Как нормализовать массив NumPy в пределах определенного диапазона?

Question

После выполнения некоторой обработки массива аудио или изображений его необходимо нормализовать в пределах определенного диапазона, прежде чем можно будет записать обратно в файл.Это можно сделать следующим образом:

# 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)

Есть ли менее подробный, удобный функциональный способ сделать это? matplotlib.colors.Normalize() похоже, это никак не связано.

Answer 1

audio /= np.max(np.abs(audio),axis=0)
image *= (255.0/image.max())

С использованием /= и *= позволяет исключить промежуточный временный массив, тем самым сэкономив немного памяти.Умножение обходится дешевле, чем деление, поэтому

image *= 255.0/image.max()    # Uses 1 division and image.size multiplications

немного быстрее, чем

image /= image.max()/255.0    # Uses 1+image.size divisions

Поскольку здесь мы используем базовые методы numpy, я думаю, что это максимально эффективное решение в numpy.

---

Операции на месте не меняют dtype массива контейнеров.Поскольку желаемые нормализованные значения являются числами с плавающей запятой, audio и image перед выполнением операций на месте массивы должны иметь тип dtype с плавающей запятой.Если они еще не имеют тип d с плавающей запятой, вам необходимо преобразовать их с помощью astype.Например,

image = image.astype('float64')

Answer 2

Если массив содержит как положительные, так и отрицательные данные, я бы выбрал:

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

также стоит упомянуть, даже если это не вопрос ОП, стандартизация:

e = (a - np.mean(a)) / np.std(a)

Answer 3

Вы также можете изменить масштаб, используя sklearn.Преимущества заключаются в том, что вы можете настроить нормализацию стандартного отклонения в дополнение к центрированию данных по среднему значению и что вы можете сделать это по любой оси, по объектам или по записям.

from sklearn.preprocessing import scale
X = scale( X, axis=0, with_mean=True, with_std=True, copy=True )

Аргументы ключевого слова axis, with_mean, with_std говорят сами за себя и отображаются в состоянии по умолчанию.Аргумент copy выполняет операцию на месте, если для нее установлено значение False.Документация здесь.

Answer 4

Вы можете использовать версию «i» (как в idiv, imul..), и она выглядит неплохо:

image /= (image.max()/255.0)

В другом случае вы можете написать функцию для нормализации n-мерного массива по столбцам:

def normalize_columns(arr):
    rows, cols = arr.shape
    for col in xrange(cols):
        arr[:,col] /= abs(arr[:,col]).max()

Answer 5

Простое решение — использовать масштабаторы, предлагаемые библиотекой sklearn.preprocessing.

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)

Ошибка X_rec-X будет равна нулю.Вы можете настроить Feature_range под свои нужды или даже использовать стандартный масштабатор sk.StandardScaler().

Answer 6

Вы пытаетесь масштабировать значения min-max audio между -1 и +1 и image от 0 до 255.

С использованием sklearn.preprocessing.minmax_scale, должно легко решить вашу проблему.

например.:

audio_scaled = minmax_scale(audio, feature_range=(-1,1))

и

shape = image.shape
image_scaled = minmax_scale(image.ravel(), feature_range=(0,255)).reshape(shape)

примечание:Не путать с операцией масштабирования норма (длину) вектора до определенного значения (обычно 1), которое также обычно называют нормализацией.

Answer 7

Я попробовал следовать это, и получил сообщение об ошибке

TypeError: ufunc 'true_divide' output (typecode 'd') could not be coerced to provided output parameter (typecode 'l') according to the casting rule ''same_kind''

Тот Самый numpy массив, который я пытался нормализовать, был integer массив.Похоже, они устарели от приведения типов в версиях> 1.10, и вы должны использовать numpy.true_divide() чтобы решить эту проблему.

arr = np.array(img)
arr = np.true_divide(arr,[255.0],out=None)

img был PIL.Image объект.