图像处理中特征向量的归一化.pdfVIP

特征向量归一化 在数字图像处理研究领域当中，难免会遇到数据归一化问题。对于数据归一 化问题上最起码有两种理解，1、数据归一化的作用不大；2 、数据归一化是在计 算相似度距离的时候，必不可少的一部分。 本人差不多做了一年的图像理解方面的实验，在这可以很明确的告诉大家， 数据归一化的作用还是挺大的，最起码在不同特征向量融合方面，数据归一化是 计算相似度距离上比不可少的一部分。试想一下，如果不对数据进行归一化，则 不同特征向量怎么赋予一个合理的权重，只有当每个特征向量都处于一个级别 上，赋予合理的权重才有意义。也许这样理解起来比较费劲，在这给大家举个例 子吧。如下图所以： 如果现在需要比较样本二与样本一、样本三哪个最相似？为简单起见我们使 用欧式距离。  样本二与样本一的相似度：99*99+0*0+0*0+0*0=99*99 ；  样本二与样本三的相似度：0*0+1*1+1*1=2 ；  很显然样本二与样本三最为相似。 如果我们对数据进行线性归一化到[0,1]，则归一化后的数据为  样本二与样本一的相似度：1*1+0*0+0*0+0*0=1 ；  样本二与样本三的相似度：0*0+1*1+1*1=2 ；  很显然样本二与样本一最为相似。 其实最终结果应该是样本二与样本一最为相似，上述的这种数据归一化我们 将它称为特征向量内部归一化。 很显然有内部归一化就有外部归一化。这两者的区别在于归一化的对象。内 部归一化对于其中特定的某一维特征向量进行归一化，外部归一化则是对于每个 样本的N 维特征向量进行归一化。 内部归一化：一般使用的方法为：高斯归一化； 外部归一化：有线性缩放到单位区间、线性缩放到单位方差、变换为[0,1] 上均匀分布的随机变量、排序归一化。 上述具体的归一化方法请大家查阅相关资料。