高光谱数据平场校正：不同尺寸参考处理及均值计算需求

你可以直接用Numpy的mean()函数，指定**沿第一轴（axis=0）**计算均值，就能把形状为(N, 384, 288)的参考数据压缩成(384, 288)的数组，完美满足广播计算的要求。

具体实现代码 #

# 对白参考沿第一轴（axis=0）计算均值，得到(384,288)的数组
white_mean = white_nparr.mean(axis=0)
# 对暗参考做同样处理
dark_mean = dark_nparr.mean(axis=0)

# 执行平场校正，此时数组形状匹配，可正常广播计算
corrected_nparr = np.divide(np.subtract(data_nparr, dark_mean), np.subtract(white_mean, dark_mean))

验证形状 #

执行后可以检查形状确认结果：

print(white_mean.shape)  # 输出 (384, 288)
print(dark_mean.shape)   # 输出 (384, 288)

补充说明 #

• axis=0对应你数据形状中的第一个维度（白参考的297、暗参考的100），计算该维度上所有样本的平均值，保留后面两个空间维度。
• 这种方法比单切片更稳定，因为它用到了所有参考数据的平均，能减少单帧噪声带来的误差。

内容的提问来源于stack exchange，提问作者russj