tf.image.per_image_standardization(image)

實驗環境：windows 7，anaconda 3(Python 3.5)，tensorflow（gpu/cpu）
函數介紹：標準化處理可以使得不同的特徵具有相同的尺度（Scale）。這樣，在使用梯度下降法學習參數的時候，不同特徵對參數的影響程度就一樣了。tf.image.per_image_standardization(image)，此函數的運算過程是將整幅圖片標準化（不是歸一化），加速神經網絡的訓練。主要有如下操作，(x - mean) / adjusted_stddev，其中x爲圖片的RGB三通道像素值，mean分別爲三通道像素的均值，adjusted_stddev = max(stddev, 1.0/sqrt(image.NumElements()))。stddev爲三通道像素的標準差，image.NumElements()計算的是三通道各自的像素個數。
實驗代碼：

import tensorflow as tf
import matplotlib.image as img
import matplotlib.pyplot as plt
import numpy as np
sess = tf.InteractiveSession()
image = img.imread('D:/Documents/Pictures/logo7.jpg')
shape = tf.shape(image).eval()
h,w = shape[0],shape[1]
standardization_image = tf.image.per_image_standardization(image)#標準化

fig = plt.figure()
fig1 = plt.figure()
ax = fig.add_subplot(111)
ax.set_title('orginal image')
ax.imshow(image)
ax1 = fig1.add_subplot(311)
ax1.set_title('original hist')
ax1.hist(sess.run(tf.reshape(image,[h*w,-1])))
ax1 = fig1.add_subplot(313)
ax1.set_title('standardization hist')
ax1.hist(sess.run(tf.reshape(standardization_image,[h*w,-1])))
plt.ion()
plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23

實驗結果：
兩幅hist圖分別是原圖和標準化後的RGB的像素值分佈圖，可以看到只是將圖片的像素值大小限定到一個範圍，但是像素值的分佈爲改變。