如何利用opencv對圖像進行灰度歸一化呢？對比度？如果只是隨機檢查，那就是直方圖。它可以被bgr2gray或bgr2hsv/HLS展平以獲得單通道圖像?；蛘邔⒅苯硬噬玆GB圖像分為三個通道分別計算。

如何利用opencv對圖像進行灰度歸一化呢？

對比度？如果只是隨機檢查，那就是直方圖。它可以被bgr2gray或bgr2hsv/HLS展平以獲得單通道圖像?；蛘邔⒅苯硬噬玆GB圖像分為三個通道分別計算。為了平衡對比度的方法，有直方圖均衡化和另外一種算法，叫白化之類的，很少使用，但在特定情況下效果更好。[現(xiàn)在躺在床上，我不記得它到底叫什么了]如果將來需要二值化，可以直接選擇大津大律自適應二值化或三角形自適應二值化。它們有不同的特點。此外，在某些情況下，這種全局自適應二值化是不平衡的?；蛘咴谌コ尘昂蠓謩e計算上述兩種算法的全局自適應二值化閾值。特定的場景需要特定的算法。至于什么時候用什么，你得自己試試。別問我。用我導師的話來說，“圖像處理是一個經(jīng)驗算法，你只能通過更多的嘗試才能知道?！薄ｍ槺阏f一句：對比度均衡化的效果通常不好，會帶來噪音，影響后續(xù)的操作，會丟失一些原始圖像的信息，所以我一般不做對比度均衡化/直方圖歸一化。

如何進行數(shù)據(jù)的歸一化處理？

首先，測試集的標準化平均值和標準偏差應來自訓練集。如果您熟悉Python的sklearn，您應該知道應該首先對訓練集數(shù)據(jù)進行擬合，得到包括均值和標準差的定標器，然后分別變換訓練集和驗證集。這個問題其實很好。很多人不注意。最容易犯的錯誤是在劃分訓練測試集之前進行規(guī)范化。

第二個問題是不同歸一化方法的選擇，如均值方差歸一化、最大最小歸一化等。歸一化的目的是調(diào)整每個場之間的數(shù)量級差異。均值-方差歸一化可能更適合不知道數(shù)據(jù)邊界在哪里的情況。最大和最小規(guī)格化相當于積分到01，這意味著您知道該字段的邊界在哪里。所以我個人更喜歡均值方差的標準化。我只是憑經(jīng)驗說的，不一定是對的。