数据预处理之机器学习

数据预处理在机器学习中起着至关重要的作用，它可以帮助提高模型的性能、减少过拟合，并改善模型的训练效果。常见的有灰度离散化;图像归一化均值方差、窗宽窗位、最大最小归一化；最大最小截断。

目录

一、灰度离散化

二、图像归一化

三、最大最小截断

---

一、灰度离散化

灰度离散化是一种常见的图像预处理技术，用于将连续的灰度值范围划分为若干个离散的区间，从而简化图像数据并减少计算复杂度。在灰度离散化过程中，可以使用不同的方法来将灰度值映射到离散的区间中，常见的方法包括bincount和binwidth。

bincount灰度离散化：使用bincount方法可以统计图像中每个灰度值出现的次数，并将其分配到相应的离散区间中。这种方法可以直观地展示图像中各个灰度级别的分布情况。

binwidth灰度离散化： binwidth方法是将灰度值按照指定的宽度划分为离散的区间的方法。通过指定区间宽度，可以将连续的灰度值范围划分为较少的离散区间，从而简化图像数据。

import numpy as np

# 使用np.histogram对灰度值进行离散化
def bincount_discretization(image):
    hist, _ = np.histogram(i