### Normalization 操作的定义 Normalization 是一种常见的光谱预处理技术，旨在将光谱数据缩放到相同的尺度上。这一过程有助于消除由于测量条件差异带来的影响，使得不同样本之间的比较更为合理和有效[^1]。 ### 常见的 Normalization 方法 #### 1. Min-Max 归一化 Min-Max 归一化是一种简单的线性变换方法，能够将原始数据映射到指定区间内（通常是 [0, 1]）。对于给定的一组光谱强度值 \( I \)，可以通过下面的公式计算归一化的强度值： \[ I_{\text{norm}} = \frac{I - I_{\min}}{I_{\max} - I_{\min}} \] 其中 \( I_{\min} \) 和 \( I_{\max} } \) 分别表示该波长范围内最小和最大的光谱强度值[^2]。 #### 2. Z-Score 标准化 Z-score 标准化则是基于统计学原理的一种方法，它会把每条光谱的数据转化为均值为零、标准差为一的标准正态分布形式。具体来说就是先求得整条光谱平均值 μ 及其方差 σ ，再利用下述表达式完成标准化: \[ I_{\text{zscore}} = \frac{I - \mu}{\sigma} \] 这种方法特别适合用于那些具有明显背景噪声干扰的情况，在去除随机波动方面效果显著[^3]。 #### 3. SNV (Standard Normal Variate) 处理 SNV 主要用来解决由颗粒大小效应引起的散射变化问题。此法通过对每一个像素位置上的反射率做除以其自身的算术平均值得到相对响应度来实现去趋势目的；同时还可以进一步减掉各自对应的全局均值从而达到中心化的目的。其实现方式如下所示： \[ R'(\lambda_i)=\left[R(\lambda_i)-\overline{R}\right]/SD(R), i=1,...n \] 这里 \( R(\lambda_i)\) 表示第i个波段处未经处理过的反射率数值序列;而\( SD()\) 则代表样本内部所有元素的标准偏差运算符[^4]。 ```python import numpy as np def min_max_normalize(spectrum): """Apply Min-Max normalization to a spectrum.""" spec_min = np.min(spectrum) spec_max = np.max(spectrum) normalized_spectrum = (spectrum - spec_min) / (spec_max - spec_min) return normalized_spectrum def z_score_standardize(spectrum): """Apply Z-Score standardization to a spectrum.""" mean_val = np.mean(spectrum) std_dev = np.std(spectrum) standardized_spectrum = (spectrum - mean_val) / std_dev return standardized_spectrum def snv_correction(spectra_matrix): """Perform Standard Normal Variate correction on spectra matrix.""" corrected_spectra = [] for single_spec in spectra_matrix.T: mean_single_spec = np.mean(single_spec) sd_single_spec = np.std(single_spec) corrected_single_spec = (single_spec - mean_single_spec) / sd_single_spec corrected_spectra.append(corrected_single_spec) return np.array(corrected_spectra).T ```