CN109993155A - 针对低信噪比紫外拉曼光谱的特征峰提取方法 - Google Patents
针对低信噪比紫外拉曼光谱的特征峰提取方法 Download PDFInfo
- Publication number
- CN109993155A CN109993155A CN201910327282.9A CN201910327282A CN109993155A CN 109993155 A CN109993155 A CN 109993155A CN 201910327282 A CN201910327282 A CN 201910327282A CN 109993155 A CN109993155 A CN 109993155A
- Authority
- CN
- China
- Prior art keywords
- raman
- spectrum
- region
- peak
- signal
- 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.)
- Granted
Links
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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/14—Classification; Matching by matching peak patterns
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开的针对低信噪比紫外拉曼光谱的特征峰提取方法,属于光谱探测和光谱处理技术以及信号处理领域。本发明实时采集紫外拉曼信号,对采集拉曼信号数据进行统计,预测拉曼信号有效峰值。将采集的每一帧拉曼光谱均进行处理,针对每一帧拉曼光谱,通过获得的有效低谷将每一帧拉曼光谱光谱切分为各块区域,分别判断切分的各块区域属性。针对每个噪声区域,让其中各点均等于该区域的最小值,然后,将拉曼信号区域和处理后的噪声区域进行拼合。之后,将处理后的N+1帧光谱沿时间轴拼接成2D图像,通过迭代的双边滤波方法,对该2D图像进行滤波,滤波后沿时间轴将N+1光谱进行叠加并归一化,获得干净的拉曼特征峰光谱图像。
Description
技术领域
本发明涉及一种针对低信噪比紫外拉曼光谱的特征峰提取方法,尤其涉及一种针对实时低信噪比紫外拉曼信号的获取干净而有效的拉曼特征峰图像的方法,属于光谱探测和光谱处理技术以及信号处理领域。
背景技术
拉曼光谱学是一种基于激光与物质相互作用的非弹性光散射(即入射激光的能量/频率发生改变)的无损伤光谱探测方法。通过测量被测分子体系特定的拉曼光谱(即拉曼指纹图谱),可以对样品进行快速、简单、可重复的非接触无损检测和定量分析,所需时间短,样品用量小,测量结果准确等特点。但是拉曼光谱探测的灵敏度较低(瑞利散射线的强度只有入射光强度的10-3,拉曼光谱强度大约只有瑞利线的10-3),特别是对于一些小型、便携或者简易的紫外拉曼光谱探测***,其由于激光功率不高、激光不够稳定、非制冷CCD噪声太大等因素,探测结果噪声影响较大,拉曼信号信噪比低,难以识别出拉曼特征峰。
一些传统的信号处理办法,可以去除一些随机噪声,从而让拉曼特征峰显著,但是针对拉曼光谱来说并不一定非常理想,因为很多微弱的拉曼峰不管是从幅值还是波形上,跟噪声都很接近。所以在去除随机噪声的过程中,也会丢掉很多微弱拉曼有效信号,信噪比并没有提高太多。所以一些在时间域上的新型滤波的方法被提出来,可以保留一些具有不随时间变化的一定波形的微弱信号,如t-x-y上的预测滤波方法和贝叶斯预测滤波算法等。
由于拉曼***通常一次性只对单个样品进行检测,而单个样品产生的拉曼信号除了幅值变化外,拉曼特征峰位固定,而噪声具有随机性。这样在实时采集一个样品的样品的光谱图像时,可以通过统计随时间不变化的峰位,来区分随时间不停变化的噪声信号,滤除这些噪声信号,感兴趣的有效拉曼信号得以凸显。同时利用时间域上2D光谱图像构建方法的,沿t轴将x轴上的光谱进行纵向拓展,所述的t轴为时间轴,所述的x轴为波长或拉曼位移轴,然后选取统计好的有效噪声区域的光谱图像为感兴趣区域,选用具有保边特性的平滑滤波方法,对感兴趣区域进行滤波,滤除有效拉曼峰附近的随时间随机的噪声,从而获取出干净而有效的拉曼峰图像,以便后续进行的识别匹配等操作,从而提高后端拉曼信号识别的准确率。
综上所述,通过将拉曼探测信号在时间域上拓展后,进行的统计分类和针对感兴趣的t-x光谱图像区域的2D滤波方法,是能有效提取出特征峰,获取到干净的峰值不失真的拉曼特征峰图像,解决小型、便携或者简易的紫外拉曼光谱探测***拉曼信号信噪比低使得微弱拉曼特征峰难以识别提取的有效方法。
发明内容
本发明公开的针对低信噪比紫外拉曼光谱的特征峰提取方法要解决的技术问题是:针对实时的拉曼光谱信号,特别是针对拉曼信噪比低的拉曼光谱探测***,处理后提取出干净而有效的拉曼特征峰图像以便后续进行识别匹配等操作,从而提高后端拉曼信号识别的准确率。所述拉曼信噪比低的拉曼光谱探测***特别指小型、便携或者简易的紫外拉曼光谱探测***。
本发明的目的是通过下述技术方案实现的。
