1

Normalize Pixel Values

Unsolved
Computer Vision

Difficulty: 2 | Problem written by mesakarghm
Problem reported in interviews at

Amazon
Apple
Facebook
Google
Netflix

The pixel value of images ranges between 0 to 255. While using these images in a neural network, they will have to be normalized to be in the range of 0 to 1. This can be performed by dividing all pixel values by the largest pixel value. 

Write a function normalize(image) which takes in an input grayscale image (2D NumPy array) and returns the normalized pixel values.

Sample Input:
<class 'list'>
image: [[ 1 7 9 13 12] [11 21 61 81 91] [ 5 66 6 5 5]]

Expected Output:
<class 'numpy.ndarray'>
[[0.00392157 0.02745098 0.03529412 0.05098039 0.04705882] [0.04313726 0.08235294 0.23921569 0.31764707 0.35686275] [0.01960784 0.25882354 0.02352941 0.01960784 0.01960784]]

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.

Numquam non quisquam adipisci laborum illo repudiandae fugit tenetur porro, reprehenderit nesciunt sint modi saepe, voluptatibus impedit at molestias tenetur deleniti ipsam laborum nostrum nisi, voluptatem amet debitis ab culpa sed quasi sequi ipsam a. Reiciendis consequuntur accusamus veritatis fugiat nulla dolore, qui ipsam officiis. Vero deserunt similique nesciunt minima ducimus laudantium vel, consectetur culpa labore veniam, quae quaerat quis distinctio fugit impedit similique.

Alias impedit deleniti placeat ab earum, nisi consectetur placeat beatae sit temporibus accusantium. Tempora numquam asperiores amet nesciunt ratione repellendus beatae libero vero, rerum quas nulla natus repudiandae necessitatibus vitae deserunt quos, quasi numquam labore, sint nobis nostrum quisquam soluta tempora? Voluptatem alias placeat cumque consequatur repellat rerum, natus possimus pariatur odio quam consequuntur assumenda aliquam mollitia quasi at, nam fugit libero cum vel eaque sit explicabo magni suscipit? Totam omnis ipsum quam repellendus aspernatur soluta laboriosam saepe molestiae fugit, hic temporibus esse voluptas repudiandae dolore voluptate nam voluptatum molestias nihil consequatur.

Quaerat inventore totam magnam illum a adipisci sint nesciunt, nisi sunt esse tempore minus, tenetur dicta iure, commodi perferendis animi consequatur numquam sit fuga, exercitationem mollitia velit esse odio temporibus sint ex maiores autem dolores nesciunt?

This is a premium feature.
To access this and other such features, click on upgrade below.

Ready.

Input Test Case

Please enter only one test case at a time
numpy has been already imported as np (import numpy as np)