为何使用cv2.normalize归一化后最小值并非精确为0？

核心原因：浮点数精度限制 #

这是单精度浮点数运算的精度误差导致的，和OpenCV的NORM_MINMAX实现逻辑直接相关：

1. 归一化的计算逻辑
   OpenCV的cv2.NORM_MINMAX遵循公式：

   dst(x,y) = (src(x,y) - min_val) * (beta - alpha) / (max_val - min_val) + alpha
   

   理论上当src(x,y)等于原始数组的最小值min_val时，结果应该是alpha（也就是0），但32位单精度浮点数（CV_32F）的存储和运算存在天生的精度损失，除法和减法步骤中微小的舍入误差会被放大，最终得到一个接近0的极小负数，比如你遇到的-5.9604645e-07。

2. 32位浮点数的特性
   CV_32F只有约7位有效数字，这种级别的误差是这类浮点数运算的常见现象，并非OpenCV的bug。

可行的解决办法 #

如果需要严格保证结果最小值为0，可选择以下方式：

• 手动截断误差值：计算完成后把所有小于0的数值强制设为0：

  result[result < 0] = 0.0
  

• 改用更高精度浮点数：将dtype改为cv2.CV_64F（双精度浮点数），它的精度更高，误差会缩小到几乎可以忽略的程度，但无法完全消除。
• 转换为8位整数：如果最终需求是0-255的整数，直接将结果转为cv2.CV_8U类型，这个极小负数会被自动截断为0：

  result = cv2.normalize(my_array, None, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8U)
  

内容的提问来源于stack exchange，提问作者Rosy