图像均值归一化
Image Mean Normalization
我想知道我是否正确理解了图像的均值归一化。
据我所知，您计算所有像素的平均值（假设它是灰度）。然后，对于每个像素，减去这个平均值。
但是应该如何处理可能出现的负值呢？例如，整个图像的平均值为 100，但一个特定像素的强度为 90。经过此归一化后，该像素的值将为 -10。
这可能不是您要查找的内容，但避免输出中出现负数的一个选项是标准化为存在的值范围而不是图像均值。
等式为：X' = (X - Xmin)/(Xmax - Xmin)。这会将图像重新调整为介于 0 和 1 之间（不涉及负值）。如果您想将其保存为易于查看的灰度，您可以将值乘以 255 以重新缩放它。
可能还值得注意的是，除非整个图像具有恒定的强度，否则在减去平均值后肯定会有一些负值（不仅仅是它们可能出现的可能性）。
您不必处理负输入，模型可以处理它们。例如，对于神经网络，输入范围 [-1, 1]
是一种很好的做法
我想知道我是否正确理解了图像的均值归一化。
据我所知，您计算所有像素的平均值（假设它是灰度）。然后，对于每个像素，减去这个平均值。
但是应该如何处理可能出现的负值呢？例如，整个图像的平均值为 100，但一个特定像素的强度为 90。经过此归一化后，该像素的值将为 -10。
这可能不是您要查找的内容，但避免输出中出现负数的一个选项是标准化为存在的值范围而不是图像均值。 等式为：X' = (X - Xmin)/(Xmax - Xmin)。这会将图像重新调整为介于 0 和 1 之间（不涉及负值）。如果您想将其保存为易于查看的灰度，您可以将值乘以 255 以重新缩放它。
可能还值得注意的是，除非整个图像具有恒定的强度，否则在减去平均值后肯定会有一些负值（不仅仅是它们可能出现的可能性）。
您不必处理负输入，模型可以处理它们。例如，对于神经网络，输入范围 [-1, 1]
是一种很好的做法