卫星影像林地识别任务像素值归一化方法选型咨询

两种方法的核心差异 #

两种方式虽然最终都把像素映射到[0,1]区间，但缩放逻辑完全不同：

• 直接除以255：以8位影像的理论全局值域[0,255]为统一基准做线性缩放，所有影像、所有patch、所有通道的缩放比例固定，完整保留像素间的原始相对亮度、光谱差异。
• 参考示例中的MinMaxScaler用法：对每个切分后的256×256影像patch单独计算像素极值，按公式(x - patch内通道最小值)/(patch内通道最大值 - patch内通道最小值)做缩放，会自动把每个patch的对比度拉满，直接抹除不同patch间的整体亮度、色调差异。

场景适配结论 #

针对卫星影像林地识别任务，90%以上的场景优先选择全局固定缩放（8位影像除以255，16位影像除以65535），不建议直接照搬示例里的单patch MinMaxScaler写法，核心原因如下：

• 卫星影像的像素值对应实际地物的光谱反射率，是区分林地、耕地、建筑、水体等地类的核心依据。单patch独立归一化会扭曲地物间的原始光谱相对关系：比如阴坡覆盖的均匀林地暗patch，经过拉伸后最暗的林地像素会被映射为0、最亮的林地像素被映射为1，和阳坡裸地patch的像素值分布完全重合，直接破坏模型识别林地依赖的光谱特征。
• 单patch归一化会引入训练-推理分布偏移：推理阶段输入的影像patch如果存在极值异常（比如patch内有小片云、反光水面），归一化后的像素分布会和训练集分布产生明显差异，直接导致模型精度跳水。
• 示例代码用单patch MinMaxScaler是适配其所用的小样本航拍数据集——该数据集存在明显的局部曝光不均问题，单patch拉伸相当于做了简易的局部对比度增强，这个前提在多数经过辐射校正的卫星影像场景下不成立。

特殊情况调整 #

如果你的卫星影像没有做过辐射归一化，不同时相、不同景的影像整体亮度差异极大，可以使用MinMaxScaler，但必须遵守一个原则：提前在整个训练集所有数据上计算逐通道的全局最小值、最大值，固定缩放参数后再应用到所有训练、验证、推理数据上，绝对不能对单个patch/单张影像单独fit缩放参数。

参考代码片段 #

示例中两种归一化的对应实现如下：

from sklearn.preprocessing import MinMaxScaler, StandardScaler
scaler = MinMaxScaler()

root_directory = 'Semantic segmentation dataset/'
patch_size = 256

image_dataset = []  
for path, subdirs, files in os.walk(root_directory):
    dirname = path.split(os.path.sep)[-1]
    if dirname == 'images':
        images = os.listdir(path)
        for i, image_name in enumerate(images):  
            if image_name.endswith(".jpg"):
                image = cv2.imread(path+"/"+image_name, 1)
                SIZE_X = (image.shape[1]//patch_size)*patch_size
                SIZE_Y = (image.shape[0]//patch_size)*patch_size
                image = Image.fromarray(image)
                image = image.crop((0 ,0, SIZE_X, SIZE_Y))
                image = np.array(image)             

                print("Now patchifying image:", path+"/"+image_name)
                patches_img = patchify(image, (patch_size, patch_size, 3), step=patch_size)
        
                for i in range(patches_img.shape[0]):
                    for j in range(patches_img.shape[1]):
                        single_patch_img = patches_img[i,j,:,:]
                        # 单patch MinMaxScaler写法（不推荐直接用于卫星影像）
                        single_patch_img = scaler.fit_transform(single_patch_img.reshape(-1, single_patch_img.shape[-1])).reshape(single_patch_img.shape)
                        # 全局除以255写法（8位影像推荐）
                        #single_patch_img = (single_patch_img.astype('float32')) / 255. 
                        single_patch_img = single_patch_img[0]
                        image_dataset.append(single_patch_img)

提示：如果使用16位存储的卫星影像（如Sentinel-2、Landsat系列原始产品），像素值域为0-65535，直接除以255会导致像素值远超[0,1]区间，此时应替换为除以65535，或使用提前算好全局参数的MinMaxScaler。

内容的提问来源于stack exchange，提问作者Nico1654