CN115508335A - 基于傅里叶变换的拉曼光谱曲线数据增强方法 - Google Patents
基于傅里叶变换的拉曼光谱曲线数据增强方法 Download PDFInfo
- Publication number
- CN115508335A CN115508335A CN202211290178.5A CN202211290178A CN115508335A CN 115508335 A CN115508335 A CN 115508335A CN 202211290178 A CN202211290178 A CN 202211290178A CN 115508335 A CN115508335 A CN 115508335A
- Authority
- CN
- China
- Prior art keywords
- frequency domain
- raman spectrum
- curve
- spectrum curve
- shielding
- 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
- 238000001237 Raman spectrum Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000000873 masking effect Effects 0.000 claims description 30
- 238000001069 Raman spectroscopy Methods 0.000 claims description 25
- 230000003595 spectral effect Effects 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本方案涉及一种基于傅里叶变换的拉曼光谱曲线数据增强方法。所述方法包括:获取待处理拉曼光谱曲线进行快速傅里叶变换得到拉曼光谱曲线频域图;将拉曼光谱曲线频域图中的两端极端频率曲线峰屏蔽,得到目标拉曼光谱曲线频域图;确定频域掩模起始位置与宽度并执行频域屏蔽操作,判断对目标拉曼光谱曲线频域图的频域屏蔽操作是否合法;若合法,则对目标拉曼光谱曲线频域图进行逆傅里叶变换,得到数据增强的拉曼光谱曲线。通过利用快速傅里叶变换获得的拉曼光谱曲线对应的频域图进行屏蔽操作,可以保留原有拉曼光谱曲线数据的基本框架,在部分频率点进行轻微扰动,以达到合理数据扩充的目的,可以提升机器学习模型分类效果。
Description
技术领域
本发明涉及机器学习技术领域,特别是涉及一种基于傅里叶变换的拉曼光谱曲线数据增强方法。
背景技术
在进行物质检测的时候,通常会使用各种物质检测方法,例如电子鼻法、色谱法、拉曼光谱检测法等。其中,拉曼光谱检测法作为一种非侵入检测手段,具有检测方便、测试速度快等优势,目前已经在生物医学、矿石分类等领域有了较为广泛的应用。研究者们使用不同波长的激光获取到待测样本的拉曼光谱,将采集到的拉曼光谱进行屏蔽背景荧光和归一化等操作后输入随机森林(RF)、支持向量机(SVM)等简单机器学习模型进行分类,取得了较为不错的效果。在多数情况下,由于拉曼光谱获取难度和获取成本的问题,样本数量较少,与深度学习模型相结合后的效果一般,不能满足实际应用的需求。且拉曼光谱与机器学习方法相结合的分类模型无一例外,全部需要有标签的训练数据集来进行机器学习模型的分类训练,即有监督学习,对于人工数据标注来说是极大的工作量。
因此,传统的利用拉曼光谱曲线进行物质分类存在样本数据少、样本数据类型单一的问题。
发明内容
基于此,为了解决上述技术问题,提供一种基于傅里叶变换的拉曼光谱曲线数据增强方法,可以扩充现有拉曼光谱曲线数据集,提升机器学习模型分类效果。
一种基于傅里叶变换的拉曼光谱曲线数据增强方法,所述方法包括:
获取待处理拉曼光谱曲线,对所述待处理拉曼光谱曲线进行快速傅里叶变换,得到与所述待处理拉曼光谱曲线对应的拉曼光谱曲线频域图;
确定所述拉曼光谱曲线频域图中的两端极端频率曲线峰,并将所述极端频率曲线峰屏蔽,得到目标拉曼光谱曲线频域图;
获取屏蔽参考参数,根据所述屏蔽参考参数确定频域掩模起始位置与宽度,根据所述频域掩模起始位置与宽度对所述目标拉曼光谱曲线频域图执行频域屏蔽操作,并判断所述频域屏蔽操作是否合法;
当所述频域屏蔽操作合法时,对所述目标拉曼光谱曲线频域图进行逆傅里叶变换,得到数据增强的拉曼光谱曲线。
在其中一个实施例中,所述获取待处理拉曼光谱曲线,包括:
基于拉曼光谱仪器CCD相机获取到待测样品的拉曼光谱;
根据所述拉曼光谱计算得到所述待处理拉曼光谱曲线。
在其中一个实施例中,所述根据所述拉曼光谱计算得到所述待处理拉曼光谱曲线,包括:
将所述拉曼光谱中同波长的散射光子数量按照同纵向一列累加求和,得到所述待处理拉曼光谱曲线。
在其中一个实施例中,所述确定所述拉曼光谱曲线频域图中的两端极端频率曲线峰,并将所述极端频率曲线峰屏蔽,得到目标拉曼光谱曲线频域图,包括:
查找所述拉曼光谱曲线频域图中两端的异常坐标点作为极端频率曲线峰;
屏蔽两端指定数量的所述异常坐标点,得到目标拉曼光谱曲线频域图。
在其中一个实施例中,所述获取屏蔽参考参数,根据所述屏蔽参考参数确定频域掩模起始位置与宽度,根据所述频域掩模起始位置与宽度对所述目标拉曼光谱曲线频域图执行频域屏蔽操作,并判断所述频域屏蔽操作是否合法,包括:
获取屏蔽参考参数,通过所述屏蔽参考参数的均匀分布中得到随机的频域掩模宽度,并确定频域掩模起始位置;
根据所述频域掩模宽度以及所述频域掩模起始位置,在所述目标拉曼光谱曲线频域图中生成屏蔽矩形框执行频域屏蔽操作;
计算所述屏蔽矩形框中的频域图点数量,当所述频域图点数量大于或等于所述屏蔽参考参数中的数量阈值时,对所述目标拉曼光谱曲线频域图执行的频域屏蔽操作合法。
在其中一个实施例中,所述确定频域掩模起始位置,包括:
获取所述目标拉曼光谱曲线频域图的最小值以及最大值;
计算所述最大值与所述频域掩模宽度之间的差值;
根据所述最小值与所述差值建立坐标区间,并将所述坐标区间内的随机数作为所述频域掩模起始位置。
在其中一个实施例中,所述屏蔽矩形框的长度为所述待处理拉曼光谱曲线的长度;宽度为所述频域掩模宽度;起始位置为所述频域掩模起始位置。
在其中一个实施例中,所述屏蔽参考参数包括每个频域掩模屏蔽的最少点数量、屏蔽操作次数、频域掩模的最大宽度。
上述基于傅里叶变换的拉曼光谱曲线数据增强方法,通过获取待处理拉曼光谱曲线,对所述待处理拉曼光谱曲线进行快速傅里叶变换,得到与所述待处理拉曼光谱曲线对应的拉曼光谱曲线频域图;确定所述拉曼光谱曲线频域图中的两端极端频率曲线峰,并将所述极端频率曲线峰屏蔽,得到目标拉曼光谱曲线频域图;获取屏蔽参考参数,根据所述屏蔽参考参数确定频域掩模起始位置与宽度,根据所述频域掩模起始位置与宽度对所述目标拉曼光谱曲线频域图执行频域屏蔽操作,并判断所述频域屏蔽操作是否合法;当对所述目标拉曼光谱曲线频域图执行的频域屏蔽操作合法时,对所述目标拉曼光谱曲线频域图进行逆傅里叶变换,得到数据增强的拉曼光谱曲线。通过利用快速傅里叶变换获得的拉曼光谱曲线对应的频域图进行屏蔽操作,尽可能的保留原有拉曼光谱曲线数据的基本框架,在部分频率点进行轻微扰动,以达到合理数据扩充的目的,使其能够在一定程度上满足无监督的机器学习模型训练的需求,对拉曼光谱曲线进行合理的数据增强与扩充,提升机器学习模型分类效果。
附图说明
图1为一个实施例中基于傅里叶变换的拉曼光谱曲线数据增强方法的流程示意图;
图2为一个实施例中屏蔽拉曼光谱曲线频域图中两端极端频率曲线峰示意图;
图3为一个实施例中对拉曼光谱曲线频域图执行屏蔽操作并判断合法性的流程图;
图4为一个实施例中确定频域掩模的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种基于傅里叶变换的拉曼光谱曲线数据增强方法,包括以下步骤:
步骤102,获取待处理拉曼光谱曲线,对待处理拉曼光谱曲线进行快速傅里叶变换,得到与待处理拉曼光谱曲线对应的拉曼光谱曲线频域图。
其中,获取到的待处理拉曼光谱曲线可以是未经过处理的拉曼光谱曲线。例如,需要检测的样品为白酒时,获取到的待处理拉曼光谱曲线可以是白酒的拉曼光谱计算得到的拉曼光谱曲线。
通过对待处理拉曼光谱曲线进行快速傅里叶变换FFT处理,可以得到对应的拉曼光谱曲线频域图。
步骤104,确定拉曼光谱曲线频域图中的两端极端频率曲线峰,并将极端频率曲线峰屏蔽,得到目标拉曼光谱曲线频域图。
拉曼光谱曲线频域图中的两端存在有极端异常大的曲线坐标点,即极端频率曲线峰。通过将极端频率曲线峰屏蔽,使其无法参与后续的处理,得到目标拉曼光谱曲线频域图。
步骤106,获取屏蔽参考参数,根据屏蔽参考参数确定频域掩模起始位置与宽度,根据频域掩模起始位置与宽度对目标拉曼光谱曲线频域图执行频域屏蔽操作,并判断频域屏蔽操作是否合法。
屏蔽参考参数可以是预先给定的变量,用于确定频域掩模起始位置和频域掩模的宽度,从而对目标拉曼光谱曲线频域图执行频域屏蔽操作,并判断频域屏蔽操作的合法性。
步骤108,当对目标拉曼光谱曲线频域图执行的频域屏蔽操作合法时,对目标拉曼光谱曲线频域图进行逆傅里叶变换,得到数据增强的拉曼光谱曲线。
在本实施例中,通过获取待处理拉曼光谱曲线,对待处理拉曼光谱曲线进行快速傅里叶变换,得到与待处理拉曼光谱曲线对应的拉曼光谱曲线频域图;确定拉曼光谱曲线频域图中的两端极端频率曲线峰,并将极端频率曲线峰屏蔽,得到目标拉曼光谱曲线频域图;获取屏蔽参考参数,根据屏蔽参考参数确定频域掩模起始位置与宽度,根据频域掩模起始位置与宽度对目标拉曼光谱曲线频域图执行频域屏蔽操作,并判断频域屏蔽操作是否合法;当对目标拉曼光谱曲线频域图执行的频域屏蔽操作合法时,对目标拉曼光谱曲线频域图进行逆傅里叶变换,得到数据增强的拉曼光谱曲线。通过利用快速傅里叶变换获得的拉曼光谱曲线对应的频域图进行屏蔽操作,尽可能的保留原有拉曼光谱曲线数据的基本框架,在部分频率点进行轻微扰动,以达到合理数据扩充的目的,使其能够在一定程度上满足无监督的机器学习模型训练的需求,对拉曼光谱曲线进行合理的数据增强与扩充,提升机器学习模型分类效果。
