這學期有兩門課程與圖像處理有關，一門是圖像處理與內容分析(數字圖像處理+機器學習)，另一門SLAM課程，SLAM的全稱為Simutaneously Localization and Mapping，具體來說就是即使獲取圖像，處理圖像并進行路徑規劃與場景建模，下面是第一次作業的小結

作業1:實現SSD算法：

SSD算法的思路很簡單，假設要找的模塊為target, 找的對象是img, 那就不斷從img里面截取target大小的子圖像，然后計算兩個模塊每個像素灰度值的差的取絕對值，再平方求和得到誤差，誤差最小的子圖就是匹配得出的對象了 ，想法簡單很簡單,匹配下面這個玩意兒：

但是一看結果。。

這么簡單的算法也能出錯？？？

然后一番摸索，甚至從原圖中摳圖再匹配誤差仍然大得驚人，輸出一看，咋這么多255？

然后一番思索，發現：

原來，圖像每個像素灰度值被表示成了np.int8，兩個numpy數組在計算差的時候，負數還會補碼，嚇得趕緊展開成一維的圖像進行處理：

后來發現，在很多代碼中都采用了展開成一維，再用.dot()運算，運算速度也快了起來，匹配成功

作業2:實現ZNCC算法：

ZNCC，在這篇文章中有詳細的寫公式Zero Mean Normalized Cross-Correlation，意為零均值歸一化交叉熵，零均值肯定要每項減去均值，歸一化意味著要除以標準差，交叉熵體現在兩個圖片'向量'的點乘上，如果說SSD關注的是像素上的相似性，那么ZNCC關注的，更多是結構上的相似性。

為了證明上述猜測，可以對原圖進行Histogram Specification，即直方圖特例化，向檢測目標進行轉換，圖為轉化前，參考圖，以及轉化后圖

特例化后，SSD算法明顯變好

ZNCC算法評價指標可有下式子計算：

總結

以上是生活随笔為你收集整理的负数如何归一化处理_小白的图像处理入门(一)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。