.69 1.52

    0.75 667 580];

    % 定义网络输入 p 和期望输出 t

    pause

    clc

    p1=m_data(:,1:5);

    t1=m_data(:,6:7);

    p=p1';t=t1';

    [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t)

    % 设置网络隐单元的神经元数 (5~30 验证后 5 个最好)

    n=5;

    % 建立相应的 BP 网络

    pause

    clc

    net=newff(minmax(pn),[n,2],{'tansig','purelin'},'traingdm');

    inputWeights=net.IW{1,1};

    inputbias=net.b{1};

    layerWeights=net.IW{1,1};

    layerbias=net.b{2};

    pause

    clc

    % 训练网络

    net.trainParam.show=50;

    net.trainParam.lr=0.05;

    net.trainParam.mc=0.9;

    net.trainParam.epochs=200000;

    net.trainParam.goal=1e-3;

    pause

    clc

    % 调用 TRAINGDM 算法训练 BP 网络

    net=train(net,pn,tn);

    % 对 BP 网络进行仿真

    A=sim(net,pn);

    E=A-tn;

    M=sse(E)

    N=mse(E)

    pause

    clc

    p2=[1046.20 1046.05 1.52 1.538 0.75;

    1046.05

    1046.85 1.538 1.510 0.75;

    1046.85

    1046.60 1.510 1.408 0.75;

    1046.60

    1046.77 1.408 1.403 0.75;

    1046.77

    1047.18 1.403 1.319 0.75];

    p2=p2';

    p2n=tramnmx

    (p2,minp,maxp);

    a2n=sim(net,p2n);

    a2=postmnmx(a2n,mint,maxt)

    echo off

    pause

    clc

    程序说明:所用样本数据(见 m_data )包括输入和输出数据,都先进行归一化,还有一个问题就是你要进行预测的样本数据 ( 见本例

    p2) 在进行仿真前,必须要用 tramnmx 函数 进行事先归一化处理,然后才能用于预测,最后的仿真结果要用 postmnmx

    进行反归一,这时的输出数据才是您所需要的预测结果。

    个人认为: tansig 、 purelin 、 logsig

    是网络结构的传递函数,本身和归一化没什么直接关系,归一化只是一种数据预处理方法。

    ==================================================================================

     

    需要说明的是并不是任何问题都必须事先把原始数据进行规范化 ,

    也就是数据规范化这一步并不是必须要做的 , 要具体问题具体看待 , 测试表明有时候规范化后的预测准确率比没有规范化的预测准确率低很多

    . 就最大最小值法而言 , 当你用这种方式将原始数据规范化后 ,

    事实上意味着你承认了一个假设就是测试数据集的每一模式的所有特征分量的最大值 ( 最小值 ) 不会大于 ( 小于 )

    训练数据集的每一模式的所有特征分量的最大值 ( 最小值 ), 但这条假设显然过于强 , 实际情况并不一定会这样 .

    使用平均数方差法也会有同样类似的问题 . 故数据规范化这一步并不是必须要做的 , 要具体问题具体看待

    . [faruto 按 ]

    ====================================================

    ==================

    关于神经网络( matlab )归一化的整理 (by strongbox)

    http://www.ilovematlab.cn/viewthread.php?tid=12186

    ----------------------------------------------------------------------

    由于采集的各数据单位不一致,因而须对数据进行 [-1 , 1] 归一化处理,归一化方法主要有如下几种,供大家参考:( by james

    )

    1 、线性函数转换,表达式如下:

    y=(x-MinValue)/(MaxValue-MinValue)

    说明: x 、 y 分别为转换前、后的值, MaxValue 、 MinValue 分别为样本的最大值和最小值。

    2 、对数函数转换,表达式如下:

    y=log10(x)

    说明:以 10 为底的对数函数转换。

    3 、反余切函数转换,表达式如下:

    y=atan(x)*2/PI

    归一化是为了加快训练网络的收敛性,可以不进行归一化处理

    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 -1--+1

    之间是统计的坐标分布。归一化有同一、统一和合一的意思。无论是为了建模还是为了计算,首先基本度量单位要同一,神经网络是以样本在事件中的统计分别几率来进行训练(概率计算)和预测的,归一化是同一在

    0-1 之间的统计概率分布;

    当所有样本的输入信号都为正值时,与第一隐含层神经元相连的权值只能同时增加或减小,从而导致学习速度很慢。为了避免出现这种情况,加快网络学习速度,可以对输入信号进行归一化,使得所有样本的输入信号其均值接近于

    0 或与其均方差相比很小。

    归一化是因为 sigmoid 函数的取值是 0 到 1

    之间的,网络最后一个节点的输出也是如此,所以经常要对样本的输出归一化处理。所以这样做分类的问题时用 [0.9 0.1 0.1]

