如何在python中对图像进行非规范化？答案

【问题标题】：how to denormalize image in python?如何在python中对图像进行非规范化？
【发布时间】：2015-07-14 20:53:49
【问题描述】：

我正在做一个项目，我必须首先将图像标准化为 [0,1]，然后在处理后对图像执行 dwt 和 idwt。所以首先我将图像转换为数组，然后用这段代码对其进行规范化

def normalization (array):    
    maxs = max([max(l) for l in array])
    mins = min([min(l) for l in array])
    range = max - mins
    A = []
    for x in array:
        m = [(float(xi) - mins)/range for xi in x]
        A.append(m)    
    return A

代码运行良好，现在我不知道如何将其反规范化回实际范围。有人可以帮忙吗？

【问题讨论】：

您是否在任何地方跟踪原始范围？如果没有，您需要这样做。
您最终找到解决方案了吗？

标签： python image-processing normalization dwt

【解决方案1】：

你只需要做标准化的逆操作。因此，乘以原始范围并添加最小值。只需输入未经测试的代码：

def denormalization (array, mins, range):    
    A = []
    for x in array:
        m = [(float(xi) * range) + mins for xi in x]
        A.append(m)    
    return A

显然，您需要将原始范围和最小值保留为全局变量，以便在此函数中使用它们。

【讨论】：

【解决方案2】：

我使用以下来映射到任何区间 [a, b] --> [c, d] 并返回：

import numpy as np

def interval_mapping(image, from_min, from_max, to_min, to_max):
    # map values from [from_min, from_max] to [to_min, to_max]
    # image: input array
    from_range = from_max - from_min
    to_range = to_max - to_min
    scaled = np.array((image - from_min) / float(from_range), dtype=float)
    return to_min + (scaled * to_range)

一个例子：

image = np.random.randint(0, 255, (3, 3))
image

array([[186, 158, 187],
       [172, 176, 232],
       [124, 167, 155]])

现在将其从 [0, 255] 映射到 [0, 1]

norm_image = interval_mapping(image, 0, 255, 0.0, 1.0)
norm_image

array([[ 0.72941176,  0.61960784,  0.73333333],
       [ 0.6745098 ,  0.69019608,  0.90980392],
       [ 0.48627451,  0.65490196,  0.60784314]])

现在从 [0, 1] 回到 [0, 255]：

orig_image =interval_mapping(norm_image, 0.0, 1.0, 0, 255).astype('uint8')
orig_image

array([[186, 158, 187],
       [172, 176, 232],
       [124, 167, 155]], dtype=uint8)

您也可以使用它的一列 image 并将其映射到 [-1.0, 1.0]：

col = image[:, 1]
print col
interval_mapping(col, 0, 255, -1.0, 1.0)

[158 176 167]
array([ 0.23921569,  0.38039216,  0.30980392])

或标量：

interval_mapping(1.0, 0, 255, -1.0, 1.0)

-0.99215686274509807

【讨论】：