我在使用OpenCV的SVM进行字母分类时，对特征向量的归一化有疑问。我有两种归一化特征向量的方法，需要找出哪种方法在逻辑上是正确的归一化方法？

方法1

假设我有以下3个特征向量

[2,  3,  8, 5 ] -> 图像1[3,  5,  2,  5 ] -> 图像2[9,  3,  8, 5 ] -> 图像3

特征向量中的每个值是通过将像素与核进行卷积得到的。

目前我正在查找每列的最大值和最小值，并基于此进行归一化。

在上述情况下，第一列是 [2, 3, 9]

min = 2max = 9

并基于此对第一列进行归一化。同样，其他列也进行归一化

方法2

如果核如下所示

[-1   0  1][-1   0  1][-1   0  1]

那么通过与上述核进行卷积可以得到的最大值和最小值如下（8位图像-强度范围：0-255）

max val = 765min val = -765

并使用上述最大值和最小值对每个值进行归一化？

哪种方法在逻辑上是正确的归一化方法（方法1还是方法2）？

回答：

标准做法是方法1（参见这个问题的答案）。我还建议你阅读这篇论文，作为SVM训练的一个很好的参考。

然而，在你的情况下，使用相同核计算的所有特征的范围将是相似的，方法1可能弊大于利（例如，通过增加几乎恒定特征的噪声）。

所以我的建议是：测试这两种方法，并评估性能，看看在你的情况下哪种方法效果最好。