归一化前必须将uint8图像转为float32并除以255.0，否则整数除法导致截断；值域需匹配归一化目标，如[0,1]用/255.0，[-1,1]用/127.5-1.0，Z-score则减均值除标准差。
归一化前必须确认图像数据类型和值域
NumPy 归一化失败的常见原因，是直接对 uint8 图像数组（如 cv2.imread() 或 PIL.Image.open().numpy() 读取的结果）做除法却忽略溢出或精度问题。这类数组值域为 [0, 255]，但若用整数除法（如 / 255）且未提前转为浮点，结果会截断为 0 或 1。
- 务必先检查：
img.dtype—— 若是uint8，必须显式转换：img.astype(np.float32) - 不要依赖自动类型提升：
img / 255在uint8上仍是整数除法（Python 3.8+ NumPy 中仍可能截断） - 灰度图、RGB 图、batched 图（
N×H×W×C）都适用同一逻辑，但需注意通道维度是否参与归一化
三种常用归一化方式及对应 NumPy 写法
归一化目标不同，代码写法差异明显。不是所有场景都该除以 255 —— 比如模型输入要求均值为 0、标准差为 1，就不能简单线性缩放。
-
线性缩放到 [0, 1]：
img.astype(np.float32) / 255.0—— 仅适用于值域明确为[0, 255]的图像 -
线性缩放到 [-1, 1]：
(img.astype(np.float32) / 127.5) - 1.0—— 注意不是(img - 127.5) / 127.5，后者在uint8下会下溢 -
Z-score 标准化（按通道）：
(img.astype(np.float32) - mean) / std，其中mean和std是形状匹配的数组（例如 RGB 图用[0.485, 0.456, 0.406]），必须广播正确 —— 若img是H×W×3，则mean应为(1, 1, 3)或(3,)并指定axis
批量图像归一化时的轴向处理陷阱
处理 N×H×W×C 批次数据时，误用 axis 会导致每个像素被独立归一化，而非按通道全局统计 —— 这会让 batch 内不同图像的亮度对比失真。
- 错误写法：
(batch - batch.mean()) / batch.std()—— 对整个四维数组算标量均值/标准差，破坏图像结构 - 正确做法（按通道）：
batch.astype(np.float32) - np.array([123.675, 116.28, 103.53]).reshape(1, 1, 1, 3)，再除以std数组（同 shape） - 若需计算 batch 内每通道统计量：用
axis=(0, 1, 2)（即保留 channel 维度），但注意这仅适用于训练集预估，推理时应固定数值
保存归一化后图像前必须反变换
归一化后的 float32 数组不能直接用 cv2.imwrite 或 PIL.Image.fromarray 保存 —— 它们默认期望 uint8 值域 [0, 255]，否则会全黑或溢出。
立即学习“Python免费学习笔记（深入）”；
- 从
[0, 1]恢复：(img_clipped * 255).astype(np.uint8)，其中img_clipped = np.clip(img, 0, 1) - 从
[-1, 1]恢复：np.clip((img + 1) * 127.5, 0, 255).astype(np.uint8) - 跳过
np.clip可能导致uint8溢出（如 -0.1 → 255），尤其在浮点误差或非理想归一化后
归一化本身不难，难的是在数据加载、模型输入、可视化三个环节保持 dtype 和值域的一致性 —— 少一个 .astype(np.float32) 或漏一次 np.clip，就可能让训练无声崩溃或图像全绿。
