在图像处理中，规范化的正确含义是什么？我通过谷歌搜索得到了不同的定义。我将尝试详细解释每个定义。
卷积核矩阵的规范化
如果规范化是指矩阵（例如卷积滤波器的卷积核矩阵），通常将矩阵的每个值除以矩阵值的总和，以使矩阵值之和等于 1（如果所有值都大于零）。这很有用，因为图像矩阵与我们的卷积核矩阵之间的卷积会产生一个输出图像，其值介于 0 和原始图像的最大值之间。但是，如果我们使用 Sobel 矩阵（具有一些负值），这就不再成立了，我们必须拉伸输出图像，以使所有值介于 0 和最大值之间。
图像的规范化
我基本上发现了两种对规范化的定义。第一个是“剪切”太高或太低的值，即如果图像矩阵具有负值，则将其设置为零，并且如果图像矩阵的值大于最大值，则将其设置为最大值。第二个是线性拉伸所有值，以适应区间 [0, 最大值]。
我会稍微扩展一下 @metsburg 的回答。有几种归一化图像（通常是数据向量）的方法，针对不同情况方便地使用：
数据归一化 或数据（重新）缩放：将数据投影到预定义范围内（通常为 [0, 1] 或 [-1, 1]）。当您拥有来自不同格式（或数据集）的数据并且希望对它们进行归一化以便可以应用相同的算法时，这非常有用。通常执行如下：
Inew = (I - I.min) * (newmax - newmin)/(I.max - I.min) + newmin
数据标准化是规范化数据的另一种方式（在机器学习中经常使用），其中将平均值从图像中减去并除以其标准偏差。如果您打算将图像用作某些机器学习算法的输入，则它特别有用，因为其中许多算法会假定特征具有高斯形式，其mean=0、std=1。可以轻松执行如下：
Inew = (I - I.mean) / I.std
数据拉伸（当您处理图像时也称为直方图拉伸），被称为选项2。通常，图像会被夹在最小值和最大值之间，并设置：
Inew = I
Inew[I < a] = a
Inew[I > b] = b
这里，低于a的图像值被设置为a，高于b的图像值也同样被处理。通常，a和b的值是按照百分比阈值计算得出的。其中，a表示数据最底部1%的阈值，b表示数据最顶部1%的阈值。通过这样做，可以从图像中删除异常值（噪点）。
这与直方图均衡化类似（更简单），后者也是一种预处理步骤。
数据归一化也可以理解为向量相对于范数（L1范数或L2/Euclidean范数）进行归一化。在实践中，这被解释为：
Inew = I / ||I||
其中||I||指的是I的范数。
如果选择l1范数，图像将会被其绝对值之和除以，使得整个图像的和等于1。如果选择l2（或欧几里得）范数，则图像将会被其平方值之和除以，使得I的平方和等于1。
前三种通常在图像处理中使用（不能同时使用这三种，因为缩放和标准化不兼容，但可以选择其中一种或缩放+拉伸或标准化+拉伸），而最后一种并不是那么有用。它通常作为一些统计工具的预处理，但如果你打算使用单张图片，则没有太大意义。
Inew = (I - I.min) * (newmax - newmin) / (I.max - I.min) + newmin - jakeoung@Imanol的回答很好，我只想增加一些例子：
将输入数据进行像素级别或数据集级别的归一化处理。通常有三种归一化方案：
img /= 255.0
img /= 127.5
img -= 1.0
img /= 255.0
mean = [0.485, 0.456, 0.406] # Here it's ImageNet statistics
std = [0.229, 0.224, 0.225]
for i in range(3): # Considering an ordering NCHW (batch, channel, height, width)
img[i, :, :] -= mean[i]
img[i, :, :] /= std[i]