中国生长季1KM植被指数（NDVI）空间分布数据集是基于SPOT/VEGETATION NDVI卫星遥感数据，在月数据基础上采用最大值合成法生成的1998年以来的生长季植被指数数据集。该数据集有效反映了全国各地区在空间和时间尺度上的植被覆盖分布和变化状况，对植被变化状况监测、植被资源合理利用和其它生态环境相关领域的研究有十分重要的参考意义。     生长季NDVI数据为3-11 月份（春、夏、秋三季）NDVI数据数值的最大值，数据空间覆盖范围为全国，数据获取时间为1998年—2019年。

NFNet Pytorch实施 此回购包含来自未经归一化的高性能大型图像识别论文的，具有ImageNet高精度的预训练NFNet模型F0-F6。 小型模型的精度与EfficientNet-B7一样，但训练速度快了8.7倍。 大型模型在ImageNet上设置了新的SOTA top-1精度。 NFNet F0 F1 F2 F3 F4 F5 F6 + SAM 最高为1的准确性Brock等人。 83.6 84.7 85.1 85.7 85.9 86.0 86.5 此实现的Top-1精度 82.82 84.63 84.90 85.46 85.66 85.62 待定 所有学分归的作者所有。 该在很大程度上受到其在出色的JAX实现的启发。 拜访他们的回购网站以作参考。 开始吧 git clone https://github.com/benjs/nfnet

精确地消除活动阴影对运动目标的影响是智能视频监控的核心任务之一,针对当前运动阴影检测中采用的纹理信息过于粗糙、阈值选取需要人工干涉等问题,通过对NCC(归一化互相关)纹理算法进行改进,并结合亮度和归一化颜色特性,提出一种自适应的运动阴影检测方法。以混合高斯模型得到的前景像素为基础,通过阴影在亮度和归一化颜色的特性筛选出候选的阴影区域,结合改进的纹理算法进一步缩小阴影区域范围,最后利用空间后处理得到真实阴影。实验结果表明,该算法在有效降低噪声干扰的情况下能够较好区分局部纹理不明显的运动目标和阴影。

1.1.定义：归一化把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。 1.2.优点：归一化使数据有可比性，同时又保持相比较的两个数据之间的相对关系 转换成标准模式，防止仿射变换的影响。 减小几何变换的影响;加快梯度下降求最优解的速度,收敛加快 1.3.作用：归纳统一样本统计分布;归一化在0-1是统计概率分布;归一化在某区间上是统计的坐标分布 1.4.方法： 1）线性函数转换：y=(x-MinValue)/(MaxValue-MinValue) 2）对数函数转换：y=log10(x) 3）反余切转换： y=atan(x)*2/PI 4）Z-sco

研究了BP网络输入数据的归一化方法 ,提出了一种联合归一化的新方法 ,从而加 快了网络的学习训练速 度 , 提高了分类精度。在此基础上 , 建立了用于机械故障诊断的三层 BP神经网 络模型 ,编写了基于 BP神经网络的故障诊断软件 , 并在实际的齿轮箱状态监测与故障诊断研究 中得到 了 工程应用 。

本代码使用opencv2,实现了对样本图片的大小 颜色 等的归一化处理，使用方便，直接选择文件夹就可以。

分叉数方法给出最佳规格化算法

数据归一化方法和原理总结 matlab 中的归一化处理有三种方法 1. premnmx、postmnmx、tramnmx 2. restd、poststd、trastd 3. 自己编程 (1)线性函数转换，表达式如下： y=(x-MinValue)/(MaxValue-MinValue) 说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。 (2)对数函数转换，表达式如下： y=log10(x) 说明：以10为底的对数函数转换。 (3)反余切函数转换，表达式如下： y=atan(x)*2/PI (4)一个归一化代码. I=double(I); maxvalue=max(max(I)');%max 在把矩阵每列的最大值找到，并组成一个单行的数组，转置一下就会行转换为列，再max就求一个最大的值，如果不转置，只能求出每列的最大值。 f = 1 - I/maxvalue; %为什么要用1去减？ Image1=f;

包括灰度图像和彩色图像的处理，只需要输入图像文件名就可以运行。

matlab中的GM模型代码CTseg：脑部CT分割，标准化，颅骨剥离和总脑/颅内体积计算 概述 这是用于对计算机断层扫描（CT）脑部扫描进行分割和空间归一化的算法。 该模型是流行的统一分割例程（SPM12软件的一部分）的扩展，具有：改进的配准，高斯混合模型参数的先验知识，从MRI和CT（更多类）中学习的地图集。 这些改进导致了更强大的分割程序，该程序可以更好地处理具有大量噪声和/或较大形态变异性的图像（请参见上图）。 该算法可以产生以下的原始|经调制的空间分段： 灰质（GM） 白质（WM） 脑脊液（CSF） 骷髅头（骨） 软组织（ST） 背景（BG） 该实现是在MATLAB中完成的，并且取决于SPM12软件包（及其MB工具箱）。 如果您发现该代码很有用，请考虑引用“参考”部分中的出版物。 更多详细信息 CTseg的输入应作为NIfTI文件（ .nii ）提供。 所得组织分割的格式与SPM12分割例程的输出格式相同（ c* ， wc* ， mwc* ）。 归一化的分割（ wc* ， mwc* ）在MNI空间中。 默认情况下，将生成输入图像的不ss_骨的版本（将ss_前缀为原始文件名）。