在PixInsight的数据预处理流程中，LocalNormalization（局部归一化）的核心作用是校正图像中由光学系统或环境因素造成的非均匀光照或阴影伪影。它通过对图像局部邻域的均值和方差进行标准化处理，使整幅图像的背景和光照变得均匀一致，这对于后续的图像校准、叠加以及科学分析至关重要，尤其是在处理由不同视宁度或平场不完美导致的亮度变化时。
LocalNormalization作为一个独立的前期处理步骤，能够更精细地解决单张图像内部的亮度梯度问题。通过先使用LocalNormalization对单张亮场进行预处理，可以减少图像间的局部差异，从而在后续的叠加排异（如Sigma Clipping）过程中更有效地去除噪声和异常值，提升最终合成图像的信噪比与质量。
这里我进行了3种常见预处理方法的比对（图1）。方法1为最传统的StarAlignment后接Imagelntegration，采用Additive with scaling进行归一；方法2是StarAlignment后接LocalNormalization，应用方式为View execution only，然后通过再进行Imagelntegration，并采用Local normalization进行归一；方法3是StarAlignment后接LocalNormalization，应用方式为Always，这将产生带后缀为_n的新亮场，再进行Imagelntegration，采用Additive with scaling进行归一。
比对的结果如图1显示，方法2相较传统无LN流程的预处理方式（方法1），可得到更高信噪比的图片。令人意外的是方法3竟然相比方法1也有较大提升，因为在实际比对中，方法3后缀为_n的新亮场单张信噪比与StarAlignment后_r亮场并无差异。我暂时认为这可能是_n的新亮场单张信噪比提升过小，无法被测出，只有在叠加归一后才能显现。
图1：3种预处理方法的流程图，结果①②③为信噪比降阶梯排序
测试源为43张无月条件下的B通道亮场。
同时，比对有无LN流程所得最终图结果（图2），我们可以发现，LN流程确实可以有效的提升信噪比。这种必须注意，这种提升实际上受到亮场张数、滤镜类型、光污染情况的多重因素影响，所以产生的结果可能是非常复杂的，比如本次测试中的R通道，在LN流程后信噪比反而略有下降。因此，LN流程并非预处理必须，是否应用应当参照实际情况。
图2：有无LN流程信噪比结果图。红色（LN）为进行LN流程的亮场，黑色为无LN流程。
测试源数量（张）分别为：R39，G38，B 43，H594，O522，S237
星友评论