python中scikitlearn去噪示例

Question

我刚刚看到了this示例，该示例以不同的方式编写了一个使用CSR（集中式稀疏表示）进行去噪的代码。但在那个例子中，我得到了几行，我不知道他们为什么要用这几行=>

行如下=>

（一）

face = face[::2, ::2] + face[1::2, ::2] + face[::2, 1::2] + face[1::2, 1::2]
face /= 4.0

（二）

^{pr2}$

Answer 1

第一个是extended slicing，第二个是standardization

说明：

1。在

face = face[::2, ::2] + face[1::2, ::2] + face[::2, 1::2] + face[1::2, 1::2]
face /= 4.0

只是downsampling the image by bilinear interpolation (that is reducing its resolution).

在给定的示例中，face的原始维度是[768,1024]。上面两行有效地找到每个2x2像素的平均值，并将其放入单个像素中。请参见下图。在

蓝色的是图像的原始像素，红色的是周围像素平均的结果。将这个概念扩展到整个图像，您将得到face=[384, 512]的新的降低分辨率。在

这样做只是为了使计算速度更快。因为较大的图像需要更多的时间处理。在

2。在

^{2}$

在机器学习算法中，这是一种常见的技术，它将数据缩放并集中在零均值和单位方差附近。您可以参考许多资源来了解更多有关标准化的信息。以下是一些：

• http://scikit-learn.org/stable/modules/preprocessing.html#standardization-or-mean-removal-and-variance-scaling
• http://sebastianraschka.com/Articles/2014_about_feature_scaling.html
• https://stats.stackexchange.com/questions/152078/what-are-the-real-benefits-of-normalization-scaling-values-between-0-and-1-in
• Why feature scaling?
• https://www.coursera.org/learn/machine-learning/lecture/xx3Da/gradient-descent-in-practice-i-feature-scaling