在一个实施例中,提供的一种基于傅里叶变换的拉曼光谱曲线数据增强方法还可以包括获取拉曼光谱曲线的过程,具体过程包括:基于拉曼光谱仪器CCD相机获取到待测样品的拉曼光谱;根据拉曼光谱计算得到待处理拉曼光谱曲线。
在另一个实施例中,提供的一种基于傅里叶变换的拉曼光谱曲线数据增强方法还包括求和得到曲线的过程,具体过程包括:将拉曼光谱中同波长的散射光子数量按照同纵向一列累加求和,得到待处理拉曼光谱曲线。
获取到的未经处理的原始拉曼光谱曲线是将原始光谱图像中同波长的散射光子数量累加得到,即将CCD相机拍摄到的拉曼光谱图按照同纵向一列累加求和得到对应的待处理拉曼光谱曲线。
在一个实施例中,提供的一种基于傅里叶变换的拉曼光谱曲线数据增强方法还包括得到频域图的过程,具体过程包括:查找拉曼光谱曲线频域图中两端的异常坐标点作为极端频率曲线峰;屏蔽两端指定数量的异常坐标点,得到目标拉曼光谱曲线频域图。
将获得的拉曼光谱曲线频域图中两端的极端异常大的曲线坐标点屏蔽,使其无法参与后续的处理步骤。其中,在拉曼光谱曲线频域图的左端和右端各屏蔽5个点,既可以满足消除拉曼光谱曲线频域图中极端异常尖刺的需求,又不会过度影响拉曼光谱曲线频域图中的原有信息。如图2所示,左侧图中位于拉曼光谱曲线频域图两端的矩形框表示待屏蔽的区域,右侧图表示完成屏蔽拉曼光谱曲线频域图中两端极端频率曲线峰操作后绘制的拉曼光谱曲线频域图,可以看出该操作极大的削弱了拉曼光谱曲线频域图中存在的极端异常尖刺。
在一个实施例中,提供的一种基于傅里叶变换的拉曼光谱曲线数据增强方法还可以包括判断对目标拉曼光谱曲线频域图执行的频域屏蔽操作是否合法的过程,具体过程包括:获取屏蔽参考参数,通过屏蔽参考参数的均匀分布中得到随机的频域掩模宽度,并确定频域掩模起始位置;根据频域掩模宽度以及频域掩模起始位置,在拉曼光谱曲线频域图中生成屏蔽矩形框执行频域屏蔽操作;计算屏蔽矩形框中的频域图点数量,当频域图点数量大于或等于屏蔽参考参数中的数量阈值时,对目标拉曼光谱曲线频域图执行的频域屏蔽操作合法。
如图3所示,在判断对目标拉曼光谱曲线频域图执行的频域屏蔽操作是否合法前,需要先确定频域掩模宽度f;再确定频域掩模起始位置,具体为起始y轴坐标f0;确定好的频域掩模为覆盖在拉曼光谱曲线频域图上的大小与位置确定的矩形框,将该框内部的拉曼光谱曲线频域图点置零即可完成频域屏蔽操作,进而判断频域屏蔽操作合法性。当得到的判断结果表明对目标拉曼光谱曲线频域图执行的频域屏蔽操作不合法时,可以重新进行判断。
其中,最大值可以是预先给定的变量值,通过一个一个最小值为0,最大值为frequency_masking_width的均匀分布中得到随机的频域掩模宽度f,即f∈U[0,frequency_masking_width]。
使用预先给定的参数masked_point_num判断屏蔽操作的合法性时,可以通过屏蔽矩形框中屏蔽的频域图点数量来判断,频域图点数量大于或等于masked_point_num,即合法;若屏蔽矩形框中屏蔽的频域图点数量小于masked_point_num,即不合法,则重新计算频域掩模宽度和频域掩模起始位置,再次判断。
在一个实施例中,提供的一种基于傅里叶变换的拉曼光谱曲线数据增强方法还可以包括确定频域掩模起始位置的过程,具体过程包括:获取拉曼光谱曲线频域图的最小值以及最大值;计算最大值与频域掩模宽度之间的差值;根据最小值与差值建立坐标区间,并将坐标区间内的随机数作为频域掩模起始位置。
确定频域掩模的起始y轴坐标位置时,频域掩模起始y轴坐标f0是[abs_fft_curve_min,abs_fft_curve_max]区间内的随机数,其中,abs_fft_curve_min为完成端点屏蔽后拉曼光谱曲线频域图的最小值,abs_fft_curve_max为完成端点屏蔽后拉曼光谱曲线频域图的最大值curve_max_after_mask与确定的频域掩模宽度f的差,即abs_fft_curve_max=curve_max_after_mask-f。
接着,可以使用确定好的频域掩模对完成端点屏蔽后拉曼光谱曲线频域图执行掩模屏蔽操作。
在一个实施例中,屏蔽矩形框的长度为待处理拉曼光谱曲线的长度;宽度为频域掩模宽度;起始位置为频域掩模起始位置。
如图4所示,确定好的频域掩模为覆盖在拉曼光谱曲线频域图上的大小与位置确定的矩形框,该矩形长为获取到的待处理拉曼光谱曲线,矩形宽为频域掩模宽度f,矩形长边起始位置为y轴坐标f0。
