Question

在对音频或图像阵列进行一些处理之后，需要在一个范围内对其进行标准化，然后才能将其写回文件。这可以这样做：

# Normalize audio channels to between -1.0 and +1.0
audio[:,0] = audio[:,0]/abs(audio[:,0]).max()
audio[:,1] = audio[:,1]/abs(audio[:,1]).max()

# Normalize image to between 0 and 255
image = image/(image.max()/255.0)

是否有一个不那么详细，方便的功能方法来做到这一点？ matplotlib.colors.Normalize()似乎没有关联。

Answer 1

audio /= np.max(np.abs(audio),axis=0)
image *= (255.0/image.max())

使用/=和*=可以消除中间临时数组，从而节省一些内存。乘法比除法便宜，所以

image *= 255.0/image.max()    # Uses 1 division and image.size multiplications

略快于

image /= image.max()/255.0    # Uses 1+image.size divisions

由于我们在这里使用的是基本的numpy方法，我认为这是一个非常有效的numpy解决方案。

Answer 2

如果数组同时包含正面和负面数据，我会选择：

import numpy as np

a = np.random.rand(3,2)

# Normalised [0,1]
b = (a - np.min(a))/np.ptp(a)

# Normalised [0,255] as integer
c = 255*(a - np.min(a))/np.ptp(a).astype(int)

# Normalised [-1,1]
d = 2.*(a - np.min(a))/np.ptp(a)-1

另外，值得一提的是，即使它不是OP的问题，standardization：

e = (a - np.mean(a)) / np.std(a)

Answer 3

您还可以使用sklearn重新缩放。优点是您可以调整标准偏差的标准化，除了以数据为中心，还可以在任意轴，特征或记录上执行此操作。

from sklearn.preprocessing import scale
X = scale( X, axis=0, with_mean=True, with_std=True, copy=True )

关键字参数axis，with_mean，with_std是自解释的，并以默认状态显示。参数copy如果设置为False，则就地执行操作。文档here。

Answer 4

您可以使用“i”（如idiv，imul ..）版本，它看起来并不坏：

image /= (image.max()/255.0)

对于另一种情况，您可以编写一个函数来按字母顺序标准化n维数组：

def normalize_columns(arr):
    rows, cols = arr.shape
    for col in xrange(cols):
        arr[:,col] /= abs(arr[:,col]).max()

Answer 5

一个简单的解决方案是使用sklearn.preprocessing库提供的缩放器。

scaler = sk.MinMaxScaler(feature_range=(0, 250))
scaler = scaler.fit(X)
X_scaled = scaler.transform(X)
# Checking reconstruction
X_rec = scaler.inverse_transform(X_scaled)

错误X_rec-X将为零。您可以根据需要调整feature_range，甚至可以使用标准缩放器sk.StandardScaler（）

Answer 6

您正在尝试将audio的值在-1和+1之间最小化，将image的值在0和255之间最小化。

使用sklearn.preprocessing.minmax_scale应该可以轻松解决您的问题。

例如：

audio_scaled = minmax_scale(audio, feature_range=(-1,1))

和

shape = image.shape
image_scaled = minmax_scale(image.ravel(), feature_range=(0,255)).reshape(shape)

注释：不要与将向量的norm（长度）缩放到某个值（通常为1）（通常也称为归一化）的操作相混淆

Answer 7

我尝试关注this，并收到错误

TypeError: ufunc 'true_divide' output (typecode 'd') could not be coerced to provided output parameter (typecode 'l') according to the casting rule ''same_kind''

我尝试规范化的numpy数组是一个integer数组。似乎他们在版本＆gt;中弃用了类型转换。 1.10，您必须使用numpy.true_divide()来解决此问题。

arr = np.array(img)
arr = np.true_divide(arr,[255.0],out=None)

img是一个PIL.Image对象。

Answer 8

This answer 到 similar question 为我解决了问题

np.interp(a, (a.min(), a.max()), (-1, +1))

如何将NumPy数组规范化到一定范围内？

8 个答案: