图像归一化后与原图展示一样，为什么还要进行图像归一化 - 数学建模社区-数学中国

首先介绍一下图像的归一化，在使用深度学习在进行图像分类或者对象检测时候，首先需要对图像做数据预处理，最常见的对图像预处理方法有两种，正常白化处理又叫图像标准化处理，另外一种方法叫做归一化处理。

图像归一化最常见的方法是最大最小值归一化。该方法对图像中的所有像素点进行如下操作：将每个像素点的值减去图像中所有像素点的最小值，然后再除以最大值减去最小值的差。这样可以将像素值映射到0到1的范围内。归一化操作不会改变图像本身的信息存储，但通过打印出来的像素值可以观察到数值范围从0到255被转化为0到1之间。

图像归一化通常是指对图像进行线性变换，将其像素值映射到特定的范围内，常见的是将像素值映射到[0, 1]的区间内或者[-1, 1]的区间内。尽管归一化后的图像与原图像在视觉上看起来相同，但进行图像归一化有以下几个重要原因：

数值稳定性：图像归一化可以使图像中的像素值变化在一个较小的范围内，并且保持相对稳定的比例关系。这是在许多图像处理和计算机视觉任务中的重要性质，尤其是在使用深度学习算法进行训练和推理时。归一化后的图像可以更好地适应算法的输入要求，提高算法的数值稳定性和收敛速度。

信息提取：归一化可以有效提取图像中的特征信息。在不同的图像处理任务中，对灰度图像和彩色图像进行归一化可以使得不同图像之间的像素值具有可比性。这样一来，算法可以更加准确地提取图像的纹理、边缘和其他特征，从而提高图像处理和计算机视觉任务的效果。

模型的泛化能力：归一化可以提高模型的泛化能力，使得模型在不同的图像数据上表现更稳定。通过将图像归一化到一个统一的范围内，可以减少不同图像之间的亮度和对比度的变化，从而降低模型对这些变化的敏感性。

梯度下降：在深度学习中，通过梯度下降算法进行优化时，归一化可以使不同特征的梯度变化范围保持一致。这有助于加速算法的收敛过程，并且可以提高梯度下降算法的效率和稳定性。