python中的scikit-learn去噪示例

Question

我刚刚看到this 示例以不同的方式编写代码以使用 CSR（集中式稀疏表示）进行去噪。但在那个例子中，我只有几行，我不知道他们为什么使用这些行 =>

行在下面=>

1)

face = face[::2, ::2] + face[1::2, ::2] + face[::2, 1::2] + face[1::2, 1::2]
face /= 4.0

2)

data -= np.mean(data, axis=0)
data /= np.std(data, axis=0)

Answer 1

第一个是extended slicing，第二个是standardization

说明：

1.

face = face[::2, ::2] + face[1::2, ::2] + face[::2, 1::2] + face[1::2, 1::2]
face /= 4.0

只是downsampling the image by bilinear interpolation (that is reducing its resolution).

在给定的示例中，face 的原始尺寸为[768,1024]。上面两行有效地找到每个 2x2 像素的平均值并将其放在单个像素中。见下图。

蓝色的是图像的原始像素，红色的是周围像素的平均结果。将此想法扩展到整个图像，您将获得face = [384, 512] 的新降低分辨率。

这样做是为了让计算变得更快。因为较大的图像将需要更多的时间处理。

2.

data -= np.mean(data, axis=0)
data /= np.std(data, axis=0)

这是机器学习算法中的一种常用技术，用于围绕零均值和单位方差缩放和集中数据。您可以参考许多资源来了解有关标准化的更多信息。以下是一些：

• http://scikit-learn.org/stable/modules/preprocessing.html#standardization-or-mean-removal-and-variance-scaling
• http://sebastianraschka.com/Articles/2014_about_feature_scaling.html
• https://stats.stackexchange.com/questions/152078/what-are-the-real-benefits-of-normalization-scaling-values-between-0-and-1-in
• Why feature scaling?
• https://www.coursera.org/learn/machine-learning/lecture/xx3Da/gradient-descent-in-practice-i-feature-scaling