CN114358047A - 一种卷积法识别sers光谱信号中特征峰峰位信息的方法 - Google Patents
一种卷积法识别sers光谱信号中特征峰峰位信息的方法 Download PDFInfo
- Publication number
- CN114358047A CN114358047A CN202111470046.6A CN202111470046A CN114358047A CN 114358047 A CN114358047 A CN 114358047A CN 202111470046 A CN202111470046 A CN 202111470046A CN 114358047 A CN114358047 A CN 114358047A
- Authority
- CN
- China
- Prior art keywords
- peak position
- sers
- signal
- peak
- window
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Spectrometry And Color Measurement (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提出一种卷积法识别SERS光谱信号中特征峰峰位信息的方法，包括：对SERS光谱信号进行微分求导，根据所得极值点与拐点获取SERS光谱信号中特征峰的大概起点峰位和终点峰位；将大概起点峰位到终点峰位这一峰位宽度下的特征峰的光谱信号函数与滤波函数进行卷积运算，再对所得卷积运算后的光谱信号进行差分处理，即获取所述SERS光谱信号中特征峰的峰位信息。本发明提出的一种卷积法识别SERS光谱信号中波峰峰位信息的方法，利用卷积计算方法变换SERS光谱信号，达到了灵敏感应，减少计算量的目的，并且克服了导数法无法提取群峰特征信息的缺陷。
Description
技术领域
本发明涉及光谱信号分析的技术领域，尤其涉及一种卷积法识别SERS光谱信号中特征峰峰位信息的方法。
背景技术
在一维光谱信号的特征信息分析中，特征峰的峰位与绝对峰宽提取对于光信号识别至关重要，其中特征峰包含群峰与独立峰等；对于独立峰这种简单峰，其峰位提取有很多选择方法，提取效果也比较理想，但峰宽的始末位置确定易受周围小峰干扰。而对于一些肩峰与重叠峰等群峰，其峰位提取难度较大，需结合波峰特点选择选择不同的处理方法，但群峰中各分峰的峰宽始末位置易提取。以SERS光谱信号为例，拉曼仪器检测后的光谱信号包含多种峰，例如独立峰，肩峰，重叠峰等。独立峰强度大峰窄，特征明显，便于识别；而光谱信号中还包含大量的肩峰与重叠峰，信息存在掩盖，特征信息不明显，故群峰的信息提取难度较大，但它们又对于光谱识别较为重要。
人为识别SERS光谱信号时，可以通过局部区域的最大值与最小值判断峰的位置。转化到数学领域中可以通过求一阶导方法求出光谱信号每点斜率变换，求二阶导确定光谱信号中的拐点，联合一阶导与二阶导可确定光谱的峰位。该方法效果明显，原理简单，对于大多数光谱信号的识别较为实用，优点显著能得到广泛应用。但对于拉曼光谱中奇异性较强的峰，个别强度低的肩峰，由于这类峰特征极不明显，求导法处理该光谱信号效果不佳，存在信息提取遗漏，易受噪声干扰，且灵敏感应低的缺陷。
发明内容
基于背景技术存在的技术问题，本发明提出了一种卷积法识别SERS光谱信号中波峰峰位信息的方法，利用卷积计算方法变换SERS光谱信号，达到了有效滤除噪音，灵敏感应，减少计算量的目的，并且克服了导数法无法提取群峰特征信息的缺陷。
本发明提出的一种卷积法识别SERS光谱信号中特征峰峰位信息的方法，包括：
对SERS光谱信号进行微分求导，根据所得极值点与拐点获取SERS光谱信号中特征峰的大概起点峰位和终点峰位；
将大概起点峰位到终点峰位这一峰位宽度下的光谱信号函数与滤波函数进行卷积运算，再对所得卷积运算后的光谱信号进行差分处理，即获取所述SERS光谱信号中特征峰的峰位信息。
本发明通过对SERS光谱信号峰位模糊识别后，选取滤波函数，再利用卷积方法对SERS光谱信号进行变换，从而达到滤除部分噪声，灵敏感应，减少计算量的目的；与此同时，利用差分方法处理变换后的光谱信号，求取该光谱信号的变换趋势，可获取特征点，再映射到SERS光谱信号中就获取了特征峰的峰位信息。
优选地，所述SERS光谱信号是将原始SERS光谱信号进行预处理后获得。
优选地，所述“预处理”具体包括：对所述原始SERS光谱信号依次进行平滑处理，基线校正和数据插值。
优选地，所述“预处理”还包括：采用低通滤波器对所述原始SERS光谱信号中的高频信号进行滤除。
本发明将所述SERS光谱信号通过窄带低通滤波器，滤除重叠峰中的高频成分与中频成分的信号，光谱信号得到了平缓与平滑。
