为什么MinMaxScaler会为图像添加线条？

Question

我想将图像的像素值标准化为每个通道（R，G，B）的范围[0,1]。

最小示例

import Ember from 'ember';
import ToriiFirebaseAdapter from 'emberfire/torii-adapters/firebase';

export default ToriiFirebaseAdapter.extend({
  firebase: Ember.inject.service()
});

会发生什么

考虑https://commons.wikimedia.org/wiki/File:Crocodylus-johnsoni-3.jpg， 我得到以下＆＃34;标准化＆＃34;结果：

正如您所看到的，右侧有从上到下的线条。那里发生了什么？在我看来，规范化出错了。如果是这样：我该如何解决？

Answer 1

在scikit-learn中，形状为（m，n）的二维数组通常被解释为 m 样本的集合，每个样本都有 n 功能。

MinMaxScaler.fit_transform()会转换每个功能，因此您的数组的每一列都会独立于其他列进行转换。这导致图像中出现垂直“条纹”。

您似乎打算独立缩放每个颜色通道。要使用MinMaxScaler执行此操作，请重新整形输入，以便每个通道都成为一列。也就是说，如果原始图像具有形状（m，n，3），则在将其传递给fit_transform()方法之前将其重新整形为（m * n，3），然后恢复结果的形状以创建转换阵列。

例如，

ascolumns = original.reshape(-1, 3)
t = scaler.fit_transform(ascolumns)
transformed = t.reshape(original.shape)

有了这个，transformed看起来像这样：

图像看起来与原始图像完全一样，因为事实证明在数组original中，每个通道中的最小值和最大值分别为0和255：

In [41]: original.min(axis=(0, 1))
Out[41]: array([0, 0, 0], dtype=uint8)

In [42]: original.max(axis=(0, 1))
Out[42]: array([255, 255, 255], dtype=uint8)

因此，在这种情况下，所有fit_transform都会将所有输入值均匀地转换为浮点范围[0.0,1.0]。如果其中一个通道的最小值或最大值不同，则转换后的图像看起来会有所不同。

顺便说一句，使用纯粹的numpy进行转换并不困难。 （我使用的是Python 3，所以在下面，除法会自动将结果转换为浮点数。如果你使用的是Python 2，你需要将其中一个参数转换为浮点数，或者使用{{1} }。）

from __future__ import division

（该方法的一个潜在问题是，如果其中一个通道是常量，它将产生错误，因为In [58]: omin = original.min(axis=(0, 1), keepdims=True) In [59]: omax = original.max(axis=(0, 1), keepdims=True) In [60]: xformed = (original - omin)/(omax - omin) In [61]: np.allclose(xformed, transformed) Out[61]: True 中的一个值将为0。）