如何在TensorFlow中还原tf.image.per_image_standardization()归一化操作？

嘿，这个问题太实用了！毕竟用tf.image.per_image_standardization()做归一化后，直接显示图像肯定会是灰蒙蒙的一片，甚至颜色失真，得先把它还原回原始数值范围才能正常查看。

首先得搞懂这个函数的归一化逻辑：它对单张图像单独计算均值（mean）和调整后的标准差（adjusted_stddev），然后执行(图像 - mean) / adjusted_stddev得到零均值、单位方差的结果。其中adjusted_stddev是为了避免标准差为0时出现除以0的错误，计算方式是max(stddev, 1.0/sqrt(图像总像素数))。

要还原的话，我们只需要把这个过程逆过来就行——但关键是必须在归一化时保存每张图像对应的mean和adjusted_stddev，因为每张图的这两个值都是不一样的。

单张图像的还原步骤 #

下面是具体的TensorFlow实现代码：

import tensorflow as tf

# 模拟一张原始图像（比如0-255的float32格式）
original_image = tf.random.uniform(shape=(256, 256, 3), minval=0, maxval=255, dtype=tf.float32)

# 先同步计算归一化所需的mean和adjusted_stddev
image_mean = tf.reduce_mean(original_image)
image_std = tf.math.reduce_std(original_image)
adjusted_stddev = tf.maximum(image_std, 1.0 / tf.sqrt(tf.cast(tf.size(original_image), tf.float32)))

# 执行归一化（和tf.image.per_image_standardization输出完全一致）
standardized_image = (original_image - image_mean) / adjusted_stddev

# 核心：还原图像
restored_image = standardized_image * adjusted_stddev + image_mean

# 验证还原效果（误差应该极小，接近0）
print("还原误差最大值：", tf.reduce_max(tf.abs(restored_image - original_image)).numpy())

批量图像的还原步骤 #

如果是处理批量图像，要注意tf.image.per_image_standardization()是逐图处理的，所以我们需要对批量里的每张图单独计算并保存mean和adjusted_stddev，再逐图还原：

# 模拟批量图像，shape=(batch_size, height, width, channels)
batch_images = tf.random.uniform(shape=(4, 256, 256, 3), minval=0, maxval=255, dtype=tf.float32)

# 定义单图处理函数，返回归一化图、mean、adjusted_stddev
def process_single_image(img):
    img_mean = tf.reduce_mean(img)
    img_std = tf.math.reduce_std(img)
    adj_std = tf.maximum(img_std, 1.0 / tf.sqrt(tf.cast(tf.size(img), tf.float32)))
    standardized = (img - img_mean) / adj_std
    return standardized, img_mean, adj_std

# 批量处理，得到归一化后的批量图，以及对应的mean和std数组
standardized_batch, batch_means, batch_adj_stds = tf.map_fn(
    process_single_image, 
    batch_images, 
    dtype=(tf.float32, tf.float32, tf.float32)
)

# 定义单图还原函数
def restore_single_image(std_img, mean, adj_std):
    return std_img * adj_std + mean

# 批量还原图像
restored_batch = tf.map_fn(
    lambda x: restore_single_image(x[0], x[1], x[2]),
    (standardized_batch, batch_means, batch_adj_stds),
    dtype=tf.float32
)

# 验证批量还原效果
print("批量还原误差最大值：", tf.reduce_max(tf.abs(restored_batch - batch_images)).numpy())

重要提醒 #

• 如果你在归一化时没有保存对应的mean和adjusted_stddev，那是无法还原的，因为每张图像的这两个参数都是唯一的。
• 还原后的图像数值范围会和原始图像一致，比如原始是0-255的float32，还原后也会回到这个范围，此时就可以正常用matplotlib或其他工具显示了。

内容的提问来源于stack exchange，提问作者Ramraj Chandradevan