    就要比用 [1 0 0] 要好。

    但是归一化处理并不总是合适的,根据输出值的分布情况,标准化等其它统计变换方法有时可能更好。

    关于用 premnmx 语句进行归一化:

    premnmx 语句的语法格式是: [Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T)

    其中 P , T 分别为原始输入和输出数据, minp 和 maxp 分别为 P 中的最小值和最大值。 mint 和 maxt 分别为

    T 的最小值和最大值。

    premnmx 函数用于将网络的输入数据或输出数据进行归一化,归一化后的数据将分布在 [-1,1] 区间内。

    我们在训练网络时如果所用的是经过归一化的样本数据,那么以后使用网络时所用的新数据也应该和样本数据接受相同的预处理,这就要用到

    tramnmx 。

    下面介绍 tramnmx 函数:

    [Pn]=tramnmx(P,minp,maxp)

    其中 P 和 Pn 分别为变换前、后的输入数据, maxp 和 minp 分别为 premnmx

    函数找到的最大值和最小值。

    ( by terry2008 )

    matlab 中的归一化处理有三种方法

    1. premnmx 、 postmnmx 、 tramnmx

    2. restd 、 poststd 、 trastd

    3. 自己编程

    具体用那种方法就和你的具体问题有关了

    ( by happy )

    pm=max(abs(p(i,:))); p(i,:)=p(i,:)/pm;

    for i=1:27

    p(i,:)=(p(i,:)-min(p(i,:)))/(max(p(i,:))-min(p(i,:)));

    end 可以归一到 0 1 之间

    0.1+(x-min)/(max-min)*(0.9-0.1) 其中 max 和 min 分别表示样本最大值和最小值。

    这个可以归一到 0.1-0.9

    =================================by ratbaby

    补充一个吧, 归一还可以用 mapminmax。

    这个函数可以把矩阵的每一行归一到[-1 1].

    [y1,PS] = mapminmax(x1). 其中x1 是需要归一的矩阵 y1是结果

    当需要对另外一组数据做归一时,比如SVM 中的 training data用以上方法归一,而test

    data就可以用下面的方法做相同的归一了

    y2 = mapminmax('apply',x2,PS)

    当需要把归一的数据还原时,可以用以下命令

    x1_again = mapminmax('reverse',y1,PS)

    =================================

    展开全文
  • 图像归一化normalization

    万次阅读 2018-05-25 11:36:15
    一、图像归一化的好处:1、转换成标准模式,防止仿射变换的影响。2、减小几何变换的影响。3、加快梯度下降求最优解的速度。二、图像归一化的方法1、线性函数转换,表达式如下:y=(x-MinValue)/(MaxValue-MinValue)...
  • 图像归一化Normalization

    千次阅读 2019-04-16 10:11:57
    一:什么是图像归一化 归一化就是通过一系列变换(即利用图像的不变矩寻找一组参数使其能够消除其他变换函数对图像变换的影响),将待处理的原始图像转换成相应的唯一标准形式(该标准形式图像对平移、旋转、缩放等...
  • 二:图像归一化处理

    千次阅读 2019-11-08 22:19:59
    二:图像归一化处理 图像归一化最常见的就是最大最小值归一化方法,公式如下: OpenCV中实现图像最大与最小值归一化的函数如下: normalize( src, // 表示输入图像, numpy类型 dst, // 表示归一化之后图像,...
  • 简述图像归一化

    2019-11-08 17:23:45
    # 图像归一化,将图像的各像素值归一化到0~1区间。 train_images /= 255 test_images /= 255 在深度学习中,对数据进行归一化是为了将特征值尺度调整到相近的范围。 如果不归一化,尺度大的特征值,梯度也比较大...
  • 图像归一化matlib程序

    2011-07-19 10:00:32
    图像归一化,可以对图像进行归一化,水印嵌入。
  • MATLAB 图像归一化

    千次阅读 2017-09-04 22:13:00
    也就是转换成唯一的标准形式以抵抗仿射变换 图像归一化使得图像可以抵抗几何变换的攻击,它能够找出图像中的那些不变量,从而得知这些图像原本就是一样的或者一个系列的。 因为我们这次的图片有好多都是一个系列的...
  • 一、图像归一化的好处:1、转换成标准模式,防止仿射变换的影响。2、减小几何变换的影响。3、加快梯度下降求最优解的速度。二、图像归一化的方法1、线性函数转换,表达式如下:y=(x-MinValue)/(MaxValue-MinValue)...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 3,702
精华内容 1,480
关键字:

图像归一化