在Python中，图像归一化可以通过使用OpenCV或scikit-learn库来实现。以下是使用OpenCV进行图像归一化的示例代码：
```python
import cv2
import numpy as np
读取图像
src = cv2.imread（'path_to_image'）
gray = cv2.cvtColor（src, cv2.COLOR_BGR2GRAY）
将图像转换为浮点数类型
gray = np.float32（gray）
使用OpenCV的normalize函数进行归一化
dst = np.zeros（gray.shape, dtype=np.float32）
cv.normalize（gray, dst, alpha=0, beta=1.0, norm_type=cv.NORM_MINMAX）
显示归一化后的图像
cv.imshow（'Normalized Image', dst）
cv.waitKey（0）
cv.destroyAllWindows（）
在上面的代码中，`cv.normalize`函数用于归一化图像，参数`alpha`和`beta`分别代表归一化后的最小值和最大值。`norm_type=cv.NORM_MINMAX`表示使用最小-最大归一化方法，即将像素值映射到[0, 1]区间。如果你需要使用scikit-learn库进行归一化，可以使用`MinMaxScaler`，如下所示：```pythonfrom sklearn.preprocessing import MinMaxScaler
import numpy as np
假设这是我们的原始数据
data = np.array（[[1, 1000], [5, 1500], [10, 2000]]）
创建MinMaxScaler对象
scaler = MinMaxScaler（）
对数据进行归一化处理
scaled_data = scaler.fit_transform（data）
打印归一化后的数据
print（scaled_data）
在这个例子中，`MinMaxScaler`会将数据缩放到[0, 1]区间。
请注意，归一化的目的是将数据转换到一个特定的范围，通常是[0, 1]或[-1, 1]。这有助于在图像处理和分析中减少数据的偏差和差异性，并提高算法的性能。