Question

我正在检查某人的代码，我得到的东西很少：

在某些品牌标签中为条形码创建遮罩后，需要创建该遮罩的阈值图像（因为当我们看到的图像看起来相同时）和
然后使用cv2.normalize（）对阈值图像进行归一化，归一化函数实际上会做什么

1）创建遮罩：

import imutils
import cv2
import numpy as np

image = cv2.imread("/home/nayantara/Desktop/beinghuman.jpg")
mask = np.zeros(image.shape, dtype = "uint8")
cv2.rectangle(mask, (700, 1038), (1733 , 2111),(255,255,255),-1)

2）获取掩码阈值：

ret,barcode_mask_thresh = cv2.threshold(mask,127,255,cv2.THRESH_BINARY)

3）归一化阈值图像：

cropped_barcode_mask = cv2.normalize(src=barcode_mask_thresh, dst=None, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8UC1)

Answer 1

当您具有由

完成的阈值图像时

ret,barcode_mask_thresh = cv2.threshold(mask,127,255,cv2.THRESH_BINARY)

您将只有2个可能的值，即0或255（至少在这种情况下）。然后，当您使用NORM_MIN_MAX进行归一化时，您将获得数组/图像的最小值和最大值，并重新缩放数组，以使最小值为可能的最小值，最大值为最大值。可能。

作为示例，考虑以下数字数组：

eg = np.array([10, 20, 30, 10, 45, 90])

如果进行归一化，算法将缩放它们以适合整个范围，这意味着，最小的最小值为10，可能的最小值为0，最大的最小值为90，即255。如果这样做：

cv2.normalize(eg, dst=None, alpha=0, beta=255,norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8U)

我们得到：

array([[  0], [ 32], [ 64], [  0], [112], [255]], dtype=uint8)

回到您的具体情况，您只能有2个可能的数字，这些数字已经是可能的最小值和可能的最大值，从而导致3种可能的情况。

1）您的数组中有0和255 ，就像这样：

eg = np.array([0, 255, 0, 255, 255])
cv2.normalize(eg, dst=None, alpha=0, beta=255,norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8U)

给出：

array([[  0], [ 255], [ 0], [  255], [255]], dtype=uint8)

2）所有数字均为0 ，最小值和最大值相同，结果将为0的数组。

3）所有数字均为255 ，最小和最大相同，再次给出的数字将仅为0。

最重要的是，此功能对于这种情况基本上是无用的，除非您希望将完全白色的图像转换为黑色的图像（所有数字均为255并将其转换为0），否则在任何情况下结果都将与相同，因此不需要。

当我们通过mask的阈值图像时，cv2.normalize实际做什么？

1）创建遮罩：

2）获取掩码阈值：

3）归一化阈值图像：

1 个答案: