前两幅图像的质量似乎更高（但你可以观察到一些压缩伪像）。线性方法的结果明显更平滑并且噪点更少。最后一个是像素化的。归一化我们可以使用normalize（）函数应用视觉归一化，以修复非常暗／亮的图片（甚至可以修复低对比度）。该归一化类型（https：／／docs．opencv．org／3．4／d2／de8／group＿＿core＿＿array．html＃gad12cefbcb5291cf958a85b4b67b6149f） 在函数参数中指定：norm＿img ＝ np．zeros（（300， 300））norm＿img ＝ cv2．normalize（img， norm＿img， 0， 255， cv2．NORM＿MINMAX）例子：
当使用图像作为深度卷积神经网络的输入时，不需要应用这种归一化。在实践中，我们将对每个通道进行适当的归一化，比如减去平均值，然后除以像素级的标准差（因此我们得到平均值0和偏差1）。如果我们使用迁移学习，最好的方法总是使用预先训练的模型统计数据。结论在处理人脸分类／识别问题时，如果输入的图像不是护照图片，则检测和分离出人脸是一项常见的任务。OpenCV是一个很好的图像预处理库，不仅仅如此，它也是一个强大的工具，为许多计算机视觉应用…
来看文档吧！希望你喜欢这篇文章！
