知识点：像素归一化

opencv中提供四种归一的方法

-NORM_MINMAX

-NORM_INF

-NORM_L1

-NORM_L2

最常用的就是NORM_MINMAX归一的方法

相关的API

normalize：
void normalize(InputArray src, OutputArray dst, double alpha = 1, double beta = 0, int norm_type = NORM_L2, int dtype = -1, InputArray mask = noArray());
以下是对各个参数的详细解释：

1. src：输入数组（可以是图像），即要进行规范化的原始数据。

2. dst：输出数组，用于存储规范化后的结果。dst可以和src是同一个数组，表示直接在原数组上进行修改。

3. alpha：

• 当norm_type为NORM_MINMAX时，alpha是规范化到范围的下限。

• 在其他的规范化类型中，它与norm_type结合起来用于计算规范化后的值。

4. beta：

• 当norm_type为NORM_MINMAX时，beta是规范化到范围的上限。

• 在其他的规范化类型中，该参数在某些情况下可能不被使用（具体取决于规范化类型的定义）。

5. norm_type：规范化的类型，常用的取值有：

• NORM_MINMAX：最常用的规范化类型，将输入数组的所有元素线性缩放到(alpha, beta)区间。对于数组中的每个元素x，转换后的值x'计算公式为x' = alpha + (x - min(src)) * (beta - alpha) / (max(src) - min(src))，其中min(src)和max(src)分别是数组中的最小值和最大值。常用于调整图像亮度和对比度，或在输入机器学习模型前将特征缩放到同一范围。

• NORM_INF：此规范化类型将数组的所有元素缩放，使得结果数组的最大绝对值等于alpha。具体算法是将每个元素x除以数组的最大绝对值maxval，然后乘以alpha。可用于限制数组或向量的无穷范数（即最大绝对值），在某些优化问题中，可能需要将解的范围限制在一定界限内。

• NORM_L1：L1规范化使得结果数组的L1范数（即数组元素绝对值之和）等于alpha。常用于稀疏编码、特征选择、压缩感知等场景，因为L1规范化倾向于产生稀疏的解，即大部分元素为零，少数元素非零。

• NORM_L2：L2规范化使得结果数组的L2范数（即数组元素的平方和的平方根）等于alpha。常用于机器学习、信号处理、图像去噪等场景，L2规范化倾向于使得所有元素的大小都差不多，这在避免过拟合（如机器学习中的权重衰减）、信号去噪（通过最小化能量）等方面非常有用。

6. dtype：输出数组的深度。当值为-1时，输出数组和输入数组的深度相同；也可以指定为CV_32F等具体的数据类型，以改变输出数据的类型。

7. mask：可选的操作掩码，用于指定要规范化哪些数组元素。如果提供了掩码数组，只有掩码中对应位置的值不为零的元素才会被规范化。

---

---

void QUickdemo::norm_demo(Mat& image)
{
    Mat dst;
    std::cout << image.type() << std::endl;--16
    image.convertTo(dst, CV_32F);
    std::cout <<  dst.type() << std::endl;--转化为21 CV_8UC3-----CV_32FC3

}

void QUickdemo::norm_demo(Mat& image)
{
    Mat dst;
    std::cout << image.type() << std::endl;
    image.convertTo(image, CV_32F);
    std::cout <<  image.type() << std::endl;
    normalize(image, dst, 1.0, 0, NORM_MINMAX);--转换
    std::cout << dst.type() << std::endl;
    imshow("xt", dst); 

//显示16，21，21
}

dst = dst * 255;
std::cout << dst.type() << std::endl;
imshow("xt11", dst);--返回