1、nmax = data.max() nmin = data.min() ndis = nmax-nmin data = (data-nmin)/ndis
refimg = sitk.readimage(os.path.join(nii_dir, 'first_follow_up_t1.nii.gz'))
data = sitk.getarrayfromimage(refimg)
nmax = data.max()
nmin = data.min()
ndis = nmax-nmin
data = (data-nmin)/ndis
#normalize_data_storage(data)
out = sitk.getimagefromarray(data)
out.setspacing(refimg.getspacing())
out.setorigin(refimg.getorigin())
sitk.writeimage(out, os.path.join(nii_dir, 'first_baseline_ncct.nii.gz'))
2、data -= mean[:, np.newaxis, np.newaxis, np.newaxis] data /= std[:, np.newaxis, np.newaxis, np.newaxis]
def normalize_data(data, mean, std):
# data:[4,144,144,144]
data -= mean[:, np.newaxis, np.newaxis, np.newaxis]
data /= std[:, np.newaxis, np.newaxis, np.newaxis]
return data
def normalize_data_storage(data_storage):
means = list()
stds = list()
# [n_example,4,144,144,144]
for index in range(data_storage.shape[0]):
# [4,144,144,144]
data = data_storage[index]
# 分別求出每個模態的均值和標準差
# 求每個模態在所有樣本上的均值和標準差[n_example,4]==>[4]
mean = np.asarray(means).mean(axis=0)
std = np.asarray(stds).mean(axis=0)
for index in range(data_storage.shape[0]):
# 根據均值和標準差對每乙個樣本歸一化
data_storage[index] = normalize_data(data_storage[index], mean, std)
return data_storage
資料歸一化的方法總結
資料的標準化 normalization 是將資料按比例縮放,使之落入乙個小的特定區間。在某些比較和評價的指標處理中經常會用到,去除資料的單位限制,將其轉化為無量綱的純數值,便於不同單位或量級的指標能夠進行比較和加權。其中最典型的就是資料的歸一化處理,即將資料統一對映到 0,1 區間上,常見的資料歸...
歸一化方法
1 min max標準化 2 z score標準化方法 定義 也稱為離差標準化,是對原始資料的線性變換,使得結果對映到0 1之間。本質 把數變為 0,1 之間的小數。轉換函式 x min max min 如果想要將資料對映到 1,1,則將公式換成 x mean max min 其中 max為樣本資料...
資料歸一化,標準化的幾種方法
歸一化方法 normalization method 1。把數變為 0,1 之間的小數 主要是為了資料處理方便提出來的,把資料對映到0 1範圍之內處理,更加便捷快速,應該歸到數字訊號處理範疇之內。2 把有量綱表示式變為無量綱表示式 歸一化是一種簡化計算的方式,即將有量綱的表示式,經過變換,化為無量綱...