在描述Viola-Jones对象检测框架的论文中（Viola和Jones的实时人脸检测），提到如下内容：

用于训练的所有示例子窗口都进行了方差归一化，以尽量减少不同光照条件的影响。

我的问题是“如何在Octave中实现图像归一化？”

我并不是在寻找Viola & Jones使用的具体实现方法，而是寻找一个能产生几乎相同输出的类似方法。我已经跟随了很多haar训练教程（试图检测手部），但尚未能输出一个好的检测器（xml）。

我尝试联系了作者，但至今仍未得到回应。

回答：

我已经在这个线程中回答了如何进行一般指导下的操作。

以下是如何在Octave中进行方法1（标准化到标准偏差）的操作（以一个随机矩阵A为例，当然可以应用于任何矩阵，这是图像的表示方式）：

>>A = rand(5,5)A =   0.078558   0.856690   0.077673   0.038482   0.125593   0.272183   0.091885   0.495691   0.313981   0.198931   0.287203   0.779104   0.301254   0.118286   0.252514   0.508187   0.893055   0.797877   0.668184   0.402121   0.319055   0.245784   0.324384   0.519099   0.352954>>s = std(A(:))s =  0.25628>>u = mean(A(:))u =  0.37275>>A_norn = (A - u) / sA_norn =  -1.147939   1.888350  -1.151395  -1.304320  -0.964411  -0.392411  -1.095939   0.479722  -0.229316  -0.678241  -0.333804   1.585607  -0.278976  -0.992922  -0.469159   0.528481   2.030247   1.658861   1.152795   0.114610  -0.209517  -0.495419  -0.188723   0.571062  -0.077241

在上述操作中，您使用了以下步骤：

• 获取矩阵的标准偏差：s = std(A(:))
• 获取矩阵的平均值：u = mean(A(:))
• 然后按照公式A'[i][j] = (A[i][j] - u)/s进行向量化操作：A_norm = (A - u) / s

使用向量归一化进行归一化也很简单：

>>abs = sqrt((A(:))' * (A(:)))abs =  2.2472>>A_norm = A / absA_norm =   0.034959   0.381229   0.034565   0.017124   0.055889   0.121122   0.040889   0.220583   0.139722   0.088525   0.127806   0.346703   0.134059   0.052637   0.112369   0.226144   0.397411   0.355057   0.297343   0.178945   0.141980   0.109375   0.144351   0.231000   0.157065

在上述操作中：

• abs是向量的绝对值（其长度），通过向量化乘法计算得出（A(:)' * A(:)实际上是sum(A[i][j]^2)）
• 然后我们使用它来归一化向量，使其长度为1。