圖像歸一化作用和方法

轉摘網址：http://blog.sina.com.cn/s/blog_68b422890100x4sr.html

matlab圖像處理為什么要歸一化和如何歸一化，
一、為什么歸一化
1.
   　基本上歸一化思想是利用圖像的不變矩尋找一組參數使其能夠消除其他變換函數對圖像變換的影響。也就是轉換成唯一的標准形式以抵抗仿射變換
　　圖像歸一化使得圖像可以抵抗幾何變換的攻擊，它能夠找出圖像中的那些不變量，從而得知這些圖像原本就是一樣的或者一個系列的。
　　因為我們這次的圖片有好多都是一個系列的，所以老師把這個也作為我研究的一個方向。
　　我們主要要通過歸一化減小醫學圖片由於光線不均勻造成的干擾。
2.matlab里圖像數據有時候必須是浮點型才能處理，而圖像數據本身是0-255的UNIT型數據所以需要歸一化，轉換到0-1之間。
3.歸一化是一種簡化計算的方式，即將有量綱的表達式，經過變換，化為無量綱的表達式，成為純量。 目的是為了：
(1).避免具有不同物理意義和量綱的輸入變量不能平等使用
(2).bp中常采用sigmoid函數作為轉移函數，歸一化能夠防止凈輸入絕對值過大引起的神經元輸出飽和現象
(3).保證輸出數據中數值小的不被吞食
3.神經網絡中歸一化的原因
        歸一化是為了加快訓練網絡的收斂性，可以不進行歸一化處理
        歸一化的具體作用是歸納統一樣本的統計分布性。歸一化在0-1之間是統計的概率分布，歸一化在-1--+1之間是統計的坐標分布。歸一化有同一、統一和合一的意思。無論是為了建模還是為了計算，首先基本度量單位要同一，神經網絡是以樣本在事件中的統計分別幾率來進行訓練（概率計算）和預測的，歸一化是同一在0-1之間的統計概率分布； 當所有樣本的輸入信號都為正值時，與第一隱含層神經元相連的權值只能同時增加或減小，從而導致學習速度很慢。為了避免出現這種情況，加快網絡學習速度，可以對輸入信號進行歸一化，使得所有樣本的輸入信號其均值接近於0或與其均方差相比很小。
 歸一化是因為sigmoid函數的取值是0到1之間的，網絡最后一個節點的輸出也是如此，所以經常要對樣本的輸出歸一化處理。所以這樣做分類的問題時用[0.9 0.1 0.1]就要比用[1 0 0]要好。
但是歸一化處理並不總是合適的，根據輸出值的分布情況，標准化等其它統計變換方法有時可能更好。

二、如何歸一化
matlab中的歸一化處理有三種方法
1. premnmx、postmnmx、tramnmx
2. restd、poststd、trastd
3. 自己編程
(1)線性函數轉換，表達式如下：
y=(x-MinValue)/(MaxValue-MinValue)
說明：x、y分別為轉換前、后的值，MaxValue、MinValue分別為樣本的最大值和最小值。
(2)對數函數轉換，表達式如下：
y=log10(x)
說明：以10為底的對數函數轉換。
(3)反余切函數轉換，表達式如下：
y=atan(x)*2/PI
(4)一個歸一化代碼.
I=double(I);
maxvalue=max(max(I)');%max在把矩陣每列的最大值找到，並組成一個單行的數組，轉置一下就會行轉換為列，再max就求一個最大的值，如果不轉置，只能求出每列的最大值。
f = 1 - I/maxvalue; %為什么要用1去減？
Image1=f;