opencv 归一化函数 normalize
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)\}][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)|)\}][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：
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)\}][dst_i_j_frac_Ai_max_A]
上述的矩阵中最大的元素是23 第一个元素10 所以在输出的时候第一个元素为：10/23=0.43478260869565216
NORM_INF 归一化的方式是对应元素除以矩阵中的最大的元素
总结：
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）对应公式：
NORM_L1归一化处理是对应元素除以矩阵元素和 对应公式： 矩阵元素的绝对值之和（曼哈顿距离）
NORM_L2 是对应元素除以所有元素的平方和的算术平方根 对应公式： 矩阵各元素的欧几里德距离之和
NORM_INF 归一化的方式是对应元素除以矩阵中的最大的元素 对应公式： 矩阵各元素绝对值的最大值（切比雪夫距离）
上面是对归一化函数有一个初步的了解，以及对应的熟悉公式，看完这些感觉业务了解算法，上学的时候学习的那点知识还真的是需要恶补，特别是学习opencv，当然我们最终的目的不是说对opencv有所创新，我们希望的是对图片可以进行相关的处理，目的地还有很远，继续加油。还有3天要过年了，提前祝大家牛年快乐。
希望对你有所帮助！
柔光的暖阳◎
小鱼儿
港控/mmm°
超、凢脫俗
分手后的思念是犯贱
还没有评论，来说两句吧...