Opencv C++ 归一化

c++默认是uint8，uchar类型，归一化需要数据转换，在3.4.8版本下，没有试验成功

在3.4.8版本下，先转换类型，再进行除法操作，也没试验成功。

这个可以：文章后面有3通道分别归一化：

      Mat img = cv::imread("bar1.jpg");
      	img.convertTo(img, CV_32FC1);
      	normalize(img, img, 1.0, 0.0, NORM_MINMAX);
     	cout << img << endl;
  
 

后面有vector<double>的成功了，

可能是最后transpose没有做，导致的失败？

1.函数原型

void cv::normalize(InputArry src,InputOutputArray dst,double alpha=1,double beta=0,int norm_type=NORM_L2,int dtype=-1,InputArray mark=noArry())
 

2.函数作用

归一化数据。该函数分为范围归一化与数据值归一化。（Normalizes the norm or value range of an array.）

3.参数说明

src               输入数组；

dst               输出数组，数组的大小和原数组一致；

alpha           1,用来规范值，2.规范范围，并且是下限；

beta             只用来规范范围并且是上限；

norm_type   归一化选择的数学公式类型；

dtype           当为负，输出在大小深度通道数都等于输入，当为正，输出只在深度与输如不同，不同的地方游dtype决定；

mark            掩码。选择感兴趣区域，选定后只能对该区域进行操作。

4.归一化选择的数学公式类型介绍（norm_type）

设数组中原有{A1,A2,A3...An}

NORM_L1:

NORM_INF:

NORM_L2:

NORM_MINMAX:（AK不属于{max(Ai)},min(Ai),当AK等于max(Ai)时p=1，等于min(Ai)时p=0）

6.范围归一化与值归一化的区别

区别一：范围归一化使用的是如下式子，设范围为【0，255】

即把src缩放到【0，255】这个范围内，并不使用上面的4个公式去解。

区别二：使用范围归一化时，beta必有值不等于0

举例说明：

一 值归一化：

      #include<opencv2/opencv.hpp>
      #include<iostream>
      using namespace std;
      int main()
      {
      vector<double>a={ 10,11,234,45,65,456,0 };
      cv::normalize(a, a, 1,0, cv::NORM_MINMAX);
      for (int i=0;i < a.size();i++)
      {
      cout << a[i] << endl;
      }
      return 0;
      }
  
 

结果如下：

二 范围归一化

      #include<opencv2/opencv.hpp>
      #include<iostream>
      using namespace std;
      int main()
      {
      vector<double>a={ 10,11,234,45,65,456,0 };
      cv::normalize(a, a, 0,255, cv::NORM_MINMAX);
      for (int i=0;i < a.size();i++)
      {
      cout << a[i] << endl;
      }
      return 0;
      }
  
 

结果如下：

Opencv C++下的Mat归一化
void Mat_L2_mormal(cv::Mat &image)
{
    //mat*mat,
    cv::Mat out;
    out=(image) .mul (image);
    float sum=0.0;
    for (int i=0;i<image.rows;i++){
        sum=sqrt(cv::sum(out.row(i))[0]);
        image.row(i)=(image.row(i)/sum);
    }
    out.release();
}

      float scale =  0.0078125f ;
      float mean_value = 127.5f;
      void Mat_L2_mormal(cv::Mat &image)
      {
     	for (int i = 0; i<image.rows; i++)
      	{
     		for (int j = 0; j<image.cols; j++)
      		{
      			image.at<Vec3b>(i, j)[0] = (image.at<Vec3b>(i, j)[0] - mean_value) * scale;
      			image.at<Vec3b>(i, j)[1] = (image.at<Vec3b>(i, j)[1] - mean_value) * scale;
      			image.at<Vec3b>(i, j)[2] = (image.at<Vec3b>(i, j)[2] - mean_value) * scale;
      		}
      	}
      }
      //方法2
      double minv = 0.0, max_v = 0.0;
      minMaxIdx(image1, &minv, &maxv);
      for (int row = 0; row < face_img.rows; row++)
      {
     	for (int col = 0; col < face_img.cols; col++)
      	{
     		for (int k = 0; k < 3; k++) {
     			const auto src = face_img.at<cv::Vec3b>(row, col)[k];
     			auto dst = 0.0;
     			if (k == 0) dst = ((float(src) / max_v - 0.485) / 0.229) ;
     			if (k == 1) dst = ((float(src) / max_v - 0.456) / 0.224) ;
     			if (k == 2) dst = ((float(src) / max_v - 0.406) / 0.225) ;
      			inputData[k * resize_w * resize_h + row * resize_w + col] = dst;
      		}
      	}
      }
  
 

二、深度转换–convertTo()
2.1、API介绍

void convertTo( OutputArray dst, int rtype, double alpha=1, double beta=0 )
1
参数dst：输出图像；
参数rtype：要转换的深度；
参数alpha：对灰度值的缩放倍数；
参数beta：对灰度值得增量。
公式： dst = satyrate_cast(src * alpha + beta)；

这个也是减均值128，归一化

      	cv::cvtColor(imgResized, imgResized, cv::COLOR_RGB2BGR);
     	//Mat_L2_mormal(imgResized);
     	vector<Mat> bgr;
      	cv::split(imgResized, bgr);
      	bgr[0].convertTo(bgr[0], CV_32F, 1.f / 128.f, -1.f);
      	bgr[1].convertTo(bgr[1], CV_32F, 1.f / 128.f, -1.f);
      	bgr[2].convertTo(bgr[2], CV_32F, 1.f / 128.f, -1.f);
  
 

文章来源: blog.csdn.net，作者：网奇，版权归原作者所有，如需转载，请联系作者。

原文链接：blog.csdn.net/jacke121/article/details/106175928