Làm cách nào để chuẩn hóa một mảng NumPy trong một phạm vi nhất định?

Sau khi thực hiện một số xử lý trên một mảng âm thanh hoặc hình ảnh, nó cần được chuẩn hóa trong một phạm vi trước khi có thể ghi lại vào một tệp. Điều này có thể được thực hiện như vậy:

# 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)

Có một cách ít dài dòng, chức năng thuận tiện để làm điều này? matplotlib.colors.Normalize()dường như không liên quan.

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

Sử dụng /=và *=cho phép bạn loại bỏ một mảng tạm thời trung gian, do đó tiết kiệm một số bộ nhớ. Phép nhân ít tốn kém hơn phép chia, vì vậy

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

nhanh hơn một chút

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

Vì chúng ta đang sử dụng các phương pháp numpy cơ bản ở đây, tôi nghĩ rằng đây là một giải pháp hiệu quả trong numpy nhất có thể.

Các hoạt động tại chỗ không thay đổi dtype của mảng container. Vì các giá trị chuẩn hóa mong muốn là float, audiovà imagecác mảng cần phải có dtype điểm nổi trước khi các thao tác tại chỗ được thực hiện. Nếu chúng chưa phải là dtype dấu phẩy động, bạn sẽ cần chuyển đổi chúng bằng cách sử dụng astype. Ví dụ,

image = image.astype('float64')

Nếu mảng chứa cả dữ liệu dương và âm, tôi sẽ sử dụng:

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: don't forget the parenthesis before astype(int)
c = (255*(a - np.min(a))/np.ptp(a)).astype(int)        

# Normalised [-1,1]
d = 2.*(a - np.min(a))/np.ptp(a)-1

Nếu mảng chứa nan, một giải pháp có thể là loại bỏ chúng như:

def nan_ptp(a):
    return np.ptp(a[np.isfinite(a)])

b = (a - np.nanmin(a))/nan_ptp(a)

Tuy nhiên, tùy thuộc vào bối cảnh bạn có thể muốn đối xử nankhác nhau. Ví dụ: nội suy giá trị, thay thế bằng ví dụ 0 hoặc đưa ra lỗi.

Cuối cùng, đáng nói ngay cả khi đó không phải là câu hỏi của OP, tiêu chuẩn hóa :

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

Bạn cũng có thể bán lại bằng cách sử dụng sklearn. Ưu điểm là bạn có thể điều chỉnh bình thường hóa độ lệch chuẩn, ngoài việc định tâm dữ liệu trung bình và bạn có thể thực hiện việc này trên một trong hai trục, theo tính năng hoặc bằng bản ghi.

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

Các đối số từ khóa axis, with_mean, with_stdlà tự giải thích, và được thể hiện trong trạng thái mặc định của họ. Đối số copythực hiện thao tác tại chỗ nếu nó được đặt thành False. Tài liệu ở đây .

Bạn có thể sử dụng phiên bản "i" (như trong idiv, imul ..) và nó trông không tệ bằng một nửa:

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

Trong trường hợp khác, bạn có thể viết một hàm để chuẩn hóa một mảng n chiều bằng colums:

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

Bạn đang cố gắng tăng tỷ lệ tối đa các giá trị audiotừ -1 đến +1 và imagetừ 0 đến 255.

Sử dụng sklearn.preprocessing.minmax_scale, nên dễ dàng giải quyết vấn đề của bạn.

ví dụ:

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

và

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

Lưu ý : Không nên nhầm lẫn với những hoạt động đó quy mô các tiêu chuẩn (chiều dài) của một vector đến một giá trị nhất định (thường là 1), cũng thường được gọi là bình thường.

Một giải pháp đơn giản là sử dụng các bộ chia tỷ lệ được cung cấp bởi thư viện sklearn.pre Processing.

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)

Lỗi X_rec-X sẽ bằng không. Bạn có thể điều chỉnh Feature_range cho nhu cầu của mình hoặc thậm chí sử dụng bộ chia tỷ lệ độc lập sk.St ChuẩnScaler ()

Tôi đã thử làm theo điều này và nhận được lỗi

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

Các numpymảng Tôi đã cố gắng để bình thường hóa là một integermảng. Có vẻ như họ không dùng kiểu đúc trong các phiên bản> 1.10và bạn phải sử dụng numpy.true_divide()để giải quyết điều đó.

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

imglà một PIL.Imageđối tượng.