如何正常化的一个顽固阵列,以在一定的范围?
-
20-09-2019 - |
题
之后做了一些处理上一个声音或图像阵列,它需要进行归一化的范围内才可以写回到一个文件。这可以像这样:
# Normalize audio channels to between -1.0 and +1.0
audio[:,0] = audio[:,0]/abs(audio[:,0]).max()
audio[:,1] = audio[:,1]/abs(audio[:,1]).max()
# Normalize image to between 0 and 255
image = image/(image.max()/255.0)
是否有一个较不详细,便利功能方式做到这一点? matplotlib.colors.Normalize()
似乎并不相关。
解决方案
audio /= np.max(np.abs(audio),axis=0)
image *= (255.0/image.max())
使用/=
和*=
允许你消除中间临时数组,从而节省一些内存。乘法比除法更便宜,所以
image *= 255.0/image.max() # Uses 1 division and image.size multiplications
是略微快于
image /= image.max()/255.0 # Uses 1+image.size divisions
由于我们在这里使用基本numpy的方法,我认为这是关于高效一个在numpy的作为可以解决方案。
在放操作不改变容器阵列的D型。因为期望的归一化值是浮点数,所述audio
和image
阵列需要进行就地操作之前具有浮点点D型。
如果他们不是已经浮点D型的,你需要使用astype
将它们转换。例如,
image = image.astype('float64')
其他提示
如果数组包含正和负数据,我去:
import numpy as np
a = np.random.rand(3,2)
# Normalised [0,1]
b = (a - np.min(a))/np.ptp(a)
# Normalised [0,255] as integer
c = 255*(a - np.min(a))/np.ptp(a).astype(int)
# Normalised [-1,1]
d = 2.*(a - np.min(a))/np.ptp(a)-1
此外,值得一提的,即使它不是OP的问题,标准化:
e = (a - np.mean(a)) / np.std(a)
您也可以使用重新缩放sklearn
。的优点是,可以调整归一化标准偏差,除了平均定心的数据,并且可以做到这一点上任一轴,由特征,或由记录。
from sklearn.preprocessing import scale
X = scale( X, axis=0, with_mean=True, with_std=True, copy=True )
关键词参数axis
,with_mean
,with_std
是自解释的,并且在它们的缺省状态被示出。这个论点copy
执行就地如果它被设置为False
操作。文档此处。
您可以使用“我”(如IDIV,IMUL ..)版本,它并不难看:
image /= (image.max()/255.0)
对于其他情况下,可以编写一个函数由colums正常化n维数组:
def normalize_columns(arr):
rows, cols = arr.shape
for col in xrange(cols):
arr[:,col] /= abs(arr[:,col]).max()
一个简单的解决方案是使用由sklearn.preprocessing库提供的定标器。
scaler = sk.MinMaxScaler(feature_range=(0, 250))
scaler = scaler.fit(X)
X_scaled = scaler.transform(X)
# Checking reconstruction
X_rec = scaler.inverse_transform(X_scaled)
在错误X_rec-X将是零。您可以调整feature_range您的需求,甚至可以使用一个非标准定标器sk.StandardScaler()
你是在试图分钟-最大规模的价值 audio
-1之间和+1和 image
0和255之间。
使用 sklearn.preprocessing.minmax_scale
, 应该很容易地解决您的问题。
例如:
audio_scaled = minmax_scale(audio, feature_range=(-1,1))
和
shape = image.shape
image_scaled = minmax_scale(image.ravel(), feature_range=(0,255)).reshape(shape)
注意到:不要混淆的操作尺度的 规范 (长)的一矢量的一定的价值(从1),这也是通常被称为正常化。
我尝试以下此和得到了错误
TypeError: ufunc 'true_divide' output (typecode 'd') could not be coerced to provided output parameter (typecode 'l') according to the casting rule ''same_kind''
在numpy
阵列我试图正常化是一个integer
阵列。看来他们弃用类型转换的版本> 1.10
,你必须使用numpy.true_divide()
来解决这个问题。
arr = np.array(img)
arr = np.true_divide(arr,[255.0],out=None)
img
是一个PIL.Image
对象。