opencv学习笔记:归一化normalize()、深度转换convertTo()、找最大最小值及其坐标minMaxLoc()

本文深入解析图像处理中三个核心函数:normalize()用于归一化处理,convertTo()实现图像深度转换,minMaxLoc()查找图像最大最小值及其坐标。详细介绍各函数参数及应用场景,为图像处理提供实用指南。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

一、归一化介绍–normalize()

1.1、API介绍

void normalize( InputArray src, InputOutputArray dst, double alpha = 1, 
							double beta = 0, int norm_type = NORM_L2, 
							int dtype = -1, InputArray mask = noArray());

参数src:输入图像;
参数dst:输出图像,和原图一样的大小;
参数alpha:①用来规范值②用来规范范围,且代表下限;
参数beta:①用来规范值②用来规范范围,且代表上限;
参数norm_type:归一化类型;
参数dtype:输出图像的深度;
参数mask:掩码。选择感兴趣区域,选定后只能对该区域进行操作。

1.2、归一化类型
①NORM_INF
    dst(i,j)=src(i,j)∗alphamax(∣src(i,j)∣)dst(i,j)=\frac{src(i,j)*alpha}{max(|src(i,j)|)}dst(i,j)=max(src(i,j))src(i,j)alpha

②NORM_L1
    dst(i,j)=src(i,j)∗alpha∑∣src(i,j)∣dst(i,j)=\frac{src(i,j)*alpha}{\sum |src(i,j)|}dst(i,j)=src(i,j)src(i,j)alpha

③NORM_L2
    dst(i,j)=src(i,j)∗alpha∑(src(i,j)2)dst(i,j)=\frac{src(i,j)*alpha}{\sqrt{ \sum (src(i,j)^{2})}}dst(i,j)=(src(i,j)2)src(i,j)alpha

④NORM_MINMAX
    dst(i,j)=src(i,j)∗alphamax(src(i,j))−min(src(i,j))dst(i,j)=\frac{src(i,j)*alpha}{max(src(i,j))-min(src(i,j))}dst(i,j)=max(src(i,j))min(src(i,j))src(i,j)alpha
当src(i,j) = max(src(i,j))时,dst(i,j) = 1;当src(i,j) = min(src(i,j))时,dst(i,j) = 0

⑤NORM_L2SQR
⑥NORM_HAMMING
⑦NORM_HAMMING2
⑧NORM_TYPE_MASK
⑨NORM_RELATIVE
在norm_type = NORM_L1 / NORM_L2 / NORM_INF这三种情况下,beta的取值与归一化结果无关,alpha的取值是对计算出的结果进行了缩放。
在norm_type = NORM_MINMAX情况下,alpha、beta的取值是确定了范围的边界,大小与取值顺序无关。
以上是规范化值得计算公式,要进行规范化范围,就需要在上述公式的基础上乘以要规范的范围,比如要规范到(0~255)之间,用NORM_MINMAX就有:
    dst(i,j)=src(i,j)−min(src)max(src)−min(src)∗(b′−a′)+a′dst(i,j)=\frac{src(i,j)-min(src)}{max(src)-min(src)}*(b'-a') +a'dst(i,j)=max(src)min(src)src(i,j)min(src)(ba)+a
其中b′=max(a,b),a′=min(a,b)b'=max(a, b),a'=min(a, b)b=max(a,b)a=min(a,b)

二、深度转换–convertTo()

2.1、API介绍

void convertTo( OutputArray dst, int rtype, double alpha=1, double beta=0 )

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);

三、找最大最小值及其坐标–minMaxLoc()

3.1、API介绍

void minMaxLoc(InputArray src, CV_OUT double* minVal,
                       CV_OUT double* maxVal = 0, CV_OUT Point* minLoc = 0,
                       CV_OUT Point* maxLoc = 0, InputArray mask = noArray());

参数src:单通道图或数组。
参数minVal:查找到的最小值。
参数maxVal:查找到的最大值。
参数minLoc:查找到的最小值的坐标。
参数maxLoc:查找到的最大值得坐标。

3.2、作用
   minmaxloc()函数的作用是查找数组中的最小和最大元素值及其位置。在整个数组中搜索极值,如果掩码不是空数组,则在指定的数组区域中搜索极值。该函数适用于单通道图,对于多通道图要进行通道分离。

### 如何在 OpenCV 中实现图像或数据的归一化处理 #### 使用 Python 和 OpenCV 实现图像归一化 为了使图像处理更加高效,在许多情况下需要对输入图像进行归一化。这可以通过调整像素值范围来完成,使得数值分布在特定范围内,从而有助于提高算法性能。 对于 Python 用户来说,可以利用 `cv2.normalize()` 函数轻松地执行这一过程[^1]: ```python import cv2 import numpy as np # 加载原始图片 image = cv2.imread('path_to_image') # 将图像转换为浮点数类型以便于计算 float_image = image.astype(np.float32) # 执行 Min-Max 归一化到 [0, 1] 范围 normalized_image = cv2.normalize(float_image, None, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_32F) # 如果希望恢复回原来的颜色空间并保存结果,则需乘以 255 并转回 uint8 类型 restored_image = (normalized_image * 255).astype(np.uint8) ``` 上述代码片段展示了如何读取一张彩色图片,并通过调用 `normalize` 方法对其进行线性缩放至 `[0, 1]` 的区间内;最后再将经过变换后的数组重新映射回到标准色彩表示形式。 #### C++ 版本中的图像归一化方法 而在 C++ 环境下,同样能够借助 OpenCV 提供的功能来进行类似的转换工作。这里展示了一个完整的例子,其中包括显示窗口以及必要的类型转换步骤[^2]: ```cpp #include <opencv2/opencv.hpp> using namespace cv; int main(){ Mat image; image = imread("example.jpg"); // 显示原图 imshow("Original Image", image); // 输出当前矩阵的数据类型信息 cout << "Image Type Before Conversion:" << endl; cout << image.type() << endl; // 更改数据类型为 32-bit 浮点数 image.convertTo(image, CV_32F); // 进行 MinMax 归一化 Mat normalizedImg; normalize(image, normalizedImg, 1.0, 0, NORM_MINMAX); // 展示已归一化的图像 imshow("Normalized Image", normalizedImg); waitKey(0); } ``` 这段程序不仅实现了基本的归一化流程,还包含了用于调试目的的日志打印语句,帮助开发者更好地理解每一步骤的效果变化情况。 #### 关键概念解释 - **Min-Max Normalization**: 是指按照给定的最大最小边界对特征向量做线性拉伸的一种方式,目的是让所有样本落在指定的目标域上[^4]。 - **Data Types Transformation**: 在实际应用过程中,由于不同阶段可能涉及到多种运算精度需求,因此适时地更改变量所占用的空间大小是非常重要的。比如从整型变为实数型,反之亦然。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值