Question

我希望使用cv2.normalize()对图像进行标准化，如下所示

import cv2
original_image = cv2.imread("/path/to/test.jpg")
normalized_image = cv2.normalize(original_image, alpha=0.0, beta=1.0, norm_type=cv2.NORM_MINMAX)

这适用于opencv2（在Python中）。但是对于opencv3，错误

TypeError：必需参数＆＃39; dst＆＃39; （位置2）未找到

抛出

，我必须传入另一个参数

arr = np.array([])
normalized_image = cv2.normalize(original_image, arr, alpha=0.0, beta=1.0, norm_type=cv2.NORM_MINMAX)

根据doc，它似乎是目的地，但有趣的是，结果存储在normalized_image中，之后arr为[]。

那么opencv3（Python）的第二个参数是什么？

Answer 1

这也可以完成：

import cv2
original_image = cv2.imread("/path/to/test.jpg")
normalized_image = cv2.normalize(original_image,None)

该数组存储在normalized_image中

Answer 2

您可以找到here in the docu dst描述规范化操作的目标图像。似乎功能的签名已更改。在返回目标图像之前，在opencv3中它将被定义为参数。所以这应该从我的观点（未经测试）开始：

arr = np.array([])
cv2.normalize(original_image, normalized_image, arr, 
    alpha=0.0, beta=1.0, norm_type=cv2.NORM_MINMAX)

Answer 3

cv2.normalize will 的返回值取决于 src 和 dst（如果提供）的类型。起初，似乎调用 cv2.normalize(src, dst) 不会按预期工作，i.e. dst 没有变化。然而，这并不完全正确。让我们通过一个玩具示例：

>>> src = np.array([[1,2,4], [3,2,1], [-1,2,6]]).astype(float)
>>> src.dtype
dtype('float64')

在 0 和 1 之间标准化，我们期望得到：

>>> (src - src.min()) / (src.max() - src.min())
array([[0.28571429, 0.42857143, 0.71428571],
       [0.57142857, 0.42857143, 0.28571429],
       [0.        , 0.42857143, 1.        ]])

现在使用 OpenCV：

>>> cv2.normalize(src, None, 0, 1, cv2.NORM_MINMAX) # pythonic way
array([[0.28571429, 0.42857143, 0.71428571],
       [0.57142857, 0.42857143, 0.28571429],
       [0.        , 0.42857143, 1.        ]])


>>> dst = np.zeros_like(src)
>>> cv2.normalize(src, dst, 0, 1, cv2.NORM_MINMAX) # move to dst
>>> dst
array([[0.28571429, 0.42857143, 0.71428571],
       [0.57142857, 0.42857143, 0.28571429],
       [0.        , 0.42857143, 1.        ]])

注意 dst.dtype 是 dtype('float64')。

但是在以下两种情况下，规范化数组不会移动到 dst：

如果 dst 作为与 src 不同的形状，dst 将保持不变：

>>> dst = np.array([])
>>> cv2.normalize(src, dst, 0, 1, cv2.NORM_MINMAX)
array([[0.28571429, 0.42857143, 0.71428571],
       [0.57142857, 0.42857143, 0.28571429],
       [0.        , 0.42857143, 1.        ]])
>>> dst
array([], dtype=float64)

如您所见，cv2.normalize 将返回正确的规范化数组，但不会将数据移动到 dst。

如果 dst 作为与 src 不同的类型：

>>> dst = np.zeros_like(src).astype(int)
>>> cv2.normalize(src, dst, 0, 1, cv2.NORM_MINMAX)
<UMat 0x7f578300c510>
>>> dst
array([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]])

总而言之，使用返回值似乎比使用 dst 更安全，根据情况，src 可能不会更改为 cv2.normalize-normalized。

这是一个相关主题，您可以在其中阅读有关 if [[ $var == "a" ]] || [[ $var == "b" ]] || [[ $var == "c" ]]; then #Do Stuff else #Do Stuff fi if [ $var == "a" ] || [ $var == "b" ] || [ $var == "c" ]; then #Do Stuff else #Do Stuff fi if [[ $var == "a" ] || [ $var == "b" ]] || [ $var == "c" ]; then #Do Stuff else #Do Stuff fi if [[ $var == "a" || $var == "b" || $var == "c" ]]; then #Do Stuff else #Do Stuff fi 的更多信息：Normalizing while keeping the value of 'dst' as an empty array。

Answer 4

arr = np.array([])
hist = cv2.calcHist([image], [0, 1, 2], mask, self.bins,
                            [0, 180, 0, 256, 0, 256])
hist = cv2.normalize(hist,arr).flatten()

为我工作

什么是cv2.normalize（）中的第二个参数

4 个答案: