我正在尝试使用cv2.normalize函数将零均值和单位方差的灰度图像数组标准化,如下所示
out_image = np.zeros((32,32),dtype=np.float32)
out_array = np.zeros((len(X),32,32), dtype=np.uint8)
for imageindex in range(0,len(X)):
img = X[imageindex].squeeze()
if proctype == 'MeanSubtraction':
out_image = img.astype(np.float32) - np.mean(img.astype(np.float32))
elif proctype == 'Normalization':
out_image = cv2.normalize(img.astype(np.float32), out_image, alpha=-0.5, beta=0.5,\
norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_32F)
elif proctype == 'HistEqualization':
out_image = cv2.equalizeHist(img)
elif proctype == 'CLAHE':
clahe = cv2.createCLAHE(tileGridSize=(6,6),clipLimit = 20.0)
out_image = clahe.apply(img)
out_array[imageindex] = out_image.astype(np.uint8)
return out_array
但是,如果我使用0和1(或0和255)作为normalize函数的参数alpha和beta,它可以工作。但是如果我使用-0.5和+0.5,它会返回一个空图像(全零)
为什么会这样?
答案 0 :(得分:3)
out_array
的类型为np.uint8
,因此无法准确表示浮点值。因此,当您将out_image
(包含[-0.5, 0.5]
范围内的浮点值)转换为np.uint8
out_image.astype(np.uint8)
时,所有这些值都会被截断为零。考虑这个例子:
# generate random numbers in the range [-0.5, 0.5]
x_float32 = (np.random.random((32, 32)) - 0.5).astype(np.float32)
print x_float32.min(), x_float32.max() # prints -0.49861032, 0.4998906
x_uint8 = x_float32.astype(np.uint8)
print x_uint8.min(), x_uint8.max() # prints 0, 0
如果要在out_array
中存储浮点值,首先需要将其dtype
更改为np.float32
。或者,您可以将范围[-0.5, 0.5]
中的值重新规范化为[0, 255]
范围内的无符号整数。