本发明公开的针对低信噪比紫外拉曼光谱的特征峰提取方法,实时采集紫外拉曼信号,对采集拉曼信号数据进行统计,进而预测拉曼信号有效峰值,所述有效峰值包括有效低谷和顶峰。将采集的每一帧拉曼光谱均进行处理,针对每一帧拉曼光谱,通过获得的有效低谷将每一帧拉曼光谱光谱切分为各块区域,分别判断切分的各块区域属性,所述区域属性指噪声区域属性或有效拉曼信号区域属性。针对每个噪声区域,让其中各点均等于该区域的最小值,然后,将拉曼信号区域和处理后的噪声区域进行拼合。之后,将处理后的N+1帧光谱沿时间轴拼接成2D图像,通过迭代的双边滤波方法,对该2D图像进行滤波,滤波后沿时间轴将N+1光谱进行叠加并归一化,获得干净的拉曼特征峰光谱图像。
本发明公开的针对低信噪比紫外拉曼光谱的特征峰提取方法,包括如下步骤:
步骤一:实时采集紫外拉曼信号,对采集拉曼信号数据进行统计,进而预测拉曼信号有效峰值,所述有效峰值包括有效低谷和顶峰。
由前端拉曼探测***中的光谱仪中实时获取紫外拉曼信号,将实时获取拉曼信号传输至信号缓存区,所述信号缓存区用于保持存取N+1帧光谱,每获取一帧新的光谱,会删除第前N+1帧光谱数据,完成拉曼信号数据获取。对N+1帧图像进行低谷和顶峰统计,列出低谷网表和顶峰网表。预设统计分类容许区间步长,那么整个光谱沿x轴可分为M个容许区间,所述的x轴为波长轴或拉曼位移轴,若N帧光谱的顶峰网表在每个容许区间内都有顶峰且在区间左或右端的斜率的绝对值大于预设阈值Kmax,即有N帧光谱均满足下式条件,
容许区间内存在f'(xm)>Kmax&&f'(xm+1)≤0,m∈Cm,m=1,2,…,M所述预设阈值Kmax等于随机噪声能导致的最大斜率绝对值,则标记为有效顶峰,所述有效顶峰为强度高的拉曼峰,记录其位置。
而对于N+1帧光谱的低谷网表,低谷点的判断条件由下式给出,
容许区间内存在f'(xm)≤0&&f'(xm+1)≥0,m∈Cm,m=1,2,…,M
然后,通过如下方法预测出真实光谱低谷点,共分下述三种情况预测出真实光谱低谷点:情况一、在一个容许区间步长内,小于等于(N+1)/2帧光谱存在低谷点,则不是有效低谷;情况二、在一个容许区间步长内,大于等于N帧光谱存在低谷点,则为有效低谷,根据平均值或者权重均值标定此有效低谷位置并记录;情况三、在一个容许区间步长内,大于(N+1)/2而小于N帧光谱存在低谷点的情况,所述情况有可能是因为低强度峰值受噪声影响形成的,通过预设预测条件判断是否为有效低谷。通过上述三种情况预测出真实光谱低谷点,进而获得出低谷网表。通过统计的低谷网表和顶峰网表预测拉曼信号各有效峰值位置。
步骤一所述的用于判断是否为有效低谷的预设预测条件具体判断方法如下:观测该低谷值左右相近的容许区间步长区域内,是否存在顶峰网表中记录的强度高的拉曼峰,若存在即是有效低谷,记录进低谷网表,若不存在,则将N+1帧光谱进行叠加,叠加光谱若在该容许区间步长内存在低谷,则为有效低谷,记录进低谷网表。
步骤一所述统计分类容许区间步长优选为3。
步骤二:针对每一帧拉曼光谱,通过步骤一获得的有效低谷将每一帧拉曼光谱光谱切分为各块区域,分别判断切分的各块区域属性,所述区域属性指噪声区域属性或有效拉曼信号区域属性。针对每个噪声区域,让其中各点均等于该区域的最小值,然后,将拉曼信号区域和处理后的噪声区域进行拼合。
通过步骤一预测出的每一帧拉曼光谱的低谷网表,将步骤一获取的每一帧拉曼光谱切分为各块区域,对每个区域进行属性判断,分别确定各块区域属性,即分别确定各块区域是噪声区域,还是有效拉曼信号区域。对于单个区域,判断标准有两个:第一种判断标准为:当区域内存在步骤一中获得的顶峰网表中记录的强度高的拉曼峰,则确定为有效拉曼信号区域;第二种判断标准为:选取步骤一中的p个容许区间长度为步长,进行最小二乘法平滑,再判断该区域内平滑后数据的标准差与平均值的比值,若标准差与平均值的比值大于一预设阈值,则确定为有效拉曼信号区域,否则,则为噪声区域。所述的预设阈值为所有区域取步骤一中的p个容许区间长度为步长,进行最小二乘法平滑后标准差与平均值的比值的平均值的二分之一。第一种判断标准用于检测出强峰区域;第二种判断标准用于针对弱峰进行判断。
确定各块区域属性后,针对每个噪声区域,让其中各点均等于该区域的最小值,记录所有判断为噪声属性区域的波长或拉曼位移位置信息。然后,将有效拉曼信号区域和滤波后的噪声区域进行拼合。
步骤二中所述p个容许区间中p数量优选为3。
第二种判断标准的原理是,弱峰的拉曼宽度大于采样宽度,而噪声宽度为采样宽度,根据弱峰平均宽度预估步长进行最小二乘滤波,最小二乘滤波将噪声平滑为近似直线区域,而弱峰能够有效保留,平滑后近似直线区域标准与平均值的比值会明显小于弱峰区域的标准差与平均值的比值,之后通过计算该区域的标准差与平均值比值大小从而判断出是噪声区域还是有效拉曼信号区域。
步骤三、将步骤一采集的每一帧拉曼光谱均进行步骤二的处理,将步骤二处理后的N+1帧光谱沿时间轴拼接成2D图像,通过迭代的双边滤波方法,对该2D图像进行滤波,滤波后沿时间轴将N+1光谱进行叠加并归一化,获得干净的拉曼特征峰光谱图像。
