python - 当我们通过掩码的阈值图像时，cv2.normalize 实际上会做什么？

Question

我正在浏览某人的代码，我没有得到一些东西:

在某些品牌标签中为条形码创建掩码后，需要创建该掩码的阈值图像(因为当我们看到图像时它看起来相同)和

然后使用 cv2.normalize() 对阈值图像进行归一化，归一化函数实际上会做什么

1)创建一个面具:

import imutils
import cv2
import numpy as np

image = cv2.imread("/home/nayantara/Desktop/beinghuman.jpg")
mask = np.zeros(image.shape, dtype = "uint8")
cv2.rectangle(mask, (700, 1038), (1733 , 2111),(255,255,255),-1)

2)获取掩码阈值:

ret,barcode_mask_thresh = cv2.threshold(mask,127,255,cv2.THRESH_BINARY)

3)归一化阈值图像:

cropped_barcode_mask = cv2.normalize(src=barcode_mask_thresh, dst=None, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8UC1)

Answer 1

当你有一个阈值图像时

ret,barcode_mask_thresh = cv2.threshold(mask,127,255,cv2.THRESH_BINARY)

您将只有 2 个可能的值，0 或 255(至少在这种情况下)。然后，当您使用 NORM_MIN_MAX 进行标准化时您将获得数组/图像的最小值和最大值并重新缩放数组，使最小值成为可能的最小值，最大值将成为可能的最大值。

例如，考虑以下数字数组:

eg = np.array([10, 20, 30, 10, 45, 90])

如果我们进行归一化，算法将缩放它们以适应完整范围，这意味着，最小值 10 将是可能的最小值，而 0 和 90 是最大值，即 255。如果我们这样做:

cv2.normalize(eg, dst=None, alpha=0, beta=255,norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8U)

我们得到:

array([[  0], [ 32], [ 64], [  0], [112], [255]], dtype=uint8)

回到您的具体情况，您只能有 2 个可能的数字，这已经是可能的最小值和可能的最大值，这导致了 3 种可能的情况。

1) 数组 中有 0 和 255 ，它会像:

eg = np.array([0, 255, 0, 255, 255])
cv2.normalize(eg, dst=None, alpha=0, beta=255,norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8U)

这使:

array([[  0], [ 255], [ 0], [  255], [255]], dtype=uint8)

2) 所有数字均为 0 最小值和最大值相同，结果将是一个 0 数组。

3) 所有号码均为 255 ，最小值和最大值是相同的，它再次只给出 0。

底线，这个函数在这种情况下基本上是没用的，除非你想把一个完全白色的图像转换成一个黑色的图像(所有数字都是 255 并将其转换为 0)在任何其他情况下结果将完全相同，因此不需要。