在一个实施例中,屏蔽参考参数包括每个频域掩模屏蔽的最少点数量、屏蔽操作次数、频域掩模的最大宽度。即执行屏蔽操作与合法性判断操作的预先改定参数可以包括masked_point_num(默认为1),frequency_mask_num(默认为1)和frequency_masking_width(默认为200)。其中:masked_point_num表示每个频域掩模至少应该屏蔽的拉曼光谱曲线频域图中点的数量;frequency_mask_num表示对每个拉曼光谱曲线频域图进行频域屏蔽操作的次数;frequency_masking_width表示每个频域掩模的最大宽度。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于傅里叶变换的拉曼光谱曲线数据增强方法,其特征在于,所述方法包括:
获取待处理拉曼光谱曲线,对所述待处理拉曼光谱曲线进行快速傅里叶变换,得到与所述待处理拉曼光谱曲线对应的拉曼光谱曲线频域图;
确定所述拉曼光谱曲线频域图中的两端极端频率曲线峰,并将所述极端频率曲线峰屏蔽,得到目标拉曼光谱曲线频域图;
获取屏蔽参考参数,根据所述屏蔽参考参数确定频域掩模起始位置与宽度,根据所述频域掩模起始位置与宽度对所述目标拉曼光谱曲线频域图执行频域屏蔽操作,并判断所述频域屏蔽操作是否合法;
当所述频域屏蔽操作合法时,对所述目标拉曼光谱曲线频域图进行逆傅里叶变换,得到数据增强的拉曼光谱曲线。
2.根据权利要求1所述的基于傅里叶变换的拉曼光谱曲线数据增强方法,其特征在于,所述获取待处理拉曼光谱曲线,包括:
基于拉曼光谱仪器CCD相机获取到待测样品的拉曼光谱;
根据所述拉曼光谱计算得到所述待处理拉曼光谱曲线。
3.根据权利要求2所述的基于傅里叶变换的拉曼光谱曲线数据增强方法,其特征在于,所述根据所述拉曼光谱计算得到所述待处理拉曼光谱曲线,包括:
将所述拉曼光谱中同波长的散射光子数量按照同纵向一列累加求和,得到所述待处理拉曼光谱曲线。
4.根据权利要求1所述的基于傅里叶变换的拉曼光谱曲线数据增强方法,其特征在于,所述确定所述拉曼光谱曲线频域图中的两端极端频率曲线峰,并将所述极端频率曲线峰屏蔽,得到目标拉曼光谱曲线频域图,包括:
查找所述拉曼光谱曲线频域图中两端的异常坐标点作为极端频率曲线峰;
屏蔽两端指定数量的所述异常坐标点,得到目标拉曼光谱曲线频域图。
5.根据权利要求1所述的基于傅里叶变换的拉曼光谱曲线数据增强方法,其特征在于,所述获取屏蔽参考参数,根据所述屏蔽参考参数确定频域掩模起始位置与宽度,根据所述频域掩模起始位置与宽度对所述目标拉曼光谱曲线频域图执行频域屏蔽操作,并判断所述频域屏蔽操作是否合法,包括:
获取屏蔽参考参数,通过所述屏蔽参考参数的均匀分布中得到随机的频域掩模宽度,并确定频域掩模起始位置;
根据所述频域掩模宽度以及所述频域掩模起始位置,在所述目标拉曼光谱曲线频域图中生成屏蔽矩形框执行频域屏蔽操作;
计算所述屏蔽矩形框中的频域图点数量,当所述频域图点数量大于或等于所述屏蔽参考参数中的数量阈值时,对所述目标拉曼光谱曲线频域图执行的频域屏蔽操作合法。
6.根据权利要求5所述的基于傅里叶变换的拉曼光谱曲线数据增强方法,其特征在于,所述确定频域掩模起始位置,包括:
获取所述目标拉曼光谱曲线频域图的最小值以及最大值;
计算所述最大值与所述频域掩模宽度之间的差值;
根据所述最小值与所述差值建立坐标区间,并将所述坐标区间内的随机数作为所述频域掩模起始位置。
7.根据权利要求5所述的基于傅里叶变换的拉曼光谱曲线数据增强方法,其特征在于,所述屏蔽矩形框的长度为所述待处理拉曼光谱曲线的长度;宽度为所述频域掩模宽度;起始位置为所述频域掩模起始位置。
8.根据权利要求5所述的基于傅里叶变换的拉曼光谱曲线数据增强方法,其特征在于,所述屏蔽参考参数包括每个频域掩模屏蔽的最少点数量、屏蔽操作次数、频域掩模的最大宽度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211290178.5A CN115508335A (zh) | 2022-10-21 | 2022-10-21 | 基于傅里叶变换的拉曼光谱曲线数据增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211290178.5A CN115508335A (zh) | 2022-10-21 | 2022-10-21 | 基于傅里叶变换的拉曼光谱曲线数据增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115508335A true CN115508335A (zh) | 2022-12-23 |
Family
