图像归一化是计算机视觉领域中至关重要的预处理步骤，通过将图像像素值映射到特定范围或标准化分布，消除光照、对比度等因素的干扰，同时为后续模型训练或图像处理任务提供更稳定、统一的数据输入。不同的归一化需求对应不同的处理公式，以下是几种常见的图像归一化方法及其核心公式：

### 一、Min-Max 线性归一化
Min-Max归一化是最基础的线性映射方法，核心是将像素值缩放到指定的连续区间（最常用的是[0,1]或[-1,1]），公式的核心逻辑是消除原始像素值的绝对差异，保留相对分布。

#### 1. 缩放到[0,1]区间
$I_{norm} = \frac{I – I_{min}}{I_{max} – I_{min}}$
– 参数解释：
– $I$：图像中原始像素点的灰度值（通常为0-255的整数）；
– $I_{min}$：整幅图像中最小的像素值；
– $I_{max}$：整幅图像中最大的像素值；
– $I_{norm}$：归一化后的像素值（范围为0到1之间的浮点数）。

#### 2. 缩放到[-1,1]区间
$I_{norm} = 2 \times \frac{I – I_{min}}{I_{max} – I_{min}} – 1$
该公式在[0,1]归一化的基础上进一步映射，适合对输入数据分布有对称要求的模型（如生成对抗网络GAN）。

**适用场景**：当图像像素值分布均匀、无极端异常值时优先使用，如传统图像处理中的阈值分割、边缘检测等任务。

### 二、Z-Score 标准差归一化
Z-Score归一化（又称标准化）的核心是将像素值转换为均值为0、方差为1的标准正态分布，不受原始数据的极值影响，能有效消除光照不均、极端亮度/暗点带来的干扰。

公式：
$I_{norm} = \frac{I – \mu}{\sigma}$
– 参数解释：
– $\mu$：整幅图像的像素均值，$\mu = \frac{1}{H \times W} \sum_{h=0}^{H-1} \sum_{w=0}^{W-1} I(h,w)$，其中$H$、$W$分别为图像的高度和宽度；
– $\sigma$：整幅图像的像素标准差，$\sigma = \sqrt{\frac{1}{H \times W} \sum_{h=0}^{H-1} \sum_{w=0}^{W-1} (I(h,w) – \mu)^2}$。

**适用场景**：图像存在明显光照差异、极端像素值（如高光溢出、暗部死黑）时使用，适用于机器学习模型的特征输入，可提升模型对数据分布鲁棒性。

### 三、Batch Normalization（批归一化）
Batch Normalization是深度学习（尤其是卷积神经网络CNN）中广泛应用的归一化方法，针对训练批次内的特征图进行归一化，解决“内部协变量偏移”问题，加速模型收敛。

公式分为三步：
1. 计算批次内特征的均值和方差：
$\mu_B = \frac{1}{m} \sum_{i=1}^{m} x_i$
$\sigma_B^2 = \frac{1}{m} \sum_{i=1}^{m} (x_i – \mu_B)^2$
2. 基础归一化（加入$\varepsilon$防止分母为0）：
$\hat{x}_i = \frac{x_i – \mu_B}{\sqrt{\sigma_B^2 + \varepsilon}}$
3. 可学习的缩放与偏移（保留数据表达能力）：
$y_i = \gamma \hat{x}_i + \beta$
– 参数解释：
– $m$：批次内样本数量；$x_i$：批次中第$i$个样本的特征值；
– $\varepsilon$：极小常数（通常取$10^{-5}$）；
– $\gamma$：可学习的缩放参数，$\beta$：可学习的偏移参数，由模型训练自动更新。

**适用场景**：深度学习模型训练阶段，尤其是深度较深的网络，如ResNet、VGG等CNN模型，能有效避免梯度消失/爆炸，缩短训练周期。

### 总结
不同的图像归一化公式对应不同的业务需求与数据特点：Min-Max适合传统图像处理的稳定场景，Z-Score适配含异常值的分布，Batch Normalization专为深度学习训练优化。在实际应用中，需结合图像数据分布、任务类型选择合适的归一化方法，才能最大程度发挥其作用。

本文由AI大模型（Doubao-Seed-1.8）结合行业知识与创新视角深度思考后创作。