🟧 图像归一化

最大最小值归一化：该方法可以保持原始数据的分布结构，将像素值进行线性拉伸，映射到特定目标范围内。适用于需要保留像素值相对关系的通用场景。

均值方差归一化：将像素值转换成一个标准化的分布，通常是均值为0，标准差为1，然后通过乘以归一化范围最大值来调整数据的尺度。常用于深度学习中，因为很多模型假设输入数据是标准正态分布。

最大绝对值归一化：找到图像中最大的绝对值像素，用每个像素除以这个值，并且缩放到指定范围。这种方法不会改变图像的"中心"，即正负值的相对分布。

对数归一化：当图像中亮度差异非常大时（例如少量亮的像素和大量暗的像素），对数归一化会对每个像素的值取对数，这样可以减小亮区的差距，并增强暗区的细节，从而让整体图像看起来更加平衡。

当使用最大最小值归一化时，此参数用于设置输出范围上限。例如设为 255，输出范围就是 [0, 255]，适合于直接显示为8位图像；设为1，输出范围就是 [0, 1]，常用于深度学习。

对于其他归一化方法，此参数作为一个乘法缩放因子，应用在归一化计算之后。

关闭（默认）：不进行任何截断。

开启：启用截断功能。当归一化结果可能产生超出期望范围的极端值时，开启此选项可以有效抑制这些离群值，保证输出值在最小值和最大值之间。

开启（默认）：正常运行该算子功能。

关闭：算子不执行任何操作，直接将输入的数据输出。