opencv 归一化函数 normalize

原创

我是大头鸟 2022-07-07 17:52:31 博主文章分类：opencv ©著作权

文章标签 opencv normalize 归一化 i++ 曼哈顿距离 文章分类 后端开发

©著作权归作者所有：来自51CTO博客作者我是大头鸟的原创作品，请联系作者获取转载授权，否则将追究法律责任

方法:NORM_MINMAX

Mat src=new Mat(new Size(5,1),CvType.CV_32FC1);
    for(int i=0;i<src.rows();i++) {
      for(int j=0;j<src.cols();j++) {
        double [] data=new double[] {10,23,22,10,5};
        src.put(i, j, data[j]);
      }
    }
    Mat dst=new Mat();
    System.out.println(src.dump());
    Core.normalize(src,dst,1,0,Core.NORM_MINMAX);
    System.out.println(dst.dump());

输出结果：

输入：[10, 23, 22, 10, 5]
输出：[0.27777779, 1, 0.94444442, 0.27777779, 0]

当前的数组是一行，我们归一化利用的

$dst(i,j)= \frac{Ai-min(A)}{max(A)-min(A)}$

我们来带入进行求解 max(A)=23 ,min(A)=5 所以说：max(A)-min(A)=23-5=17 Ai-min(A)=10-5=5 5/17=0.2777779

那么这个时候我们的输入的矩阵只有一行，如果存在多行，应该怎么来计算

输入：[10, 23, 22, 10, 5;
11, 9, 4, 15, 2]
输出：[0.38095239, 1, 0.95238101, 0.38095239, 0.14285713;
0.42857146, 0.33333334, 0.095238097, 0.61904764, 0]

上面的是还适用吗：

我们来带入进行求解 max(A)=23 ,min(A)=2 所以说：max(A)-min(A)=23-2=21 Ai-min(A)=10-2=8 8/21=0.38095239

看来 NORM_MINMAX 归一化的方式就是矩阵中的每一个元素减去最小的元素然后除以（矩阵中最大的元素减去最小的元素）

方法NORM_L1

Mat src = new Mat(new Size(5, 2), CvType.CV_32FC1);
    for (int i = 0; i < 1; i++) {
      for (int j = 0; j < src.cols(); j++) {
        double[] data = new double[] { 10, 23, 22, 10, 5 };
        src.put(i, j, data[j]);
      }
    }
    
    
    for (int i = 1; i < 2; i++) {
      for (int j = 0; j < src.cols(); j++) {
        double[] data = new double[] { 11, 9, 4, 15, 2 };
        src.put(i, j, data[j]);
      }
    }
    Mat dst = new Mat();
    System.out.println(src.dump());
    Core.normalize(src, dst, 1, 0, Core.NORM_L1);
    System.out.println(dst.dump());

输入：

[10, 23, 22, 10, 5;
11, 9, 4, 15, 2]
输出：

[0.090090096, 0.20720722, 0.1981982, 0.090090096, 0.045045048;
0.0990991, 0.081081085, 0.036036037, 0.13513514, 0.018018018]

计算公式：

$dst(i,j)=\frac{Ai}{\sum |(src(x,j)|)}$

我们按照计算公司来看：矩阵的元素和为：10+23+ 22+10+5+11+9+4+15+2=111 第一个元素：10/111=0.090090096

由此可以看到的是NORM_L1归一化处理是对应元素除以矩阵元素和

方法NORM_L2

Mat src = new Mat(new Size(5, 2), CvType.CV_32FC1);
    for (int i = 0; i < 1; i++) {
      for (int j = 0; j < src.cols(); j++) {
        double[] data = new double[] { 10, 23, 22, 10, 5 };
        src.put(i, j, data[j]);
      }
    }
    
    
    for (int i = 1; i < 2; i++) {
      for (int j = 0; j < src.cols(); j++) {
        double[] data = new double[] { 11, 9, 4, 15, 2 };
        src.put(i, j, data[j]);
      }
    }
    Mat dst = new Mat();
    System.out.println(src.dump());
    Core.normalize(src, dst, 1, 0, Core.NORM_L2);
    System.out.println(dst.dump());

查看结果：

输入：[10, 23, 22, 10, 5;
11, 9, 4, 15, 2]
输出：[0.24361277, 0.56030935, 0.5359481, 0.24361277, 0.12180638;
0.26797405, 0.2192515, 0.097445108, 0.36541915, 0.048722554]

计算公式：

$dst(i,j)=\frac{Ai}{\sqrt{\sum src(x,y)^{2}}}$

我们来计算一下10*10+23*23+22*22+10*10+5*5+11*11+9*9+4*4+15*15+2*2=1685 求解1685的平方根为：41.048751503547585 然后我们求解第一个元素：10/41.048751503547585 =0.24361276856704797 这个和我们输出元素是一样的

那么我们可以看出NORM_L2 是对应元素除以所有元素的平方和的算术平方根

方法：NORM_INF

    Mat src = new Mat(new Size(5, 2), CvType.CV_32FC1);
    for (int i = 0; i < 1; i++) {
      for (int j = 0; j < src.cols(); j++) {
        double[] data = new double[] { 10, 23, 22, 10, 5 };
        src.put(i, j, data[j]);
      }
    }
    
    
    for (int i = 1; i < 2; i++) {
      for (int j = 0; j < src.cols(); j++) {
        double[] data = new double[] { 11, 9, 4, 15, 2 };
        src.put(i, j, data[j]);
      }
    }
    Mat dst = new Mat();
    System.out.println(src.dump());
    Core.normalize(src, dst, 1, 0, Core.NORM_INF);
    System.out.println(dst.dump());

查看结果：

输入结果：[10, 23, 22, 10, 5;
11, 9, 4, 15, 2]
输出：[0.43478262, 1, 0.95652175, 0.43478262, 0.21739131;
0.47826087, 0.39130434, 0.17391305, 0.65217394, 0.086956523]

这个计算是比较简单的

$dst(i,j)=\frac{Ai}{max(A)}$