在他们的论文描述维奥拉-琼斯目标检测框架 （可靠的实时人脸检测由Viola和Jones），它是说：
用于训练的所有示例子窗户方差归一化以最小化的不同照明条件下的效果。
我的问题是 “如何实现八度图像标准化？”
我不是在寻找特定的实现，中提琴和琼斯使用，但一个类似的产生几乎相同的输出。 我一直在关注了很多哈尔培训教程（试图检测手），但尚未能够输出良好的检测器（XML）。
我一直试图联系作者，但仍然还是没有反应。
Answer 1:
我已经回答了如何把它在一般准则这个线程 。
下面是如何执行方法1在八度（标准化为标准偏差正常）（示范用于随机矩阵A ，当然可以应用到任何基质，这是图像的表示方式）：
>>A = rand(5,5)
A =
0.078558 0.856690 0.077673 0.038482 0.125593
0.272183 0.091885 0.495691 0.313981 0.198931
0.287203 0.779104 0.301254 0.118286 0.252514
0.508187 0.893055 0.797877 0.668184 0.402121
0.319055 0.245784 0.324384 0.519099 0.352954
>>s = std(A(:))
s = 0.25628
>>u = mean(A(:))
u = 0.37275
>>A_norn = (A - u) / s
A_norn =
-1.147939 1.888350 -1.151395 -1.304320 -0.964411
-0.392411 -1.095939 0.479722 -0.229316 -0.678241
-0.333804 1.585607 -0.278976 -0.992922 -0.469159
0.528481 2.030247 1.658861 1.152795 0.114610
-0.209517 -0.495419 -0.188723 0.571062 -0.077241
在上面的使用：
- 为了得到矩阵的标准偏差：
s = std(A(:)) - 为了得到矩阵的平均值：
u = mean(A(:)) - 然后将以下式
A'[i][j] = (A[i][j] - u)/s与矢量化版本：A_norm = (A - u) / s
与矢量归归它也很简单：
>>abs = sqrt((A(:))' * (A(:)))
abs = 2.2472
>>A_norm = A / abs
A_norm =
0.034959 0.381229 0.034565 0.017124 0.055889
0.121122 0.040889 0.220583 0.139722 0.088525
0.127806 0.346703 0.134059 0.052637 0.112369
0.226144 0.397411 0.355057 0.297343 0.178945
0.141980 0.109375 0.144351 0.231000 0.157065
在abvove：
-
abs是向量（它的长度），这是与矢量乘法（计算的绝对值A(:)' * A(:)实际上是sum(A[i][j]^2) - 然后，我们用它来归一化矢量所以这将是长度为1。
文章来源: How to normalize an image using Octave?
