一、预处理核心流程与目的

二、各环节详细操作

1. 辐射定标（Radiometric Calibration）

• 绝对定标：利用已知辐射亮度的标准光源（如积分球），建立 DN 值与辐射亮度的数学模型（如线性回归）。
• 相对定标：通过同一传感器不同波段或不同时间的响应一致性，校正波段间的辐射偏差，常用于时序数据。

2. 大气校正（Atmospheric Correction）

• 基于辐射传输模型：如 MODTRAN、6S 模型，需输入大气参数（如气溶胶类型、水汽含量），精度高但操作复杂。
• 基于地面实测数据：利用同步获取的地面标准板反射率（如灰板），建立图像反射率与实测值的校正关系，适用于无人机、地面光谱数据。
• 基于图像本身：如暗目标法（DOS），通过选取图像中 “暗目标”（如深水区、阴影）假设其反射率为 0，反演大气影响，操作简便但精度依赖目标选取。
• 

3. 几何校正（Geometric Correction）

• 系统几何校正：利用传感器参数（如轨道、姿态角）和地形数据，通过物理模型校正，适用于卫星数据（如 Hyperion）。
• 几何精校正：通过选取地面控制点（GCP），将图像与高精度地图（如 Google Earth）或 GPS 实测点对齐，常用多项式拟合方法，适用于无人机等低空数据。

4. 噪声去除（Noise Reduction）

• 坏波段剔除：直接删除受严重噪声或水汽吸收影响的波段（如 1300-1500nm、1800-2000nm 的水汽吸收带）。
• 平滑滤波：通过邻域平均、高斯滤波等降低随机噪声，需注意避免过度平滑导致光谱细节丢失。
• 光谱重采样：当部分波段噪声严重时，可将相邻波段合并（如每 5 个波段取平均），在保留主要信息的同时减少噪声。

5. 维度约简（Dimensionality Reduction）

• 主成分分析（PCA）：将高维数据投影到少数几个主成分上，保留数据中 90% 以上的信息，是最常用的降维方法。
• 波段选择：根据波段的信息量（如方差）或相关性，手动或自动筛选关键波段（如植被分析优先选择红边、近红外波段），保留原始光谱物理意义。
• 线性判别分析（LDA）：结合样本类别信息降维，更适用于分类任务，但对样本数量要求较高。
• 

三、常用工具与软件