「圖像標準化 (Image Normalization)」是指在將圖像數據用於機器學習模型或其他分析之前，對圖像的像素值進行調整，使其落入一個特定的範圍或具有特定的統計特性（例如，零均值和單位方差）。這個過程旨在提高模型的性能、穩定性和泛化能力。
你可以將圖像標準化想像成調整不同照片的光線和色彩，使它們看起來更一致，更容易比較和分析。
圖像標準化的主要目標：- 統一數據範圍： 確保所有輸入圖像的像素值都處於相同的尺度範圍內，避免某些像素值過大或過小而對模型訓練產生不利影響。常見的目標範圍包括 [0, 1] 或 [-1, 1]。
- 加快模型收斂速度： 標準化後的數據可以使優化算法（例如梯度下降）更快地找到模型的最佳參數。
- 提高模型穩定性： 標準化可以減少模型對輸入數據尺度的敏感性，使其在面對不同的輸入數據時表現更穩定。
- 改善模型泛化能力： 通過減少數據的變異性，標準化可以幫助模型學習更通用的特徵，提高在未見過的數據上的表現。
常見的圖像標準化方法：
- 縮放 (Scaling) / 歸一化 (Normalization) 到 [0, 1] 範圍：
- 這種方法將圖像的像素值縮放到 0 到 1 的範圍內。對於每個像素值 (P)，可以使用以下公式進行歸一化： [ P_{normalized} = \frac{P - P_{min}}{P_{max} - P_{min}} ] 其中，(P_{min}) 是圖像中的最小像素值，(P_{max}) 是圖像中的最大像素值。對於常見的 8 位圖像，(P_{min}) 通常是 0，(P_{max}) 是 255。
- 縮放 (Scaling) 到 [-1, 1] 範圍：
- 與縮放到 [0, 1] 類似，這種方法將像素值縮放到 -1 到 1 的範圍內。可以使用以下公式： [ P_{normalized} = \frac{2 \times (P - P_{min})}{P_{max} - P_{min}} - 1 ] 或者，如果圖像的像素值已經在 [0, 1] 範圍內，則可以使用： [ P_{normalized} = 2 \times P - 1 ]
- Z-Score 標準化 (Standardization) / 均值-方差標準化 (Mean-Variance Normalization)：
- 這種方法使圖像的像素值具有零均值和單位方差。對於每個像素值 (P)，可以使用以下公式進行標準化： [ P_{standardized} = \frac{P - \mu}{\sigma} ] 其中，(\mu) 是圖像中所有像素值的均值，(\sigma) 是圖像中所有像素值的標準差。也可以針對每個顏色通道（例如 RGB）分別計算均值和標準差並進行標準化。
- 通道獨立標準化 (Channel-wise Normalization)：
- 對於彩色圖像，可以對每個顏色通道（例如紅色、綠色、藍色）獨立地進行標準化，使用該通道的均值和標準差。
選擇哪種標準化方法取決於具體的應用和模型的要求。 例如，某些深度學習模型可能對輸入數據的範圍有特定的要求。
需要注意的是，「標準化」在不同的上下文中可能會有不同的含義。在圖像處理中，它通常指的是將像素值調整到一個標準的範圍或分佈。
總之，圖像標準化是一個重要的預處理步驟，它可以幫助提高電腦視覺模型的性能和穩定性，使其能夠更好地學習圖像中的有效特徵。
