|
OpenCV的函数normalize()的两个作用:调整矩阵的值范围(归一化处理)、规范化矩阵的范数为某个值
函数normalize()有两个原型:
原型一:
- void cv::normalize(InputArray src,
- InputOutputArray dst,
- double alpha = 1,
- double beta = 0,
- int norm_type = NORM_L2,
- int dtype = -1,
- InputArray mask = noArray() )
复制代码- dst=cv.normalize(src, dst[, alpha[, beta[, norm_type[, dtype[, mask]]]]])
复制代码
原型二:
- void cv::normalize(const SparseMat & src,
- SparseMat & dst,
- double alpha,
- int normType )
复制代码- dst=cv.normalize(src, dst[, alpha[, beta[, norm_type[, dtype[, mask]]]]])
复制代码
原型一的适用对象是密集矩阵,通常我们的矩阵都是密集矩阵。
原型二的适用对象是稀疏矩阵,在这篇博文中暂不作介绍。
在介绍各参数的意义前,先说下函数normalize()的作用。
函数normalize()有两个作用:
第一个作用:规范化矩阵的范数为某个值;
第二个作用:规范化矩阵的值范围,即我们常说的对矩阵进行归一化处理。
究竟函数normalize()发挥什么作用,这取决于参数norm_type取什么值。
当它起第一个作用时,即用于规范化矩阵的范数为某个值时,它通过线性缩放和平移操作实现如下目标:
![](http://pic1.hhai.cc/pic1/2023/2023-01/001/31.png)
当p=Inf时,对应的参数normType取值为NORM_INF,此时函数normalize()会把src矩阵所有元素的最大绝对值调整为参数alpha的值。
当p=1时,对应的参数normType取值为NORM_L1,此时函数normalize()会把src矩阵所有元素的绝对值之和调整为参数alpha的值。
当p=2时,对应的参数normType取值为NORM_L2,此时函数normalize()会把src矩阵所有元素的绝对值的平方和进行开方后的值调整为参数alpha的值。
当它起第二个作用时,即对矩阵进行归一化处理时,它通过线性缩放和平移操作实现如下目标
![](http://pic1.hhai.cc/pic1/2023/2023-01/001/32.png)
即此时函数normalize()会把原矩阵中的值范围从[min(src), max(src)]按比例线性变换到[alpha, beta]的范围。
根据上面的这个目标,可知实现的具体数学表达式如下:
![](http://pic1.hhai.cc/pic1/2023/2023-01/001/33.png)
根据上式,可以得到dst(i,j)的表达式,如下:
![](http://pic1.hhai.cc/pic1/2023/2023-01/001/34.png)
有了上面的准备知识后,接下来,开始介绍其原型一各参数的意义,这里再把原型一复制如下:
- void cv::normalize(InputArray src,
- InputOutputArray dst,
- double alpha = 1,
- double beta = 0,
- int norm_type = NORM_L2,
- int dtype = -1,
- InputArray mask = noArray() )
复制代码
各参数意义如下:
src---输入矩阵。
dst---输出矩阵。
alpha---在第一个作用中,它表示目标范数值(Norm Value);在第二个作用中,函数normalize()会把原矩阵中的值范围从[min(src), max(src)]按比例线性变换到[alpha, beta]的范围。
beta---在第一个作用中,此参数没有作用,是一个无效参数。在第二个作用的情况中,函数normalize()会把原矩阵中的值范围从[min(src), max(src)]按比例线性变换到[alpha, beta]的范围。
norm_type---这个参数决定了函数normalize()对输入矩阵作哪种规范化操作。其可取值如下表所示:
![](http://pic1.hhai.cc/pic1/2023/2023-01/001/35.png)
我们常常用这个函数对矩阵进行归一化处理,即上面说的第二个作用,此时norm_type取NORM_MINMAX。
当norm_type取NORM_MINMAX时,需要注意两点:
①当norm_type=NORM_MINMAX时,矩阵src只能为密集矩阵。
②当有掩码矩阵参数时,它是在掩码矩阵所选取的子矩阵上进行操作,包括最大值,最小值的选取也是在子矩阵的范围内,而不是整个原矩阵的范围内进行最大值最小值的选取。
在上面的norm_type取值表中,NORM_INF、NORM_L1、NORM_L2、NORM_L2SQR 情况下都存在src2的情况,可是函数normalize()并没有两个输入参数啊,这是怎么回事呢?
是因为并不是只有函数normalize()取这些枚举值,其它函数也会取这些枚举值,比如norm()的参数也需要取这些枚举值。norm()的OpenCV4.4.0官方文档链接:https://docs.opencv.org/4.4.0/d2 ... d990af775d378e7e46c
dtype—输出矩阵的数据类型,当它为负值时,和输入矩阵的数据类型一样。否则,按它指定的数据类型生成输出矩阵。
mask—操作掩码矩阵。如果操作掩码矩阵存在,则掩码值为0的矩阵元素不参与运算,掩码值为1矩阵元素参与运算。
接下来上示例代码:
首先是利用函数normalize()将原矩阵的范数规范化为某个值的Python代码:
- # -*- coding: utf-8 -*-
- # 出处:昊虹AI笔记网(hhai.cc)
- # 用心记录计算机视觉和AI技术
- # 博主微信/QQ 2487872782
- # QQ群 271891601
- # 欢迎技术交流与咨询
- # OpenCV的版本为4.4.0
- import cv2 as cv
- import numpy as np
- A = np.array([[1, 2, 4],
- [8, 16, 32]], dtype='int8')
- B1 = A.copy()
- B2 = A.copy()
- B3 = A.copy()
- alpha1 = 100
- # 将矩阵A的所有元素的最大绝对值调整为参数alpha1的值
- cv.normalize(A, B1, alpha1, norm_type=cv.NORM_INF)
- # 将矩阵A的所有元素的绝对值之和调整为参数alpha1的值
- cv.normalize(A, B2, alpha1, norm_type=cv.NORM_L1)
- # 将矩阵A的所有元素绝对值的平方和进行开方后的值调整为参数alpha1的值
- cv.normalize(A, B3, alpha1, norm_type=cv.NORM_L2)
复制代码
运行结果如下:
![](http://pic1.hhai.cc/pic1/2023/2023-01/001/36.png)
从上面的结果中可以看出:
B1的所有元素的最大绝对值为100;
B2的所有元素的值加起来为100,验证截图如下:
2+3+6+13+25+51
![](http://pic1.hhai.cc/pic1/2023/2023-01/001/37.png)
B3的所有元素绝对值的平方和进行开方后的值为100,验证截图如下:
(3**2+5**2+11**2+22**2+43**2+87**2)**0.5
![](http://pic1.hhai.cc/pic1/2023/2023-01/001/38.png)
然后是利用函数normalize()将原矩阵的值归一化到某个区间的Python代码:
- # -*- coding: utf-8 -*-
- # 出处:昊虹AI笔记网(hhai.cc)
- # 用心记录计算机视觉和AI技术
- # 博主微信/QQ 2487872782
- # QQ群 271891601
- # 欢迎技术交流与咨询
- # OpenCV的版本为4.4.0
- import cv2 as cv
- import numpy as np
- # 注意矩阵A的数据类型设置为uint8
- # 昊虹君测试过如果设置为int8,得不到想要的结果
- A = np.array([[1, 2, 4],
- [8, 16, 32]], dtype='uint8')
- B1 = A.copy()
- alpha1 = 100
- beta1 = 200
- # 将矩阵A的元素值范围调整到区间[alpha1 beta1]
- cv.normalize(A, B1, alpha1, beta1, norm_type=cv.NORM_MINMAX)
复制代码
运行结果如下:
![](http://pic1.hhai.cc/pic1/2023/2023-01/001/39.png) |
|