如何对Landsat-8地表反射率卫星图像归一化以输入神经网络？

Landsat-8的Level-2地表反射率产品以DN值（1-65535）存储，但这些数值是经过官方缩放的，并非均匀覆盖整个范围，直接用最大值归一化会因有效像素集中在窄区间导致图像偏暗/偏白。以下是针对这类卫星图像的实用归一化方法：

• 官方缩放系数还原法
  Landsat-8地表反射率有标准转换公式，先将DN值还原为真实物理意义的反射率（范围通常在-0.1到1.0之间），再处理：
  真实反射率 = DN * 0.00002 - 0.1
  还原后可将数值裁剪到0-1区间（舍去极少数异常值），结果既符合物理逻辑，也适配神经网络输入，同时能得到正常视觉效果的图像。

• 百分位截断归一化
  通过过滤极端异常值（如亮云、深阴影）来优化数值分布：

  1. 统计图像DN值的2%分位数（Q2）和98%分位数（Q98）
  2. 截断超出范围的数值：clipped_DN = max(min(DN, Q98), Q2)
  3. 映射到0-1区间：normalized = (clipped_DN - Q2) / (Q98 - Q2)
     这种方法能让有效像素的对比度更合理，避免整体色调偏差，同时保留大部分有用信息。

• 均值-标准差标准化（Z-score归一化）
  针对每个波段单独计算统计特征，将数值转换为均值为0、标准差为1的分布：
  normalized = (DN - μ) / σ
  其中μ是波段DN值的均值，σ是标准差。若存在极端异常值，建议先做百分位截断再计算统计量，结果会更稳定。这种方式适合神经网络训练，能平衡不同波段的数值权重，避免某波段主导训练过程。

• 分段线性拉伸
  结合Landsat-8各波段的典型数值范围，针对不同波段设置专属拉伸区间：
  比如可见光波段（B2-B4）的有效DN值多集中在0-30000，短波红外波段（B5-B7）可设为0-40000，再将数值映射到0-1：
  normalized = min(DN / 波段典型最大值, 1.0)
  这种方法需要对Landsat波段特性有基础了解，能快速调整出视觉正常的图像，也可结合单波段统计结果动态设置区间。

内容的提问来源于stack exchange，提问作者Loki