如何使用 Octave 标准化图像？

Question

在他们描述Viola-Jones object detection framework（Viola 和 Jones 的鲁棒实时人脸检测）的论文中说：

所有用于训练的示例子窗口都进行了方差归一化，以尽量减少不同光照条件的影响。

我的问题是“如何在 Octave 中实现图像标准化？”

我不是在寻找 Viola & Jones 使用的特定实现，而是在寻找产生几乎相同输出的类似实现。我一直在关注很多 haar-training 教程（试图检测一只手），但还不能输出一个好的检测器（xml）。

我已尝试联系作者，但仍未得到回复。

Answer 1

我已经在 this thread 的一般指南中回答了如何操作。

这里是如何在octave中做方法1（归一化到标准正态偏差）（演示随机矩阵A，当然可以应用于任何矩阵，就是图片的表示方式）：

>>A = rand(5,5)
A =

   0.078558   0.856690   0.077673   0.038482   0.125593
   0.272183   0.091885   0.495691   0.313981   0.198931
   0.287203   0.779104   0.301254   0.118286   0.252514
   0.508187   0.893055   0.797877   0.668184   0.402121
   0.319055   0.245784   0.324384   0.519099   0.352954

>>s = std(A(:))
s =  0.25628
>>u = mean(A(:))
u =  0.37275
>>A_norn = (A - u) / s
A_norn =

  -1.147939   1.888350  -1.151395  -1.304320  -0.964411
  -0.392411  -1.095939   0.479722  -0.229316  -0.678241
  -0.333804   1.585607  -0.278976  -0.992922  -0.469159
   0.528481   2.030247   1.658861   1.152795   0.114610
  -0.209517  -0.495419  -0.188723   0.571062  -0.077241

在上面你使用：

• 获取矩阵的标准差：s = std(A(:))
• 获取矩阵的平均值：u = mean(A(:))
• 然后按照公式A'[i][j] = (A[i][j] - u)/s 使用 矢量化版本：A_norm = (A - u) / s

---

用向量归一化对其进行归一化也很简单：

>>abs = sqrt((A(:))' * (A(:)))
abs =  2.2472
>>A_norm = A / abs
A_norm =

   0.034959   0.381229   0.034565   0.017124   0.055889
   0.121122   0.040889   0.220583   0.139722   0.088525
   0.127806   0.346703   0.134059   0.052637   0.112369
   0.226144   0.397411   0.355057   0.297343   0.178945
   0.141980   0.109375   0.144351   0.231000   0.157065

在上面：

• abs是向量的绝对值（它的长度），用向量化乘法计算（A(:)' * A(:)实际上是sum(A[i][j]^2)）
• 然后我们使用它对向量进行归一化，使其长度为 1。