今天，我又開了一欄博客，這裏我將主要介紹高光譜數據處理的相關算法，爲廣大剛剛從事高光譜的學習的同胞們提供一點點幫助，希望大家能夠從中學到一些！！！
下面我將開始介紹一系列高光譜數據預處理算法，在我們採集到高光譜數據之後，其中含有很多噪音，如果直接建模的話，這些噪音會影響建模效果。因此，我們要先進行一定預處理，將其中的噪音去除。常用的預處理算法有標準化/歸一化、移動平均窗口平滑、SG平滑等。今天我將先介紹比較簡答的預處理算法：數據標準化/歸一化。
數據的標準化/歸一化（normalization）就是將數據按照比例縮放、平移，使數據落入一個小的特定區間中。
數據標準化/歸一化的作用是消除數據量綱的影響，使數據指標之間具有可比性，對模型的建立至關重要，下面舉一個簡單明瞭的例子：房子的價格受面積與樓層數影響，因此可以根據面積和樓層數建立一個房價的數學模型。但是，我們可以看出房子的面積數值很大，而樓層數數值很小，因此面積對模型的影響大於樓層數。因此，我們要對數據進行標準化和歸一化，統一數據的範圍，消除量綱的一影響。
下面我將介紹幾個常用的標準化/歸一化方法：
①min-max標準化：
其表達是爲：
②z-score標準化：
其表達式爲：
③logistic變換：
該變換的作用是將負無窮到正無窮的數據投影到到0、1範圍內，在支持向量機、神經網絡等機器學習算法中用到，函數的一般形式爲下式，.如圖即爲logistic函數曲線。其表達式爲：
④中心化（centering）：
中心化與上述變換有所區別，該過程只對數據進行了平移，沒有進行縮放，一般在主成分提取前進行數據中心化，使提取的主成分能夠較好的應用向量描述。其表達式爲：
以上就是常用的幾種數據標準化過程，下面給出其實現代碼：
function [nx] = normaliz(x)
% Normalize matrix rows dividing by its norm
% [nx] = normaliz(x)
% input:x-->data to normalize
% output:nx-->normalized data
% Auther:等等等等-dena
%min-max normalized
[m n]=size(x);
min_x=min(x);
max_x=max(x);
nx=x;
for i=1:m
nx(i,:)=(x-min_x)/(max_x-min_x);
end
%%
%z-score normalized
[m n]=size(x);
mean_x=mean(x);
var_x=var(x);
for i=1:m
nx(i,:)=(x-mean_x)/var_x;
end
%%
%centering
[m,~]=size(x);
mx= mean(x);
nx=(x-mx(ones(m,1),:));
end
當然，除了這幾種常見的標準化，還有很多其他形式，這裏就不介紹了，大家用到的時候可以查相關資料~
Get better every day！！！