Normalisasi pada dasarnya merupakan prasyarat untuk menurunkan angka kondisi dari matriks A (semakin besar angka kondisi, semakin dekat matriks tersebut dengan matriks singular).
Transformasi normalisasi juga diwakili oleh sebuah matriks dalam hal estimasi homografi, dan ini dapat digunakan sebagai matriks prekondisier yang baik. Alasan mengapa hal itu lebih rumit dan dijelaskan secara singkat dalam buku H&Z (4.4.4, hlm. 107: Mengapa normalisasi itu penting? ) Atau lebih rinci dalam makalah " Dalam Pertahanan Algoritma Delapan Poin ".
Sederhananya, matriks terdiri dari produk-produk koordinat gambar yang dapat memiliki skala yang berbeda. Jika skala berbeda dengan faktor , produk berbeda dengan faktor .A10102
Sumber dan target data koordinat biasanya berisik . Tanpa normalisasi, data dari sumber akan dapat memiliki dua urutan besarnya lebih besar daripada dari target (atau sebaliknya).
Estimasi homografi biasanya menemukan parameter dalam arti kuadrat-terkecil - maka estimasi statistik terbaik hanya ditemukan jika varian parameternya sama (atau diketahui sebelumnya, tetapi lebih praktis hanya dengan menormalkan input).
Pemecah langsung tidak menyukai masalah yang berskala buruk karena ketidakstabilan numerik muncul (misalnya, membagi angka yang sangat besar dengan angka yang sangat kecil dengan mudah menyebabkan luapan numerik).
Pemecah berulang berjuang dengan matriks yang dikondisikan dengan buruk membutuhkan lebih banyak iterasi.
Jadi normalisasi sangat penting tidak hanya untuk stabilitas numerik, tetapi juga untuk estimasi yang lebih akurat dengan adanya noise dan solusi yang lebih cepat (dalam hal solver berulang).