《深度学习与图像识别：原理与实践》—3.2.2　图像预处理

3.2.2　图像预处理

在开始使用算法进行图像识别之前，良好的数据预处理能够很快达到事半功倍的效果。图像预处理不仅可以使得原始图像符合某种既定规则以便于进行后续的处理，而且可以帮助去除图像中的噪声。在后续讲解神经网络的时候我们还会了解到，数据预处理还可以帮助减少后续的运算量以及加速收敛。常用的图像预处理操作包括归一化、灰度变换、滤波变换以及各种形态学变换等，随着深度学习技术的发展，一些预处理方式已经融合到深度学习模型中，由于本书的重点放在深度学习的讲解上，因此这里只重点讲一下归一化。

归一化可用于保证所有维度上的数据都在一个变化幅度上。比如，在预测房价的例子中，假设房价由面积s和卧室数b决定，面积s在0～200之间，卧室数b在0～5之间，进行归一化的一个实例就是s=s/200，b=b/5。

通常我们可以使用两种方法来实现归一化：一种是最值归一化，比如将最大值归一化成1，最小值归一化成-1；或者将最大值归一化成1，最小值归一化成0。另一种是均值方差归一化，一般是将均值归一化成0，方差归一化成1。我们可以通过图3-4来看一组数据归一化后的效果。