Comment normaliser un tableau NumPy à l'intérieur d'une certaine plage ?

Question

Après avoir effectué un traitement sur un tableau audio ou image, il doit être normalisé dans une plage avant de pouvoir être réécrit dans un fichier. Cela peut être fait comme suit :

# 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)

Existe-t-il un moyen moins verbeux et plus pratique de le faire ? matplotlib.colors.Normalize() ne semble pas être lié.

Answer 1

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

Utilisation de /= y *= permet d'éliminer un tableau temporaire intermédiaire, ce qui permet d'économiser de la mémoire. La multiplication est moins coûteuse que la division, donc

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

est marginalement plus rapide que

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

Puisque nous utilisons ici des méthodes numpy de base, je pense que cette solution est à peu près aussi efficace que possible en numpy.

---

Les opérations en place ne modifient pas le dtype du tableau conteneur. Étant donné que les valeurs normalisées souhaitées sont des flottants, la fonction audio y image Les tableaux doivent avoir un type de virgule flottante avant que les opérations in-place ne soient effectuées. S'ils ne sont pas déjà de type virgule flottante, vous devrez les convertir en utilisant la fonction astype . Par exemple,

image = image.astype('float64')

Answer 2

Si le tableau contient des données positives et négatives, je choisirais :

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

Si le tableau contient nan Une solution pourrait être de les supprimer tout simplement :

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

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

Cependant, selon le contexte, vous pourriez vouloir traiter nan différemment. Par exemple, interpoler la valeur, en la remplaçant par 0, par exemple, ou soulever une erreur.

Enfin, cela vaut la peine d'être mentionné, même si ce n'est pas la question de l'OP, normalisation :

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

Answer 3

Vous pouvez également changer d'échelle en utilisant sklearn . Les avantages sont que vous pouvez ajuster la normalisation de l'écart type, en plus de centrer la moyenne des données, et que vous pouvez le faire sur l'un ou l'autre axe, par caractéristiques ou par enregistrements.

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

Les arguments des mots-clés axis , with_mean , with_std sont explicites, et sont affichés dans leur état par défaut. L'argument copy effectue l'opération sur place s'il est défini comme suit False . Documentation aquí .

Answer 4

Vous essayez de mettre à l'échelle minimale et maximale les valeurs de audio entre -1 et +1 et image entre 0 et 255.

Utilisation de sklearn.preprocessing.minmax_scale devrait facilement résoudre votre problème.

Par exemple :

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

y

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

note : A ne pas confondre avec l'opération qui met à l'échelle la norme (longueur) d'un vecteur à une certaine valeur (généralement 1), ce qui est aussi communément appelé normalisation.

Answer 5

Vous pouvez utiliser la version "i" (comme dans idiv, imul..), et cela ne semble pas si mal :

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

Dans l'autre cas, vous pouvez écrire une fonction pour normaliser un tableau à n dimensions par des colonnes :

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