En su forma más simple agrupamiento de los datos de algo así como una cámara CCD (como puede ser utilizado para la espectroscopia) significa la suma de varias píxeles.
En una matriz 2d detector (como en un diario de la cámara) por ejemplo, podría utilizar binning 2x2 para sumar los 4 píxeles en un valor de salida. Cada píxel contribuye exactamente una vez a la salida de datos, es decir, aparece en exactamente un bin. Este mitades de su resolución (en ambos ejes) así que ¿por qué iba a hacerlo? Para reducir el ruido y aumentar la señal. Sin entrar en demasiado detalle, la suma aleatoria de ruido de los distintos píxeles provoca un aumento en el ruido proporcional a la raíz cuadrada del número de píxeles, mientras que la de la señal (si se distribuyen uniformemente a través de los píxeles) aumenta con el número de píxeles.
Ahora en un sistema espectroscópico de que usted puede tener de 2 ejes: uno espectral y, posiblemente, uno espacial. Normalmente, a pesar de toda la información espacial se tiran por el agrupamiento de todos los píxeles de esa dimensión. Esto se muestra en la Figura 1 a continuación (para un tipo diferente de espectroscopia pero es lo que yo tenía). La dimensión vertical aquí tiene (ajena) de datos espaciales, mientras que la luz se dispersa en el horizontal ($x$) dirección para formar un espectro
![CCD image to spectrum]()
Figura 1: imagen de la lectura de un CCD (parte superior) se resume en $y$ para generar un espectro. Binning en el $x$ dimensión puede ser utilizada para mejorar la relación señal-ruido a costa de la resolución. El espectro de aquí es real, mientras que el CCD de la imagen es un dibujo que ilustra el aspecto de la señal y el ruido.
Así que ahora podemos concentrarnos en espectral binning. Aquí se suman los valores de los píxeles adyacentes, reduciendo la resolución espectral y el ruido. En la figura que significa sumar valores adyacentes en el $x$ sentido de la materia prima CCD de lectura. No es necesario hacer esto en el espectro he mostrado, buena curva se ajusta podría ser obtenido de las $520~\mathrm{cm^{-1}}$ $568~\mathrm{cm^{-1}}$ picos (nota de la $\times 10^4$ $y$ eje).
Finalmente relacionar este pico de estadísticas. Lo que tienden a estar interesado es la posición del pico y la altura o el área integrada. Estos suelen ser tomado por la colocación de un pico de la función de una forma adecuada a la cima, comúnmente una Gaussiana. Si usted va a encajar una Gaussiana a la cima, usted necesita para medir la diferencia entre un candidato de ajuste y los datos reales para evaluar la calidad del candidato ajuste. En el documento que enlaza esa diferencia se mide con $\chi^2$. El ajuste de rutina pueden ajustar los parámetros de la cima de la función y tratar de minimizar el $\chi^2$. Como el documento vinculado se explica, en la instalación de una Gaussiana utilizando $\chi^2$ minimización, usted necesita estar tratando de Gauss de datos distribuidas. Si usted está tratando con fotones individuales, la intensidad de la distribución no Gaussiana y la calidad del ajuste va a sufrir. Accorsing el documento que enlaza, por el momento recipientes contienen alrededor de 20 cuentas (fotones) se puede tratar el conteo de fotón distribución Gaussiana. Presentación de informes el mínimo de $\chi^2$ valor encontrado da una indicación de la calidad del ajuste.
