目录

1.图像像素类型转换

2. 图像像素转换适用情形

 3.图像归一化

4.归一化方法支持

5.归一化函数

6.知识笔记

---

1.图像像素类型转换

        图像像素类型转换是指将图像的像素值从一种类型转换为另一种类型。常见的像素类型包括无符号整数类型（如8位无符号整数、16位无符号整数）、有符号整数类型（如8位有符号整数、16位有符号整数）、浮点数类型（如32位浮点数、64位浮点数）等。

2. 图像像素转换适用情形

        1. 数据类型不匹配：有时候，在进行图像处理或算法计算时，需要将图像的像素类型与算法所需的数据类型匹配。例如，某些算法要求输入图像为浮点数类型，而原始图像的像素类型可能是无符号整数类型，因此需要进行类型转换。

        2. 数据范围不匹配：不同类型的像素具有不同的数据范围，例如，8位无符号整数像素的范围是0~255，而16位无符号整数像素的范围是0~65535。如果图像的像素类型不匹配算法所需的数据范围，可能会导致计算结果不准确。因此，需要将图像的像素类型进行转换，使其范围适合算法所需。

 3.图像归一化

        图像归一化是将图像的像素值进行线性变换，使其范围映射到指定的范围内，常见的是将像素值归一化到0~1或-1~1之间。图像归一化通常用于以下几种情况：

        1.数据范围不一致：不同的图像可能具有不同的像素值范围，例如，一张图像的像素值范围是0~255，而另一张图像的像素值范围是0~65535。如果需要对这两张图像进行比较或者进行一些计算，可能需要将它们的像素值范围统一，使其具有相同的范围。

        2.数据标准化：有时候，在进行机器学习或深度学习任务时，需要将图像的像素值进行标准化，以便算法更好地学习和处理。常见的标准化方法是将像素值减去均值，再除以标准差，使得图像的像素值具有零均值和单位标准差。

4.归一化方法支持

5.归一化函数

在OpenCV-Python中，提供了以下几种方法来进行像素数据归一化：

1.cv2.normalize()：该函数可以将图像的像素值范围归一化到指定的范围内。具体的函数原型如下：

dst = cv2.normalize(src, dst, alpha, beta, norm_type, dtype)

其中，src是输入图像，dst是输出图像，alpha是归一化范围的最小值，beta是归一化范围的最大值，norm_type是归一化的类型，dtype是输出图像的数据类型。

2.cv2.minMaxLoc()：该函数可以获取图像的最小值和最大值。具体的函数原型如下：

(minVal, maxVal, minLoc, maxLoc) = cv2.minMaxLoc(src)

其中，src是输入图像，minVal和maxVal分别是图像的最小值和最大值。

3.cv2.meanStdDev()：该函数可以获取图像的均值和标准差。具体的函数原型如下：

(mean, stddev) = cv2.meanStdDev(src)

其中，src是输入图像，mean是图像的均值，stddev是图像的标准差。

通过使用上述函数，可以获取图像的最小值和最大值，然后根据需求对图像的像素值进行归一化操作，使其范围映射到指定的范围内。具体的归一化方法可以根据实际需求来确定，例如将图像的像素值归一化到0~1或-1~1之间。

6.知识笔记