由于步骤二中判断出的有效拉曼信号区域未被处理过,所以依然含有噪声;光谱在t-x上的2D构建和滤波原理是把光谱在时间上展开成t-x图像,由于噪声在时间轴上存在随机性,而有效拉曼信号在时间轴上峰位恒定。所以对t-x图像进行平滑滤波,不仅能够在常规的x轴上,即波长或拉曼位移轴上,滤除部分噪声使曲线平滑,让重新合成的光谱变得均匀和连续,而且能够在t轴上,即时间轴上,滤除随时间变化的噪声,能够减少步骤二中未处理的有效拉曼信号区域的噪声而不影响拉曼信号特征峰峰值本身。
将步骤一采集的每一帧拉曼光谱均进行步骤二的处理,将步骤二处理后的N+1帧光谱,沿时间轴,拼接成2D图像,此时x轴为波长或拉曼位移轴,t轴为时间轴,z轴为拉曼强度。通过迭代的双边滤波方法,对该2D图像进行滤波,滤波后,沿时间轴,将N+1光谱进行叠加并归一化,获得干净的拉曼峰值光谱图像。
所述的双边滤波方法的原理为:滤波算法中,目标点上的像素值通常是由其所在位置上的周围的一个小局部邻居像素的值所决定。在2D高斯滤波中的具体实现即对周围的预定范围内的像素值分别赋以不同的高斯权重值,并在加权平均后得到当前点的最终结果。而所述高斯权重因子是利用两个像素之间的空间距离关系来生成。其公式化的描述一般如下所述:
其中的c即为基于空间距离的高斯权重,而kd(x)用来对结果进行单位化。
高斯滤波在低通滤波算法中只考虑像素间的空间位置上的关系,因此滤波的结果会丢失边缘的信息,所述的边缘信息就是随时间峰位稳定的有效拉曼信号。而双边滤波就是在高斯滤波中加入了另外的一个权重分部来解决这一问题。双边滤波中对于边缘的保持通过下述表达式来实现:
其中的s为基于像素间相似程度的高斯权重,kr(x)同样用来对结果进行单位化。对两者进行结合即可以得到基于空间距离、相似程度综合考量的双边滤波:
上式中的单位化分部k(x)综合两种高斯权重于一起而得到,其中的c与s计算详细描述如下:
且有d(ξ,x)=d(ξ-x)=‖ξ-x‖
且有σ(φ,f)=σ(φ-f)=‖φ-f‖
上述给出的表达式均是在空间上的无限积分,而在像素化的图像中需要对其进行离散化。距离超过预定程度的像素实际上对当前的目标像素影响很小,能够忽略的。限定局部子区域后的离散化公式简化为如下形式:
所述的迭代的双边滤波方法的操作步骤为:(1)设定双边滤波函数空间域sigma因子sigma_s,所述的空间区域指t-x区域,即时间与波长或拉曼位移构成的2D区域,所述的空间域sigma因子选取应尽量包含更多帧光谱,但需要小于拉曼特征峰值宽度;(2)设定双边滤波函数像素范围域sigma因子sigma_r,所述的像素范围区域指每帧光谱上各波长或拉曼强度处的拉曼强度范围,每次返回设定sigma_r,sigma_r均会减半或者减去预设步长,直到小于所设的最小量Smin,则保持sigma_r=Smin不变,sigma_r初始值选取,根据步骤二获得的所有噪声区域的标准差的一半和除以所有噪声区域平均值和的结果,保留两位小数后获得;(3)对构建的2D图像进行双边滤波;(4)根据步骤二中记录的噪声区域的位置信息,计算滤波后图像各噪声区域的标准差和平均值比值大小,若该比值大于预设的阈值,则返回(2)。(5)获得最终滤波后迭代结果。
所述的双边滤波方法的优势在于,实现在有效保留随时间峰位稳定的有效拉曼信号的基础上,大幅减小随时间随机变化的噪声大小。且通过调节sigma_r参数大小,能够很好地设置权重,通过迭代,提高单次平滑精度,不会像一次性平滑那样在平滑掉噪声时模糊有效拉曼信号。
有益效果:
1、本发明公开的针对低信噪比紫外拉曼光谱的特征峰提取方法,根据紫外拉曼信号和随机噪声的物理特性,采用统计分类、2D构建和迭代双边滤波方法,相比于普通的光谱叠加或者特征匹配提取方法,能够更加快速有效的获得干净而不失真的拉曼特征峰提取结果光谱图像,且该方法易于移植于各种***。
2、本发明公开的针对低信噪比紫外拉曼光谱的特征峰提取方法,通过分析随机噪声的物理特性,有效预测判断有效低谷和顶峰,并将光谱分割后进行有效地分类,并单独对噪声区域进行处理,该方法能够快速锁定感兴趣的有效拉曼特征峰信号位置,并快速预处理掉大部分的不感兴趣的随机噪声区域,相比普通不统计分类的提取拉曼特征峰图像方法,该方法能够提供有效的目标,效率更高,且使得提取峰值时不会受不感兴趣的噪声区域影响,统计的噪声区域和有效拉曼信号区域也能够提供良好的随机噪声统计特性和信号统计特性,为后续算法的预设参数或阈值提供参考。
3、现有的拉曼光谱滤波方法,主要集中于空间域的滤波方法,本发明公开的针对低信噪比紫外拉曼光谱的特征峰提取方法,由于有效拉曼信号随时间变化峰位稳定,在时间轴上形成明显边缘直线,而噪声随时间随机变化,在时间轴上形成随机噪点,时间轴上引入更多的物理特征更利于滤波分析。
4、本发明公开的针对低信噪比紫外拉曼光谱的特征峰提取方法,利用双边滤波算法的保边特性,不仅在2D构建的拉曼光谱图像中,去除构不成边缘的噪点,保留构成边缘的拉曼特征峰信号,而且双边滤波可以设置很小的高斯加权因子,通过迭代方法,能够保证滤波精度,不会出现一次性滤除太多使得降噪光谱结果出现失真的情况。
附图说明
图1为本发明的针对低信噪比紫外拉曼光谱的特征峰提取方法总流程示意图。
图2为本发明的步骤一流程示意图。
图3为本发明的步骤二流程示意图。
图4为本发明的步骤三流程示意图,其中图4a为2D光谱图像构建示意图,图4b为迭代的双边滤波方法处理流程示意图。
图5为本发明的对***实时紫外拉曼光谱处理结果实例示意图,其中图5a为未处理的一帧拉曼光谱原图,图5b为暂存的待处理的10帧拉曼光谱原图,图5c为处理后拉曼特征峰图像提取结果。
图6为本发明的对其他样品实时紫外拉曼光谱处理结果实例示意图,其中图6a为未处理的一帧对乙酰氨基酚片拉曼光谱的原图,图6b为处理后的对乙酰氨基酚片拉曼特征峰图像提取结果,图6c为未处理的一帧头孢克肟分散片拉曼光谱的原图,图6d为处理后的头孢克肟分散片拉曼特征峰图像提取结果。
具体实施方式
为了更好的说明本发明的目的和优点,下面结合附图和实例对发明内容做进一步说明。
实施例1:
现利用实验室自研便携式266nm激光激发拉曼光谱***,对***Heroin样品进行拉曼检测,采集积分时间为2秒,开启基线校正功能,即获取每帧拉曼光谱时会去除光谱荧光底噪,选取N=9,即接收一帧新光谱时,暂存有前9帧光谱,x轴为拉曼位移,样品稳定放置6秒后开始进行算法处理,针对低信噪比紫外拉曼光谱的特征峰提取方法处理流程如图1所示。
如图1所示,本实施例公开的针对低信噪比紫外拉曼光谱的特征峰提取方法,具体实现方法如下:
步骤一:如图2所示,实时采集***样品紫外拉曼信号,对采集拉曼信号数据进行统计,进而预测拉曼信号有效峰值,所述有效峰值包括有效低谷和顶峰。
由前端拉曼探测***中的光谱仪中实时获取***样品紫外拉曼信号,通过USB通信将实时获取拉曼信号传输至电脑信号缓存区,所述信号缓存区用于保持存取10帧光谱,每获取一帧新的光谱,会删除第前10帧光谱数据,完成拉曼信号数据获取。对这10帧图像进行低谷和顶峰统计,列出低谷网表和顶峰网表。预设统计分类容许区间步长为3,若9帧光谱的顶峰网表在步长为3的区间内都有顶峰且在区间左或右端的斜率的绝对值大于240,则标记为有效顶峰,所述有效顶峰为强度高的拉曼峰,记录其位置。而对于10帧光谱的低谷网表,通过如下方法预测出真实光谱低谷点,共分下述三种情况预测出真实光谱低谷点:情况一、小于等于5帧光谱在步长3内有低谷,则不是有效低谷;情况二、大于等于9帧光谱在一个步长3内有低谷,则为有效低谷,记录该低谷的拉曼位移位置;情况三、大于5而小于9帧光谱在一个步长3内有低谷的情况,观测该低谷值左右相近步长为3区域内,是否存在顶峰网表中记录的强度高的拉曼峰,若存在即是有效低谷,记录进低谷网表,若不存在,则将10帧光谱进行叠加,叠加光谱若在该3区间内存在低谷,则为有效低谷,记录进低谷网表,通过上述三种情况预测出真实光谱低谷点,进而获得出低谷网表。通过统计的低谷网表和顶峰网表预测拉曼信号各有效峰值位置。
步骤二:如图3所示,针对每一帧拉曼光谱,通过步骤一获得的有效低谷将每一帧拉曼光谱光谱切分为各块区域,分别判断切分的各块区域属性,所述区域属性指噪声区域属性或有效拉曼信号区域属性。针对每个噪声区域,让其中各点均等于该区域的最小值,然后,将拉曼信号区域和处理后的噪声区域进行拼合。
通过步骤一预测出的每一帧拉曼光谱的低谷网表,将步骤一获取的每一帧拉曼光谱切分为各块区域,对每个区域进行属性判断,分别确定各块区域属性,即分别确定各块区域是噪声区域,还是有效拉曼信号区域。对于单个区域,判断标准有两个:第一种判断标准为:当区域内存在步骤一中获得的顶峰网表中记录的强度高的拉曼峰,则确定为有效拉曼信号区域;第二种判断标准为:选取长度9为步长,进行最小二乘法估计平滑,再判断该区域内平滑后数据的标准差和平均值的比值,若标准差和平均值的比值大于0.19,则确定为有效拉曼信号区域,否则,则为噪声区域。
确定各块区域属性后,针对每个噪声区域,让其中各点均等于该区域的最小值,记录所有判断为噪声属性区域的波长或拉曼位移位置信息。然后,将有效拉曼信号区域和滤波后的噪声区域进行拼合。
步骤三、如图4a所示,将步骤一采集的每一帧拉曼光谱均进行步骤二的处理,将步骤二处理后的10帧光谱,沿时间轴,拼接成2D图像,通过如图4b所示的迭代的双边滤波方法,对该2D图像进行滤波,滤波后,沿时间轴,将10光谱进行叠加并归一化,获得干净的拉曼特征峰光谱图像。
将步骤一采集的每一帧拉曼光谱均进行步骤二的处理,将步骤二处理后的10帧光谱,沿时间轴拼接成2D图像,此时x轴为波长或拉曼位移轴,t轴为时间轴,z轴为拉曼强度。通过迭代的双边滤波方法,对该2D图像进行滤波。
如图4b所示,所述的迭代的双边滤波方法的操作步骤为:(1)设定双边滤波函数空间域sigma因子sigma_s=10;(2)设定双边滤波函数像素范围域sigma因子sigma_r,sigma_r初始值选取为0.16,每次返回设定sigma_r,sigma_r均会减半,直到小于0.02,则保持sigma_r=0.02不变;(3)对构建的2D图像进行双边滤波;(4)计算当前处理结果图像与上一次处理结果图像的各位置强度的平均差值,若该差值大于0.0001,则返回(2)。(5)获得最终滤波后迭代结果。
滤波后,沿时间轴,将10帧光谱进行叠加并归一化,获得干净的拉曼特征峰光谱图像。
图5a,展示了未处理的一帧***拉曼光谱原图,图5b,展示了暂存的待处理的10帧***拉曼光谱原图,图5c,展示了由本专利方法处理后的***拉曼特征峰图像提取结果。
实施例2:
利用本专利的针对低信噪比紫外拉曼光谱的特征峰提取方法分别在对对乙酰氨基酚片和头孢克肟分散片的实时紫外拉曼检测信号进行处理,实时紫外拉曼信号的采集方法和条件与实施例1一致。本专利的针对低信噪比紫外拉曼光谱的特征峰提取方法实施在对乙酰氨基酚片时,步骤一选取的区间左端的斜率绝对值阈值为35,步骤二中标准差和平均值的比值的阈值为0.175,步骤三中sigma_r的初始化值选取0.04,Smin选取为0.016。本专利的针对低信噪比紫外拉曼光谱的特征峰提取方法实施在头孢克肟分散片时,步骤一选取的区间左端的斜率绝对值阈值为50,步骤二中标准差和平均值的比值的阈值为0.12,步骤三中sigma_r的初始化值选取0.1,Smin选取为0.015。
图6a,展示了未处理的一帧对乙酰氨基酚片拉曼光谱的原图,图6b,展示了处理后的对乙酰氨基酚片拉曼特征峰图像提取结果;图6c,展示了未处理的一帧头孢克肟分散片拉曼光谱的原图,图6d,展示了处理后的头孢克肟分散片拉曼拉曼特征峰图像提取结果。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.针对低信噪比紫外拉曼光谱的特征峰提取方法,其特征在于:包括如下步骤,
步骤一:实时采集紫外拉曼信号,对采集拉曼信号数据进行统计,进而预测拉曼信号有效峰值,所述有效峰值包括有效低谷和顶峰;
步骤二:针对每一帧拉曼光谱,通过步骤一获得的有效低谷将每一帧拉曼光谱光谱切分为各块区域,分别判断切分的各块区域属性,所述区域属性指噪声区域属性或有效拉曼信号区域属性;针对每个噪声区域,让其中各点均等于该区域的最小值,然后,将拉曼信号区域和处理后的噪声区域进行拼合;
步骤三、将步骤一采集的每一帧拉曼光谱均进行步骤二的处理,将步骤二处理后的N+1帧光谱沿时间轴拼接成2D图像,通过迭代的双边滤波方法,对该2D图像进行滤波,滤波后沿时间轴将N+1光谱进行叠加并归一化,获得干净的拉曼特征峰光谱图像。
2.如权利要求1所述的针对低信噪比紫外拉曼光谱的特征峰提取方法,其特征在于:步骤一实现方法为,
由前端拉曼探测***中的光谱仪中实时获取紫外拉曼信号,将实时获取拉曼信号传输至信号缓存区,所述信号缓存区用于保持存取N+1帧光谱,每获取一帧新的光谱,删除第前N+1帧光谱数据,完成拉曼信号数据获取;对N+1帧图像进行低谷和顶峰统计,列出低谷网表和顶峰网表;预设统计分类容许区间步长,整个光谱沿x轴分为M个容许区间,所述的x轴为波长轴或拉曼位移轴,若N帧光谱的顶峰网表在每个容许区间内都有顶峰且在区间左或右端的斜率的绝对值大于预设阈值Kmax,即有N帧光谱均满足下式条件,
容许区间内存在f'(xm)>Kmax&&f'(xm+1)≤0,m∈Cm,m=1,2,…,M所述预设阈值Kmax等于随机噪声能导致的最大斜率绝对值,则标记为有效顶峰,所述有效顶峰为强度高的拉曼峰,记录其位置;
而对于N+1帧光谱的低谷网表,低谷点的判断条件由下式给出,
容许区间内存在f'(xm)≤0&&f'(xm+1)≥0,m∈Cm,m=1,2,…,M
然后,通过如下方法预测出真实光谱低谷点,共分下述三种情况预测出真实光谱低谷点:情况一、在一个容许区间步长内,小于等于(N+1)/2帧光谱存在低谷点,则不是有效低谷;情况二、在一个容许区间步长内,大于等于N帧光谱存在低谷点,则为有效低谷,根据平均值或者权重均值标定此有效低谷位置并记录;情况三、在一个容许区间步长内,大于(N+1)/2而小于N帧光谱存在低谷点的情况,所述情况有可能是因为低强度峰值受噪声影响形成的,通过预设预测条件判断是否为有效低谷;通过上述三种情况预测出真实光谱低谷点,进而获得出低谷网表;通过统计的低谷网表和顶峰网表预测拉曼信号各有效峰值位置。
3.如权利要求2所述的针对低信噪比紫外拉曼光谱的特征峰提取方法,其特征在于:步骤二实现方法为,
通过步骤一预测出的每一帧拉曼光谱的低谷网表,将步骤一获取的每一帧拉曼光谱切分为各块区域,对每个区域进行属性判断,分别确定各块区域属性,即分别确定各块区域是噪声区域,还是有效拉曼信号区域;对于单个区域,判断标准有两个:第一种判断标准为:当区域内存在步骤一中获得的顶峰网表中记录的强度高的拉曼峰,则确定为有效拉曼信号区域;第二种判断标准为:选取步骤一中的p个容许区间长度为步长,进行最小二乘法平滑,再判断该区域内平滑后数据的标准差与平均值的比值,若标准差与平均值的比值大于一预设阈值,则确定为有效拉曼信号区域,否则,则为噪声区域;所述的预设阈值为所有区域取步骤一中的p个容许区间长度为步长,进行最小二乘法平滑后标准差与平均值的比值的平均值的二分之一;第一种判断标准用于检测出强峰区域;第二种判断标准用于针对弱峰进行判断;
确定各块区域属性后,针对每个噪声区域,让其中各点均等于该区域的最小值,记录所有判断为噪声属性区域的波长或拉曼位移位置信息;然后,将有效拉曼信号区域和滤波后的噪声区域进行拼合。
4.如权利要求3所述的针对低信噪比紫外拉曼光谱的特征峰提取方法,其特征在于:步骤三实现方法为,
将步骤一采集的每一帧拉曼光谱均进行步骤二的处理,将步骤二处理后的N+1帧光谱,沿时间轴,拼接成2D图像,此时x轴为波长或拉曼位移轴,t轴为时间轴,z轴为拉曼强度;通过迭代的双边滤波方法,对该2D图像进行滤波,滤波后,沿时间轴,将N+1光谱进行叠加并归一化,获得干净的拉曼峰值光谱图像。
5.如权利要求1、2、3或4所述的针对低信噪比紫外拉曼光谱的特征峰提取方法,其特征在于:步骤一所述的用于判断是否为有效低谷的预设预测条件具体判断方法如下:观测该低谷值左右相近的容许区间步长区域内,是否存在顶峰网表中记录的强度高的拉曼峰,若存在即是有效低谷,记录进低谷网表,若不存在,则将N+1帧光谱进行叠加,叠加光谱若在该容许区间步长内存在低谷,则为有效低谷,记录进低谷网表。
6.如权利要求5所述的针对低信噪比紫外拉曼光谱的特征峰提取方法,其特征在于:步骤一所述统计分类容许区间步长选为3。
7.如权利要求1、2、3或4所述的针对低信噪比紫外拉曼光谱的特征峰提取方法,其特征在于:步骤二中所述p个容许区间中p数量选为3;
第二种判断标准的原理是,弱峰的拉曼宽度大于采样宽度,而噪声宽度为采样宽度,根据弱峰平均宽度预估步长进行最小二乘滤波,最小二乘滤波将噪声平滑为近似直线区域,而弱峰能够有效保留,平滑后近似直线区域标准与平均值的比值会明显小于弱峰区域的标准差与平均值的比值,之后通过计算该区域的标准差与平均值比值大小从而判断出是噪声区域还是有效拉曼信号区域。
8.如权利要求1、2、3或4所述的针对低信噪比紫外拉曼光谱的特征峰提取方法,其特征在于:所述的迭代的双边滤波方法的操作步骤为:(1)设定双边滤波函数空间域sigma因子sigma_s,所述的空间区域指t-x区域,即时间与波长或拉曼位移构成的2D区域,所述的空间域sigma因子选取应尽量包含更多帧光谱,但需要小于拉曼特征峰值宽度;(2)设定双边滤波函数像素范围域sigma因子sigma_r,所述的像素范围区域指每帧光谱上各波长或拉曼强度处的拉曼强度范围,每次返回设定sigma_r,sigma_r均会减半或者减去预设步长,直到小于所设的最小量Smin,则保持sigma_r=Smin不变,sigma_r初始值选取,根据步骤二获得的所有噪声区域的标准差的一半和除以所有噪声区域平均值和的结果,保留两位小数后获得;(3)对构建的2D图像进行双边滤波;(4)根据步骤二中记录的噪声区域的位置信息,计算滤波后图像各噪声区域的标准差和平均值比值大小,若该比值大于预设的阈值,则返回(2);(5)获得最终滤波后迭代结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910327282.9A CN109993155B (zh) | 2019-04-23 | 2019-04-23 | 针对低信噪比紫外拉曼光谱的特征峰提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910327282.9A CN109993155B (zh) | 2019-04-23 | 2019-04-23 | 针对低信噪比紫外拉曼光谱的特征峰提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993155A true CN109993155A (zh) | 2019-07-09 |
CN109993155B CN109993155B (zh) | 2021-01-01 |
Family
ID=67135082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910327282.9A Active CN109993155B (zh) | 2019-04-23 | 2019-04-23 | 针对低信噪比紫外拉曼光谱的特征峰提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993155B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112161966A (zh) * | 2020-09-29 | 2021-01-01 | 中国科学院长春光学精密机械与物理研究所 | 一种含有荧光光谱的样本拉曼光谱的分离方法和装置 |
WO2021149760A1 (ja) * | 2020-01-24 | 2021-07-29 | パナソニックIpマネジメント株式会社 | ラマン分光分析方法及びラマン分光分析支援装置 |
CN113567604A (zh) * | 2021-07-22 | 2021-10-29 | 华谱科仪(大连)科技有限公司 | 色谱谱图的检测分析方法及电子设备 |
CN113640445A (zh) * | 2021-08-11 | 2021-11-12 | 贵州中烟工业有限责任公司 | 基于图像处理的特征峰识别方法及计算设备、存储介质 |
CN114113035A (zh) * | 2021-11-18 | 2022-03-01 | 北京理工大学 | 转基因大豆油鉴别方法 |
CN114280002A (zh) * | 2021-12-16 | 2022-04-05 | 宜宾五粮液股份有限公司 | 一种基于特征峰判定的异常酒醅光谱筛选方法 |
CN115001571A (zh) * | 2022-05-11 | 2022-09-02 | 青岛诺克通信技术有限公司 | 一种光时域反射计的自适应数字滤波方法及光时域反射计 |
CN115078616A (zh) * | 2022-05-07 | 2022-09-20 | 天津国科医工科技发展有限公司 | 基于信噪比的多窗口谱峰识别方法、设备、介质及产品 |
CN115389481A (zh) * | 2022-08-16 | 2022-11-25 | 华中科技大学 | 基于拉曼光谱面扫描的生物质表面涂料均匀性检测的方法 |
WO2023272749A1 (zh) * | 2021-06-29 | 2023-01-05 | 江苏大学 | 一种小分子挥发物的特征信息提取方法及便携式检测*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743717A (zh) * | 2013-12-03 | 2014-04-23 | 中国工程物理研究院化工材料研究所 | ***cl-20晶型定量分析拉曼特征区域确定方法 |
CN105138826A (zh) * | 2015-08-10 | 2015-12-09 | 厦门大学 | 一种强噪声背景下的拉曼信号重构方法 |
CN107179310A (zh) * | 2017-06-01 | 2017-09-19 | 温州大学 | 基于鲁棒噪声方差估计的拉曼光谱特征峰识别方法 |
CN107764797A (zh) * | 2017-09-21 | 2018-03-06 | 天津大学 | 一种基于低秩张量算法的拉曼光谱图像数据预处理方法 |
CN107818298A (zh) * | 2017-09-27 | 2018-03-20 | 厦门大学 | 用于机器学习物质识别算法的通用拉曼光谱特征提取方法 |
CN108918499A (zh) * | 2018-06-28 | 2018-11-30 | 华南师范大学 | 拉曼图谱中去除拉曼基线漂移的方法 |
-
2019
- 2019-04-23 CN CN201910327282.9A patent/CN109993155B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743717A (zh) * | 2013-12-03 | 2014-04-23 | 中国工程物理研究院化工材料研究所 | ***cl-20晶型定量分析拉曼特征区域确定方法 |
CN105138826A (zh) * | 2015-08-10 | 2015-12-09 | 厦门大学 | 一种强噪声背景下的拉曼信号重构方法 |
CN107179310A (zh) * | 2017-06-01 | 2017-09-19 | 温州大学 | 基于鲁棒噪声方差估计的拉曼光谱特征峰识别方法 |
CN107764797A (zh) * | 2017-09-21 | 2018-03-06 | 天津大学 | 一种基于低秩张量算法的拉曼光谱图像数据预处理方法 |
CN107818298A (zh) * | 2017-09-27 | 2018-03-20 | 厦门大学 | 用于机器学习物质识别算法的通用拉曼光谱特征提取方法 |
CN108918499A (zh) * | 2018-06-28 | 2018-11-30 | 华南师范大学 | 拉曼图谱中去除拉曼基线漂移的方法 |
Non-Patent Citations (2)
Title |
---|
柏顺陈樵,范文涛: "基于多尺度分解的双边滤波图像增强", 《重庆理工大学学报(自然科学)》 * |
王昕 等: "基于匹配追踪的拉曼光谱信号重构算法", 《光谱学与光谱分析》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021149760A1 (ja) * | 2020-01-24 | 2021-07-29 | パナソニックIpマネジメント株式会社 | ラマン分光分析方法及びラマン分光分析支援装置 |
CN112161966A (zh) * | 2020-09-29 | 2021-01-01 | 中国科学院长春光学精密机械与物理研究所 | 一种含有荧光光谱的样本拉曼光谱的分离方法和装置 |
WO2023272749A1 (zh) * | 2021-06-29 | 2023-01-05 | 江苏大学 | 一种小分子挥发物的特征信息提取方法及便携式检测*** |
CN113567604A (zh) * | 2021-07-22 | 2021-10-29 | 华谱科仪(大连)科技有限公司 | 色谱谱图的检测分析方法及电子设备 |
CN113640445A (zh) * | 2021-08-11 | 2021-11-12 | 贵州中烟工业有限责任公司 | 基于图像处理的特征峰识别方法及计算设备、存储介质 |
CN113640445B (zh) * | 2021-08-11 | 2024-06-11 | 贵州中烟工业有限责任公司 | 基于图像处理的特征峰识别方法及计算设备、存储介质 |
CN114113035A (zh) * | 2021-11-18 | 2022-03-01 | 北京理工大学 | 转基因大豆油鉴别方法 |
CN114113035B (zh) * | 2021-11-18 | 2024-02-02 | 北京理工大学 | 转基因大豆油鉴别方法 |
CN114280002A (zh) * | 2021-12-16 | 2022-04-05 | 宜宾五粮液股份有限公司 | 一种基于特征峰判定的异常酒醅光谱筛选方法 |
CN115078616A (zh) * | 2022-05-07 | 2022-09-20 | 天津国科医工科技发展有限公司 | 基于信噪比的多窗口谱峰识别方法、设备、介质及产品 |
CN115078616B (zh) * | 2022-05-07 | 2024-06-07 | 天津国科医疗科技发展有限公司 | 基于信噪比的多窗口谱峰识别方法、设备、介质及产品 |
CN115001571A (zh) * | 2022-05-11 | 2022-09-02 | 青岛诺克通信技术有限公司 | 一种光时域反射计的自适应数字滤波方法及光时域反射计 |
CN115001571B (zh) * | 2022-05-11 | 2023-09-12 | 青岛诺克通信技术有限公司 | 一种光时域反射计的自适应数字滤波方法及光时域反射计 |
CN115389481A (zh) * | 2022-08-16 | 2022-11-25 | 华中科技大学 | 基于拉曼光谱面扫描的生物质表面涂料均匀性检测的方法 |
CN115389481B (zh) * | 2022-08-16 | 2024-05-24 | 华中科技大学 | 基于拉曼光谱面扫描的生物质表面涂料均匀性检测的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109993155B (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993155A (zh) | 针对低信噪比紫外拉曼光谱的特征峰提取方法 | |
US11842483B2 (en) | Systems for cell shape estimation | |
JP7273215B2 (ja) | 画像処理のための自動アッセイ評価および正規化 | |
CN110032988A (zh) | 紫外拉曼光谱***实时降噪增强方法 | |
Pilling et al. | High-throughput quantum cascade laser (QCL) spectral histopathology: a practical approach towards clinical translation | |
CN111448569A (zh) | 存储和检索数字病理学分析结果的方法 | |
CN106815819B (zh) | 多策略粮虫视觉检测方法 | |
CN104990892B (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
Shu et al. | A semi-automatic image analysis tool for biomarker detection in immunohistochemistry analysis | |
CN106780347A (zh) | 一种基于oct图像处理的枇杷早期瘀伤鉴别方法 | |
CN101692052A (zh) | 基于超光谱图像技术的名优茶真伪鉴别方法及装置 | |
AU2014235921A1 (en) | Method and system for analyzing biological specimens by spectral imaging | |
AU2015372563A1 (en) | Vessel analysis in multiplexed images | |
CN103793709A (zh) | 细胞识别方法和装置、以及尿液分析仪 | |
CN105891230A (zh) | 基于光谱图像分析的水果外表检测方法 | |
CN108802002A (zh) | 一种快速无损鉴别解除滞育的蚕卵拉曼光谱模型构建方法 | |
CN113008805A (zh) | 基于高光谱成像深度分析的白芷饮片质量预测方法 | |
Deepak et al. | Computer assisted pap smear analyser for cervical cancer screening using quantitative microscopy | |
CN111523587A (zh) | 一种基于机器学习的木本植物物种光谱识别方法 | |
CN113129281B (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
CN104076003B (zh) | 一种矿物光谱吸收特征参数的提取方法 | |
JP6006036B2 (ja) | 分光スペクトル解析方法 | |
EP1155381B1 (en) | Minimally invasive apparatus and method for testing lesions of the oral cavity and similar epithelium | |
CN100487395C (zh) | 一种基于相似性度量的天体光谱自动分类与红移测量方法 | |
Hao et al. | Wavelet-based threshold denoising for imaging hyperspectral data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |