归一化公式

归⼀化函数normalize详解

opencv2归⼀化函数normalize详解

1.归⼀化定义与作⽤

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。

归⼀化的⽬的简⽽⾔之，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。

在使⽤机器学习算法的数据预处理阶段，归⼀化也是⾮常重要的⼀个步骤。例如在应⽤SVM之前，缩放是⾮常重要的。

Sarle的神经⽹络FAQ的第⼆部分（1997）阐述了缩放的重要性，⼤多数注意事项也适⽤于SVM。缩放的最主要优点是能

够避免⼤数值区间的属性过分⽀配了⼩数值区间的属性。另⼀个优点能避免计算过程中数值复杂度。因为关键值通常依赖特

征向量的内积（innerproducts），例如，线性核和多项式核，属性的⼤数值可能会导致数值问题。我们推荐将每个属性线

性缩放到区间[-1,+1]或者[0,1]。

当然，我们必须使⽤同样的⽅法缩放训练数据和测试数据。例如，假设我们把训练数据的第⼀个属性从[-10,+10]缩放到

[-1,+1]，那么如果测试数据的第⼀个属性属于区间[-11,+8]，我们必须将测试数据转变成[-1.1,+0.8]。

参考：“SVM：从理论到OpenCV实践”4.2归⼀化数据：

ize函数介绍

函数原型：

voidnormalize(InputArraysrc,OutputArraydst,doublealpha=1,doublebeta=0,intnorm_type=

NORM_L2,intdtype=-1,InputArraymask=noArray())

该函数归⼀化输⼊数组使它的范数或者数值范围在⼀定的范围内。

Parameters:

src

输⼊数组

dst

输出数组，⽀持原地运算

alpha

rangenormalization模式的最⼩值

beta

rangenormalization模式的最⼤值，不⽤于normnormalization(范数归⼀化)模式。

normType

归⼀化的类型，可以有以下的取值：

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，⼀般较常⽤。

NORM_INF:此类型的定义没有查到，根据OpenCV1的对应项，可能是归⼀化数组的C-范数(绝对值的最⼤值)

NORM_L1:归⼀化数组的L1-范数(绝对值的和)

NORM_L2:归⼀化数组的(欧⼏⾥德)L2-范数

dtype

dtype为负数时，输出数组的type与输⼊数组的type相同；

否则，输出数组与输⼊数组只是通道数相同，⽽tpye=CV_MAT_DEPTH(dtype).

mask

操作掩膜，⽤于指⽰函数是否仅仅对指定的元素进⾏操作。

3.归⼀化公式：

1、线性函数转换，表达式如下：（对应NORM_MINMAX）

ifmask(i,j)!=0

dst(i,j)=(src(i,j)-min(src))*(b'-a')/(max(src)-min(src))+a'

el

dst(i,j)=src(i,j)

其中b'=MAX(alpha,beta),a'=MIN(alpha,beta);

2.当norm_type!=NORM_MINMAX:

ifmask(i,j)!=0

dst(i,j)=src(i,j)*alpha/norm(src,norm_type,mask)

el

dst(i,j)=src(i,j)

其中，函数norm的功能是计算norm（范数）的绝对值

Thefunctionsnormcalculateanabsolutenormofsrc1(whenthereisnosrc2):