在 OpenCV 图像处理的世界里，有几个函数进行一些基本数据变换：
cv::convertTo()：类型转换与线性缩放；cv::normalize()：归一化处理；cv::scaleAdd()：加权叠加运算。cv::addWeighted(): 与
scaleAdd相似，进行加权叠加运算；
一、cv::convertTo()：线性变换 + 数据类型转换
void cv::Mat::convertTo(OutputArray dst, int rtype, double alpha = 1, double beta = 0) const;
其操作逻辑为：
dst(x, y) = saturate_cast<rtype>( src(x, y) * alpha + beta )
主要功能包括：
- 类型转换，如CV_8U->CV_32F
- 缩放变换，如alpha=1/255时实现归一化
- 图像增强，如
alpha > 1,beta ≠ 0调整对比度与亮度
二、cv::normalize()：归一化到特定范围或分布
cv::normalize(InputArray src, OutputArray dst, double alpha = 1, double beta = 0, int norm_type = NORM_L2, int dtype = -1, InputArray mask = noArray());
src：输入数组（cv::Mat）
要被归一化的数据，可以是图像，也可以是向量或矩阵。
可以是任意深度（CV_8U、CV_32F、CV_64F等），任意通道数（灰度、彩色等）。
dst：输出数组（cv::Mat）
存储归一化后的结果，类型由
dtype决定（默认与src一致）。
alpha：归一化下限或范数值（具体含义取决于 norm_type）
如果
norm_type是NORM_MINMAX，alpha表示 归一化后的最小值。如果是其他范数（如
NORM_L1,NORM_L2），alpha是规范化后的 目标范数。
beta：归一化上限（仅在 NORM_MINMAX 有意义）
只有当
norm_type = NORM_MINMAX时，beta表示 归一化后的最大值。对于其他归一化类型，
beta会被忽略。
norm_type：归一化类型（cv::NormTypes 枚举）
cv::NORM_MINMAX，将数组线性映射到[alpha, beta]区间，常用于图像对比度增强。cv::NORM_L1，将向量归一化为 L1 范数（绝对值和）为alpha。cv::NORM_L2（默认），将向量归一化为 L2 范数（欧几里得范数）为alpha。cv::NORM_INF，将向量归一化为最大绝对值为alpha。
dtype：输出数据类型（默认 -1 表示与 src 一致）
可以指定输出图像的数据类型，如
CV_8U,CV_32F等。如果
dtype = -1，表示dst类型与src保持一致。
mask：掩膜（可选）
用于选择对哪些像素进行归一化，非零位置参与归一化计算。
对于不需要掩膜的常见情况，使用默认值
cv::noArray()。
函数应用场景：
- 使用
NORM_MINMAX，将图像所有像素值映射到[0,1]区间 - 使用
NORM_L2，将图像看作向量，使得所有元素构成向量的模长为alpha
三、cv::scaleAdd()：线性叠加的高效实现
void cv::scaleAdd(InputArray src1, double alpha, InputArray src2, OutputArray dst);
其操作逻辑为：
dst = src1 * alpha + src2;
用法场景：
梯度融合；
图像加权融合（曝光合成）；
向量叠加（例如 PCA 主成分叠加）。
四、完整实战示例：图像增强 + 归一化 + 加权融合
我们将演示如下流程：
读取一张图像并转换为浮点格式；
使用
convertTo将其归一化到 [0,1]；使用
scaleAdd将原图与边缘图像加权融合，输出增强图像。
int main() {
cv::Mat img = cv::imread("lena.png", cv::IMREAD_GRAYSCALE);
if (img.empty()) {
std::cerr << "Cannot read image!" << std::endl;
return -1;
}
// 1. 使用 convertTo 将图像转换为 float 并归一化
cv::Mat img_f;
img.convertTo(img_f, CV_32F, 1.0 / 255.0);
// 2. 使用 Sobel 提取边缘
cv::Mat grad_x, grad_y, grad;
cv::Sobel(img_f, grad_x, CV_32F, 1, 0, 3);
cv::Sobel(img_f, grad_y, CV_32F, 0, 1, 3);
cv::magnitude(grad_x, grad_y, grad);
// 3. 对梯度图 normalize 到 [0,1]
cv::Mat grad_norm;
cv::normalize(grad, grad_norm, 0.0, 1.0, cv::NORM_MINMAX);
// 4. 使用 scaleAdd 融合边缘与原图
cv::Mat enhanced;
cv::scaleAdd(grad_norm, 0.5, img_f, enhanced); // enhanced = grad_norm * 0.5 + img_f
// 5. 将增强图转换回 uchar 显示
cv::Mat enhanced_8u;
enhanced.convertTo(enhanced_8u, CV_8U, 255.0);
// 显示结果
cv::imshow("Original", img);
cv::imshow("Enhanced", enhanced_8u);
cv::waitKey(0);
return 0;
}