ID=84510605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211290178.5A Pending CN115508335A (zh) | 2022-10-21 | 2022-10-21 | 基于傅里叶变换的拉曼光谱曲线数据增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115508335A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828306A (zh) * | 2024-03-01 | 2024-04-05 | 青岛哈尔滨工程大学创新发展中心 | 一种基于船舶运动频谱特征的数据样本扩充方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06161460A (ja) * | 1992-11-16 | 1994-06-07 | Victor Co Of Japan Ltd | 楽音信号の音源装置 |
JPH06242013A (ja) * | 1993-02-16 | 1994-09-02 | Matsushita Electric Ind Co Ltd | 欠陥検査装置 |
JPH09210811A (ja) * | 1996-01-30 | 1997-08-15 | Sumitomo Electric Ind Ltd | 後方散乱光の測定データ処理方法 |
CN101692045A (zh) * | 2009-10-28 | 2010-04-07 | 广西工学院 | 基于多波长激发的拉曼光谱的荧光消除方法 |
US20120203114A1 (en) * | 2011-02-05 | 2012-08-09 | Kate Leeann Bechtel | Intrinsic and swept-source raman spectroscopy |
EP2853885A1 (en) * | 2013-09-25 | 2015-04-01 | Nuctech Company Limited | Raman spectrum measuring method for drug inspection |
CN105334204A (zh) * | 2015-10-16 | 2016-02-17 | 东北大学 | 一种基于傅里叶变换拉曼光谱分析方法 |
WO2018121121A1 (zh) * | 2016-12-26 | 2018-07-05 | 同方威视技术股份有限公司 | 用于扣除谱图本底的方法、通过拉曼谱图识别物质的方法和电子设备 |
US20190049300A1 (en) * | 2017-08-08 | 2019-02-14 | Tian Gu | Miniaturized fourier-transform raman spectrometer systems and methods |
WO2019144092A1 (en) * | 2018-01-22 | 2019-07-25 | University Of Tennessee Research Foundation | High-speed imaging using periodic optically modulated detection |
US20200380650A1 (en) * | 2019-05-28 | 2020-12-03 | National Chung Cheng University | Image grid line removing method and system thereof |
CN112393802A (zh) * | 2019-08-13 | 2021-02-23 | 同方威视技术股份有限公司 | 拉曼光谱检测方法以及设备 |
US20210270742A1 (en) * | 2020-02-28 | 2021-09-02 | Virginia Tech Intellectual Properties, Inc. | Peak-preserving and enhancing baseline correction methods for raman spectroscopy |
CN115146219A (zh) * | 2022-05-16 | 2022-10-04 | 重庆大学 | 基于导数光谱和三次平滑的拉曼光谱尖峰去除方法和系统 |
-
2022
- 2022-10-21 CN CN202211290178.5A patent/CN115508335A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06161460A (ja) * | 1992-11-16 | 1994-06-07 | Victor Co Of Japan Ltd | 楽音信号の音源装置 |
JPH06242013A (ja) * | 1993-02-16 | 1994-09-02 | Matsushita Electric Ind Co Ltd | 欠陥検査装置 |
JPH09210811A (ja) * | 1996-01-30 | 1997-08-15 | Sumitomo Electric Ind Ltd | 後方散乱光の測定データ処理方法 |
CN101692045A (zh) * | 2009-10-28 | 2010-04-07 | 广西工学院 | 基于多波长激发的拉曼光谱的荧光消除方法 |
US20120203114A1 (en) * | 2011-02-05 | 2012-08-09 | Kate Leeann Bechtel | Intrinsic and swept-source raman spectroscopy |
EP2853885A1 (en) * | 2013-09-25 | 2015-04-01 | Nuctech Company Limited | Raman spectrum measuring method for drug inspection |
CN105334204A (zh) * | 2015-10-16 | 2016-02-17 | 东北大学 | 一种基于傅里叶变换拉曼光谱分析方法 |
WO2018121121A1 (zh) * | 2016-12-26 | 2018-07-05 | 同方威视技术股份有限公司 | 用于扣除谱图本底的方法、通过拉曼谱图识别物质的方法和电子设备 |
US20190049300A1 (en) * | 2017-08-08 | 2019-02-14 | Tian Gu | Miniaturized fourier-transform raman spectrometer systems and methods |
WO2019144092A1 (en) * | 2018-01-22 | 2019-07-25 | University Of Tennessee Research Foundation | High-speed imaging using periodic optically modulated detection |
US20200380650A1 (en) * | 2019-05-28 | 2020-12-03 | National Chung Cheng University | Image grid line removing method and system thereof |
CN112393802A (zh) * | 2019-08-13 | 2021-02-23 | 同方威视技术股份有限公司 | 拉曼光谱检测方法以及设备 |
US20210270742A1 (en) * | 2020-02-28 | 2021-09-02 | Virginia Tech Intellectual Properties, Inc. | Peak-preserving and enhancing baseline correction methods for raman spectroscopy |
CN115146219A (zh) * | 2022-05-16 | 2022-10-04 | 重庆大学 | 基于导数光谱和三次平滑的拉曼光谱尖峰去除方法和系统 |
Non-Patent Citations (3)
Title |
---|
YUCHEN TIAN ET AL.: "Development of a Handheld System for Liquor Authenticity Detection Based on Laser Spectroscopy Technique", 《JOURNAL OF SPECTROSCOPY》, 8 April 2022 (2022-04-08), pages 1 - 8 * |
吉光亚等: "基于相位恢复算法的多图像加密技术", 《怀化学院学报》, vol. 37, no. 11, 30 November 2018 (2018-11-30), pages 52 - 55 * |
宋 建等: "基于机器视觉的薄膜晶点测定系统", 《塑料工业》, vol. 50, no. 3, 31 March 2022 (2022-03-31), pages 155 - 159 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828306A (zh) * | 2024-03-01 | 2024-04-05 | 青岛哈尔滨工程大学创新发展中心 | 一种基于船舶运动频谱特征的数据样本扩充方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Keemink et al. | FISSA: A neuropil decontamination toolbox for calcium imaging signals | |
US11493447B2 (en) | Method for removing background from spectrogram, method of identifying substances through Raman spectrogram, and electronic apparatus | |
Kang et al. | PCA-based edge-preserving features for hyperspectral image classification | |
US10168526B2 (en) | Cell contour formation apparatus and method of the same, and non-transitory computer readable storage medium storing a cell contour formation program | |
Namburu et al. | Generalised rough intuitionistic fuzzy c‐means for magnetic resonance brain image segmentation | |
MX2007000064A (es) | Eliminacion automatica del fondo para los datos de entrada. | |
CN107085840B (zh) | 基于分数阶偏微分方程的图像去噪方法 | |
US7638764B2 (en) | Systems and methods for reducing noise from mass spectra | |
CN115508335A (zh) | 基于傅里叶变换的拉曼光谱曲线数据增强方法 | |
JP2015503763A5 (zh) | ||
Shukla et al. | Generalized fractional filter-based algorithm for image denoising | |
US20140050411A1 (en) | Apparatus and method for generating image feature data | |
US20150168292A1 (en) | Data processing apparatus, data display system, sample data obtaining system, method for processing data, and computer-readable storage medium | |
JP2009223562A (ja) | 画像処理装置 | |
CN113283331B (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
CN112381727A (zh) | 一种图像去噪方法、装置、计算机设备和存储介质 | |
Sarkar et al. | Empirical wavelet transform‐based fog removal via dark channel prior | |
CN108195817B (zh) | 用于去除溶剂干扰的拉曼光谱检测方法 | |
Chen et al. | A Raman peak recognition method based automated fluorescence subtraction algorithm for retrieval of Raman spectra of highly fluorescent samples | |
Priya et al. | Retrospective non-uniform illumination correction techniques in images of tuberculosis | |
Yan et al. | Non-intrusive fingerprints extraction from hyperspectral imagery | |
CN110687094B (zh) | 基于蛋白质探针成像技术的非定向乳粉筛查方法 | |
US10303847B2 (en) | Single molecule identification using intensity time sequencing, line charting and run-length coding | |
US10539655B1 (en) | Method and apparatus for rapid acoustic analysis | |
CN111967154A (zh) | 一种物质组分分析方法及系统 |
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 |