圖像歸一化、特征向量的距離（歐式距離、餘弦相似性）的了解

#PS：要轉載請注明出處，本人版權所有

#PS:這個隻是 《 我自己 》了解，如果和你的

#原則相沖突，請諒解，勿噴

前言

最近的大部分時間都在學習圖像和DL相關知識，并做一定的應用，這裡對我學習過程中的一些基礎知識進行了整理。

圖像歸一化

歸一化就是将圖像像素值(列如：[0,255])經過一定的計算，使其所有的像素值變換到某一個特定的區間（列如：[0,1]或者[-1,1]）。

我所了解的歸一化的作用有以下：

1 減小對圖像處理的計算量

2 消除亮度對圖檔的影響，避免帶來了亮度資訊的幹擾。

3 消除圖像中的極大特征對圖像處理的影響，使的圖像的特征更均勻，同時也使得圖像中的極小特征能夠表現出來，不會被抑制。

4 加快神經網絡的收斂，原理就是目标函數輸入參數取值範圍越小，其等高線近似圓，而不是橢圓，使得梯度下降更快。

特征向量距離

這裡有兩種方法把我搞懵逼了。

歐氏距離

我們常見的二維空間計算兩點距離的公式：dst=sqrt((x1-x2)^2+(y1-y2)^2) 就是歐氏距離在二維空間的定義，多元空間同理。

（我了解為：這個距離主要是用來計算兩個向量中兩個點之間的距離,結果對數值非常敏感，突出的是一種數值大小的感受，如判斷圖檔的分類時，對圖檔進行打分）

餘弦相似性

餘弦定理：cosM=(向量A.向量B)/||A||*||B||，描述向量A、B的方向的差異。

（我了解為：這個相似性是描述的兩個向量的方向差異，對數值不敏感，突出的是一種相似性的感受，列如人臉特征向量的對比）

其他還有很多方法，但是我沒有用到

#PS：請尊重原創，不喜勿噴

#PS：要轉載請注明出處，本人版權所有.

有問題請留言，看到後我會第一時間回複