优选地，所述“微分求导”具体包括：对所述SERS光谱信号进行一阶求导和二阶求导。
本发明对所述SERS光谱信号先后进行一阶求导与二阶求导，通过极值点与拐点对应关系选择出重叠峰群中的起点与终点大概峰位，并以此选择窗口宽度，可截取对应位置的重叠峰，实现了平滑性求导法模糊截取SERS光谱信号中重叠峰等特征峰的峰位信息。
优选地，所述“卷积运算”具体包括：根据所述特征峰的大概起点峰位和终点峰位，获取对应该特征峰的移动窗口，将大概起点峰位到终点峰位这一峰位宽度作为窗口宽度，所述窗口宽度下的光谱信号函数作为窗口拉曼信号f′，所述大概起点峰位和终点峰位作为窗口拉曼信号f′的起点和终点；将窗口拉曼信号f′与滤波函数g进行
的卷积运算，先将滤波函数g中心移动到窗口拉曼信号f′的起点进行所述卷积运算，再将滤波函数g中心向右移动一个单位进行卷积运算，不断重复将滤波函数g中心向右移动一个单位进行卷积运算，直至滤波函数g中心移动到窗口拉曼信号f′的终点，获取卷积运算后的光谱信号。
本发明中将滤波函数g与窗口拉曼信号f′进行移动窗口卷积处理
先将滤波函数g中心移动到窗口拉曼信号f′的窗口起点进行前述卷积运算，再将滤波函数g中心向右移动一个单位与窗口拉曼信号f′进行前述卷积运算，重复该运算方式，直到滤波函数g中心向右移动到窗口拉曼信号f′的终点。
优选地，所述滤波函数g为：
本发明中构建支撑型高斯函数g，根据SERS光谱信号中峰特征选取高斯函数
作为传递函数，利用四阶劳伦兹函数缩短传递函数支撑范围，控制有效范围，得到函数
优选地，所述“差分处理”具体包括：将所得卷积运算后的光谱信号加上宽度为3的窗口，对窗口内两两相连的光谱信号数据进行差分运算，比较窗口内差分运算结果的正负性，同号记为0，异号记为1，不断重复将窗口向右移动一个单位进行差分运算，直至完成对整个窗口的差分运算。
本发明中利用窗口差分法表征信号趋向：将数据加宽度为3的窗口，窗口内数据两两相连的数据做差分，比较窗口内差分数据的正负性，同号记为0，异号记录为1；在将窗口向右移动一个单位，重复上述差分运算。
优选地，所述“差分处理”还包括：将记为1的光谱信号数据映射到卷积运算后的光谱信号中提取函数值，数值为正则为特征峰的波峰峰位，数值则为负为特征峰的起点峰位和终点峰位。
优选地，所述特征峰峰位信息包括特征峰的波峰峰位、起点峰位和终点峰位。
与现有技术相比，本发明具有如下优点：
(1)本发明预先将SERS光谱信号数据进行常规处理，滤除了高斯白噪声，使其规范化，有助于后续卷积计算的变换处理。
(2)本发明对已规范化的将SERS光谱信号数据再继续进行低通滤波与两次求导处理，与此获取了信号特征峰的模糊位置，作为后续处理的窗口区域，大大减少了计算量。
(3)本发明选取合适滤波窗函数g，与SERS光谱信号函数进行卷积运算，可实现部分低频信号的滤除，凸显特征信号峰，灵敏感应信号微弱变化。
(4)本发明利用差分方法对卷积运算变换后的光谱信号进行处理，可表征信号变化趋势，结合特征点信号数值判断特征峰峰位，以及始末位置。
附图说明
图1为实施例所述SERS光谱信号卷积运算前后的对比图。
图2为实施例中卷积法识别出所述SERS光谱信号中特征峰波峰峰位的示意图。
图3为实施例中卷积法识别出所述SERS光谱信号中特征峰起点峰位和终点峰位的示意图。
具体实施方式
实施例
一种卷积法识别孔雀石绿SERS信号中特征峰峰位信息的方法，包括如下步骤：
S1、将孔雀石绿(MG)样品置于拉曼仪下，采集到孔雀石绿SERS光谱信号f1；
S2、利用S-G滤波器滤除SERS光谱信号f1的高斯白噪声以实现平滑处理，再利用airPLS对滤除高斯白噪声的SERS光谱信号f1进行基线校正，接着利用三次样条插值方法将数据补充到需求数据点，得到SERS光谱信号f2；
S3、利用窄带低通滤波器将SERS光谱信号f2中高频信号滤除，获取了具有峰模糊轮廓的SERS光谱信号f3；
S4、对SERS光谱信号f3依次进行一阶求导f′3和二阶求导f″3，结合所得极值点与拐点获取了SERS光谱信号中特征峰的大概起点峰位和终点峰位，根据所述特征峰的大概起点峰位和终点峰位，获取了对应该特征峰的移动窗口，将所述大概起点峰位到终点峰位这一区域的峰位宽度作为窗口宽度，该窗口宽度下的特征峰光谱信号函数作为窗口拉曼信号f′，所述大概起点峰位和终点峰位则作为窗口拉曼信号f′的起点和终点；
S5、将窗口拉曼信号f′与滤波函数g进行
的卷积运算，所述滤波函数g为
先将滤波器函数g中心移到窗口拉曼信号f′最左边的起点，进行卷积运算
再将滤波函数g中心向右移动一个单位，进行卷积运算
接着不断重复将滤波函数g中心向右移动一个单位进行卷积运算
直至滤波函数g中心移动到窗口拉曼信号f′的终点，获取了卷积运算后的光谱信号；这里参照图1所示，图1展示了所述SERS光谱信号f3卷积运算前后的对比图；
S6、将步骤S5卷积运算后的光谱信号加上宽度为3的窗口，对窗口内两两相连的光谱信号数据做差分，比较窗口内差分结果的正负性，同号记为0，异号记为1；不断重复将窗口向右移动一个单位做差分，直至整个窗口完成差分；
S7、将步骤S6记为1的光谱信号数据映射到卷积运算后的光谱信号中提取函数值，数值为正则为孔雀石绿SERS光谱信号中特征峰的波峰峰位，数值为负则为孔雀石绿SERS光谱信号中特征峰的起点峰位和终点峰位，此处参照图2、3所示，图2即展示了孔雀石绿SERS光谱信号中特征峰的波峰峰位示意；图3展示了孔雀石绿SERS光谱信号中特征峰起点峰位和终点峰位的示意。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明的技术范围内，根据本发明的技术方案及其发明加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种卷积法识别SERS光谱信号中特征峰峰位信息的方法，其特征在于，包括：
对SERS光谱信号进行微分求导，根据所得极值点与拐点获取SERS光谱信号中特征峰的大概起点峰位和终点峰位；
将大概起点峰位到终点峰位这一峰位宽度下的光谱信号函数与滤波函数进行卷积运算，再对所得卷积运算后的光谱信号进行差分处理，即获取所述SERS光谱信号中特征峰的峰位信息。
2.根据权利要求1所述卷积法识别SERS光谱信号中特征峰峰位信息的方法，其特征在于，所述SERS光谱信号是将原始SERS光谱信号进行预处理后获得。
3.根据权利要求2所述卷积法识别SERS光谱信号中特征峰峰位信息的方法，所述“预处理”具体包括：对所述原始SERS光谱信号依次进行平滑处理，基线校正和数据插值。
4.根据权利要求2或3所述卷积法识别SERS光谱信号中特征峰峰位信息的方法，其特征在于，所述“预处理”还包括：采用低通滤波器对所述原始SERS光谱信号中的高频信号进行滤除。
5.根据权利要求1-4任一项所述卷积法识别SERS光谱信号中特征峰峰位信息的方法，其特征在于，所述“微分求导”具体包括：对所述SERS光谱信号进行一阶求导和二阶求导。
6.根据权利要求1-5任一项所述卷积法识别SERS光谱信号中特征峰峰位信息的方法，其特征在于，所述“卷积运算”具体包括：根据所述特征峰的大概起点峰位和终点峰位，获取对应该特征峰的移动窗口，将大概起点峰位到终点峰位这一峰位宽度作为窗口宽度，该窗口宽度下的光谱信号函数作为窗口拉曼信号f′，所述大概起点峰位和终点峰位作为窗口拉曼信号f′的起点和终点；将窗口拉曼信号f′与滤波函数g进行
的卷积运算，先将滤波函数g中心移动到窗口拉曼信号f′的起点进行所述卷积运算，再将滤波函数g中心向右移动一个单位进行卷积运算，不断重复将滤波函数g中心向右移动一个单位进行卷积运算，直至滤波函数g中心移动到窗口拉曼信号f′的终点，获取卷积运算后的光谱信号。
7.根据权利要求6所述卷积法识别SERS光谱信号中特征峰峰位信息的方法，其特征在于，所述滤波函数g为：
8.根据权利要求6或7所述卷积法识别SERS光谱信号中特征峰峰位信息的方法，其特征在于，所述“差分处理”具体包括：将所得卷积运算后的光谱信号加上宽度为3的窗口，对窗口内两两相连的光谱信号数据进行差分运算，比较窗口内差分运算结果的正负性，同号记为0，异号记为1，不断重复将窗口向右移动一个单位进行差分运算，直至完成对整个窗口的差分运算。
9.根据权利要求8所述卷积法识别SERS光谱信号中特征峰峰位信息的方法，其特征在于，所述“差分处理”还包括：将记为1的光谱信号数据映射到卷积运算后的光谱信号中提取函数值，数值为正则为特征峰的波峰峰位，数值为负则为特征峰的起点峰位和终点峰位。
10.根据权利要求9所述卷积法识别SERS光谱信号中特征峰峰位信息的方法，其特征在于，所述特征峰峰位信息包括特征峰的波峰峰位、起点峰位和终点峰位。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111470046.6A CN114358047A (zh) | 2021-12-03 | 2021-12-03 | 一种卷积法识别sers光谱信号中特征峰峰位信息的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111470046.6A CN114358047A (zh) | 2021-12-03 | 2021-12-03 | 一种卷积法识别sers光谱信号中特征峰峰位信息的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114358047A true CN114358047A (zh) | 2022-04-15 |
Family
ID=81098283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111470046.6A Pending CN114358047A (zh) | 2021-12-03 | 2021-12-03 | 一种卷积法识别sers光谱信号中特征峰峰位信息的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114358047A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116973563A (zh) * | 2023-09-22 | 2023-10-31 | 宁波奥丞生物科技有限公司 | 一种基于正交锁相放大的免疫荧光层析测定方法及装置 |
-
2021
- 2021-12-03 CN CN202111470046.6A patent/CN114358047A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116973563A (zh) * | 2023-09-22 | 2023-10-31 | 宁波奥丞生物科技有限公司 | 一种基于正交锁相放大的免疫荧光层析测定方法及装置 |
| CN116973563B (zh) * | 2023-09-22 | 2023-12-19 | 宁波奥丞生物科技有限公司 | 一种基于正交锁相放大的免疫荧光层析测定方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
| Bruce et al. | Wavelets for computationally efficient hyperspectral derivative analysis | |
| CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
| RU2668731C1 (ru) | Способ распознавания денежной купюры | |
| CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
| CN113554631B (zh) | 一种基于改进网络的芯片表面缺陷检测方法 | |
| CN108444954B (zh) | 光谱信号峰值检测方法、装置以及系统 | |
| CN112634159B (zh) | 基于盲噪声估计的高光谱图像去噪方法 | |
| CN111089856B (zh) | 一种拉曼光谱弱信号提取的后处理方法 | |
| CN112883824A (zh) | 一种用于智能采血的手指静脉特征识别装置及其识别方法 | |
| CN114358047A (zh) | 一种卷积法识别sers光谱信号中特征峰峰位信息的方法 | |
| CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
| CN117437219B (zh) | 基于计算机视觉的磁胶电感不规则外观缺陷检测方法 | |
| CN109238182A (zh) | 一种基于傅里叶频谱特征的织物平整度客观评级方法 | |
| Satya et al. | Stripe noise removal from remote sensing images | |
| Li et al. | Spectral-spatial sparse subspace clustering based on three-dimensional edge-preserving filtering for hyperspectral image | |
| CN109001213B (zh) | 一种卷到卷超薄柔性ic基板外观检测方法 | |
| CN116958127B (zh) | 基于图像特征的硅片质量评估方法 | |
| CN113109318A (zh) | 基于光谱峰高直接提取的拉曼光谱定量分析方法及系统 | |
| CN108961218B (zh) | 太阳能硅片晶花提取方法 | |
| JP2611723B2 (ja) | 画像の鮮鋭度測定装置 | |
| CN115187609A (zh) | 一种大米黄粒检测方法和系统 | |
| CN111814727B (zh) | 一种基于高光谱的潜在指纹检测方法 | |
| CN109359646A (zh) | 基于巡检机器人的液位型仪表识别方法 | |
| CN114998708A (zh) | 一种基于图谱信号的茶叶种类识别方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |