基于多尺度局部信噪比的拉曼谱峰识别算法

拉曼谱峰识别是拉曼光谱定性分析中的关键技术之一。针对现有方法的自动化程度不高、识别率低的问题,提出了一种新的基于多尺度局部信噪比(MLSNR)的拉曼谱峰识别算法。算法通过多尺度二阶差分运算,得到光谱的差分系数,再将差分系数除以估计出的噪声标准差,获得光谱的MLSNR矩阵,通过寻找MLSNR矩阵中的局部极大值形成的脊线来识别拉曼谱峰。算法采用自动阈值估计法去除噪声引起的局部极大值的干扰,可实现谱峰的自动化识别,不需设置任何参数。仿真实验结果表明:无论对单峰还是重叠峰,当拉曼谱峰信噪比大于等于6时MLSNR的谱峰识别准确率均高达100%,即使对处于检测限的单峰,仍有95%以上的识别准确率。MLSNR是一种切实可行的拉曼谱峰识别方法。     

基于小波变换的共焦拉曼图像去噪方法

针对现有共焦拉曼光谱显微图像噪声去除不足的问题,提出一种基于小波变换的拉曼图像全面去噪方法。首先对拉曼光谱图像进行小波变换处理,然后再对拉曼图像进行双边滤波处理,进而实现拉曼光谱显微图像中噪声干扰的抑制。理论分析和实验表明:与现有拉曼光谱显微图像去噪方法相比,所提方法使拉曼光谱显微图像的峰值信噪比和结构相似度分别改善了92.99%和197%,其有效提高了拉曼光谱图像的信噪比和物质成分分析的准确率。     

小波变换的EDXRF光谱金属组分特征峰位置识别

主要研究X射线荧光光谱金属组分特征谱位置的确定。依据不同金属组分的特征谱特性,分析了特征谱的选取规律,在奇异值分析理论和模极大值理论的基础上,分析了基于特征谱小波分解系数的模极大值提取方法,在不同分解尺度下的特点及其传播特性,提出了基于模极大值传播的区间特征峰筛选方法,并对实际测量光谱进行了实验分析。结果表明：利用bior4.4小波作为基函数对实验测量的全能谱数据进行4层小波变换,利用模极大值传播特性,可以消除全能谱上叠加的部分噪声对光谱分析造成的阶跃影响;为提高特征峰的位置识别概率,对小波变换中小于给定阈值的分解系数进行压缩,将实验获取的X射线荧光全能谱第4层小波分解系数直接进行特征峰识别,得到的677个峰值位置,压缩到186个;在此基础上,再采用模极大值传播的区间特征峰筛选方法,筛选区间初始值设置为600 eV,经识别得到的特征峰峰值位置仅为27个,识别准确率得到有效提高。     

基于小波系数图和卷积神经网络的太赫兹光谱物质识别

许多太赫兹光谱物质识别方法依靠寻找该物质在太赫兹波段范围内不同光谱表现出的不同特征来识别特定物质。吸收峰提取法是常用的光谱特征提取算法,但当光谱无明显特征吸收峰或峰位、峰值相近或难以识别时,难以利用吸收峰特征辨别物质。将机器学习和统计学习技术用于太赫兹光谱的识别中虽减少了吸收峰的干扰,但常常需要人为定义特征而导致分类误差。深度学习法能自动提取特征,但在识别前往往需要进行复杂的预处理操作,并且在特征提取的过程中容易丢失部分特征从而导致分类误差。针对以上问题,提出了一种基于小波系数图和卷积神经网络的太赫兹光谱识别方法。利用太赫兹光谱信号进行小波变换时,由于小波系数矩阵的每一行系数与原始光谱信号存在着对应关系,因此将太赫兹光谱的吸收系数通过小波变换在频率域上展开,能得到不同的二维的频率-尺度分布图,又称小波系数图。然后构造一个卷积神经网络(CNN)对小波系数图进行分类,可得到太赫兹光谱物质的分类结果。为了验证所提出算法的有效性,将三组小波系数图数据与原始光谱数据分别输入CNN、Support Vector Machin (SVM)、Multilayer Perceptron (MLP)三种不同的分类器作对比,从实验结果可以发现本文算法在三组数据中的识别率均达到了100%,说明相比于传统方法,本文方法能准确分类没有明显特征吸收峰的光谱,证明了使用卷积神经网络识别小波系数图的有效性。为了体现本文算法的优势,与小波脊线寻峰识别算法作对比,实验结果表明本文算法几乎不受峰频、峰位、峰值的影响,无论是识别不存在吸收峰的淀粉,还是识别相似度高的蔗糖和葡萄糖,都具有较高的识别率,分类准确率达97.62%,证明了所提算法的优越性。该算法为太赫兹光谱数据识别提供了一种新思路,同时也可以推广运用到其他谱图物质的识别中。     

小波变换与高斯拟合在光谱重叠峰解析中的应用

利用小波变换对小波低频系数置零、高频系数阈值量化,实现了光谱信号的基线校正和谱线去噪;对光谱信号进行多尺度小波变换,搜寻各层小波系数模极值所构成的脊线,并对其中复合脊线进行校正,脊线中小波尺度参量最大时所对应的位置即为峰位;根据得到的峰位值,在最小二乘意义下寻找由多个单峰高斯函数叠加而成的最佳拟合光谱,得到谱峰峰强以及峰宽信息.利用该算法对含有基线漂移和随机噪声的光谱重叠峰进行解析,结果表明该算法能够较好地分离重叠峰,其中利用多尺度小波变换求解得到的峰位值偏差在±1.3以内,通过高斯拟合得到的峰强值偏差不超过8.5%.与现有算法求解得到的谱峰信息对比可知,本文所设计的光谱重叠峰解析算法具有一定优势.     

基于特征提取的低信噪比拉曼光谱去噪方法研究

为了提高拉曼光谱检测系统的时间分辨率,常常需要采用较短的采样积分时间,此时带有分子结构振动谱的有用拉曼信号可能完全淹没在噪声中,严重影响信号的进一步分析,因此有必要对测量所得的光谱信号进行噪声消除处理。传统的消噪方法是基于信号与噪声在频域或统计特性之间的差异,通过平滑滤波或取平均值的方法来消除噪声,一般适用于噪声强度不高的情况,对于信噪比较低的情况处理效果并不理想。针对传统去噪方法的不足,从信号重构的角度,利用基于小波变换的谱峰识别、半峰宽检测提取光谱特征参数,再利用最小二乘拟合的方法,能够有效地提取淹没于强噪声背景下的有用拉曼信号。在仿真中,运用该算法得到的光谱曲线光滑,峰位置准确,信噪比改善明显。在实验中,分别利用该方法处理头孢呋辛酯片和罗红霉素拉曼光谱数据,得到了清晰的谱峰位置、幅值及半峰宽信息,实现了对短积分时间、强噪声背景的拉曼信号的有效还原,提高了检测系统的时间分辨率。仿真和实验结果表明,该方法需要调整参数少,易于实现,在信噪比比较低的情况下依然能够得到良好的去噪效果,为进一步分析光谱数据提供准确可靠的信息。     

多菌灵农药的激光拉曼光谱分析

实验采集多菌灵农药的固体和液体拉曼光谱信号,对固体的原始拉曼光谱信号进行小波去噪预处理,利用正交试验方法筛选小波去噪参数的最优组合。结果表明,采用db2小波基函数、分解层数为2、阈值方案选择为rigrsure、重调方式为sln时,去噪效果最好,信噪比为62.483。根据不同官能团的振动模式,对去噪后的拉曼光谱分3个波数段(1 400～2 000,700～1 400,200～700 cm-1)进行谱峰归属和分析,得到了多菌灵农药分子在不同波数范围内的特征振动模式,其中,在619,725,964,1 022,1 265,1 274和1 478 cm-1处的拉曼信号较强,可作为固体多菌灵农药的特征峰。从多菌灵农药的液体拉曼光谱中,找到了629,727,1 001,1 219,1 258和1 365 cm-1特征峰,这些特征峰跟固体多菌灵农药的特征峰基本吻合。研究结果可为拉曼光谱分析技术在食品及农产品中农药残留的快速筛选提供判别依据。     

基于连续小波变换的FTIR光谱拟合算法

提出了一种基于连续小波变换的FTIR光谱拟合算法。在计算差减尺度因子时,同时考虑原始谱图及其连续小波变换谱图,从光谱最小二乘拟合的角度求解,克服了常规差谱算法中的参考峰及差减因子的人工选择问题。采用六种不同的小波进行光谱拟合,用计算得到的差减因子来定量酒精度,误差绝对值的平均值仅为0.047°~0.072°,误差标准差仅为0.056°~0.091°。实验结果表明,连续小波变换结合最小二乘拟合的光谱拟合模型能为FTIR差谱提供一种准确可靠的新方法。     

一种基于连续小波变换的LIBS光谱自动寻峰方法

谱线寻峰在激光诱导击穿光谱(laser-induced breakdown spectroscopy)中是必不可少的步骤,然而噪声和背景的存在,干扰了寻峰的准确性。为了提高LIBS寻峰中重叠峰分辨能力和自适应能力,提出一种适用于LIBS谱图的自动寻峰方法。将基于连续小波变换的脊线寻峰法引入到LIBS中,探讨了连续小波变换中的小波母函数的选择并优化了尺度参数和平移参数,提出一套脊线校正方法对脊线寻峰法进行了改进。实验结果表明,该方法与直接比较法、导数法和脊线寻峰法相比,在重叠峰分辨能力和寻峰精度等方面优势显著,可应用于LIBS数据处理。     

基于LCEEMD的低信噪比拉曼光谱自适应去噪方法研究

在生物体拉曼光谱快速采集或低功率采集过程中,往往会获得低信噪比拉曼光谱。针对低信噪比光谱数据,提出应用补充总体经验模态方法(CEEMD)分解拉曼光谱,并且依据特征模态分量的归一化排列熵值(NPE)按比例扣除噪声成分的方法,称为局部补充总体均值经验模分解方法(LCEEMD)。LCEEMD方法不仅解决了经验模态(EMD)分解中高频信号与噪声的模态混叠问题,还有效降低了总体经验模态分解法(EEMD)中的残留噪声。仿真数据实验显示,LCEEMD方法在处理10db信噪比模拟光谱时获得了39.615 0 db信噪比,0.001 17标准差和0.999 9相关系数。在人体皮肤拉曼光谱试验中,LCEEMD方法滤波后数据准确呈现出角质层脂质酰胺I带激发拉曼强谱峰以及甘油三酸酯中(CO)酯微弱谱峰。在水稻叶片可溶性糖定量预测模型中,LCEEMD方法取得了0.871 7预测相关系数和0.912 0预测标准误差,优于EMD和EEMD软阈值去噪(0.511 4,1.647 8和0.638 2,1.508 8)。LCEEMD方法实施过程中,根据去噪性能指标反馈调整归一化排列熵阈值,直至获得最佳去噪效果,滤波过程无需参数设置,可以自适应实现。     

用多消失矩最优小波包基改进虹膜识别

采用层叠算法求出尺度函数和小波函数的离散采样序列的逼进，将不具有基函数解析表达式的母小波用于虹膜特征提取，并利于实现连续小波包变换.针对虹膜光学识别应用背景，提出采用基于连续小波包变换的多消失矩联合最优小波包基来改进特征图像相关识别的最优基，并用统计识别方法进行后处理以增强算法适应性，同时提出通过体全息相关系统来实现，以发挥光学高并行性的优势，模拟结果表明可获得比已有方法更高的识别率.     

空间外差光谱仪光谱降噪方法研究

空间外差光谱仪是一种新式的超高分辨率光谱仪,可用于大气监测、卫星遥感等领域。为了减少空间外差光谱信号中的噪声,提出基于提升小波变换结合中值滤波方法来实现信号的降噪。改进的提升小波变换融合了一种双因子的阈值函数、分层阈值选取。与小波变换的软、硬阈值对比发现,它能提取空间外差光谱,减小峰宽和保留重要的细节特征,降噪效果优于小波变换的软、硬阈值法。最后用信噪比和均方误差两项定量指标来衡量算法的效果。实验结果表明:该算法比软阈值法在处理氙灯和积分球时信噪比提高了24.6%和31%,均方误差减少了43.2%和51.5%;与硬阈值法相比信噪比提高了21.5%和30.6%,均方误差减少了40.2%和51.2%。因此,算法在空间外差光谱降噪方面具有可行性。     

基于拉曼光谱技术的海水微塑料快速识别技术研究

近年来由于塑料的大量使用和排放,这些塑料经环境作用破碎变成微塑料大量汇聚到海洋中,导致海洋中聚集大量微塑料。微塑料形状较小,难以识别其来源与种类。激光拉曼探测技术具有快速、无损、且各物质指纹峰明显易被精确识别等优点,近年来被广泛应用。本文基于拉曼光谱探测技术,提出了一种结合小波处理、随机森林算法实现海水中微塑料快速识别的智能分类方法。针对六种典型的海水微塑料标准样品（丙烯腈(A)-丁二烯(B)-苯乙烯(S)的三元共聚物（ABS）、聚酰胺（PA）、聚对苯二甲酸乙二醇酯（PET）、聚丙烯（PP）、聚苯乙烯（PS）、聚氯乙烯（PVC））,采用激光拉曼探测技术进行光谱数据收集,对获取的拉曼光谱采用小波基为DB7、分解次数为3的小波,标准差归一化进行了拉曼光谱预处理。为了提高识别速度,同时还需要对光谱数据进行数据压缩预处理,分别进行了数据压缩点为64,128,256,512和1 024点的数据压缩比较,它们的决策树算法识别精度分别为91.51%,91.67%,92.35%,93.17%和93.21%,随机森林算法识别精度分别为93.12%,93.92%,94.83%,96.81%和96.81%,实验结果表明,微塑料的拉曼光谱压缩为512点时为效率和精度的最佳压缩点,可以为实际工程应用中微塑料拉曼数据压缩提供参考。分别采用决策树、随机森林两种算法进行微塑料拉曼光谱识别研究。研究结果表明,基于拉曼光谱数据,随机森林算法的识别微塑料交叉验证精度高于决策树算法。为进一步提高识别精度,进行了模型参数（折次k）优化研究,采用经过优化后的模型参数（k=20）,随机森林算法识别微塑料的交叉验证精度可以达到97.24%。可以为实际海水中微塑料的快速识别提供技术参考。     

基于聚类和小波变换的多光谱图像压缩算法

针对多光谱图像压缩算法现存的时空复杂度高、光谱特性利用不充分等问题,研究了多光谱图像的谱间稀疏等价表示及其聚类实现途径,进而设计了一种基于谱间自适应聚类和小波变换的多光谱图像压缩算法。算法利用吸引力传播聚类产生多光谱图像的谱间稀疏等价表示、在低复杂度下去除图像的谱间冗余,使用二维小波变换去除稀疏表示成分的空间冗余,采用分层树集合分割排序算法(SPIHT)进行压缩编码,并通过误差补偿机制提高多光谱图像重建质量。实验表明,该算法在保证较低时间和空间复杂度的基础上,较SPIHT等同类经典压缩算法,在相同的压缩比下,明显提高了重建图像的峰值信噪比,是一种通用有效的多光谱图像压缩算法。     

氢气拉曼光谱压缩感知方法分析研究

气体监测与我们的生活息息相关,氢气作为一种理想的研究模型更是受到广泛关注.拉曼光谱作为一种气体分析手段,具有无损非接触等优点.气体拉曼光谱测量存在的一个主要问题是拉曼散射信号弱.在一些特定场景下,需要信号采集时间较短,因此获得的拉曼光谱信噪比低.压缩感知方法作为一种新发展起来的信号处理手段,不仅可以压缩采样,缩短采样时...     

An intelligent background‐correction algorithm for highly fluorescent samples in Raman spectroscopy

Fluorescent background is a major problem in recoding the Raman spectra of many samples, which swamps or obscures the Raman signals. The background should be suppressed in order to perform further qualitative or quantitative analysis of the spectra. For this purpose, an intelligent background‐correction algorithm is developed, which simulates manual background‐correction procedure intelligently. It basically consists of three aspects: (1) accurate peak position detection in the Raman spectrum by continuous wavelet transform (CWT) with the Mexican Hat wavelet as the mother wavelet; (2) peak‐width estimation by signal‐to‐noise ratio (SNR) enhancing derivative calculation based on CWT but with the Haar wavelet as the mother wavelet; and (3) background fitting using penalized least squares with binary masks. This algorithm does not require any preprocessing step for transforming the spectrum into the wavelet space and can suppress the fluorescent background of Raman spectra intelligently and validly. The algorithm is implemented in R language and available as open source software ( http://code.google.com/p/baselinewavelet ). Copyright © 2009 John Wiley & Sons, Ltd.     

光学小波包变换及其滤波器的研究

基于对光学小波变换必要条件的分析,提出光学小波包变换的概念.选出虹膜图库的联合最优小波包基,利用最优基的线性组合生成相应的复合光学小波包滤波器.将滤波器用于光电混合虹膜识别系统中对待识别输入进行小波包特征提取预处理,模拟结果不仅证明引入该滤波器可明显提升系统的识别效果,也证明了光学小波包变换提出的意义.     

倒谱参数稀疏分解下的汉语音谎言检测

为了提高汉语语音的谎言检测准确率,提出了一种对信号倒谱参数进行稀疏分解的方法。首先,采用小波包滤波器组对语音信号进行多频带划分,求得子频带对数能量并进行离散余弦变换以提取小波包频带倒谱系数,结合梅尔频率谱系数得到倒谱参数;其次,依据K-奇异值分解方法分别利用说谎和非说谎两种状态下的语音倒谱参数集训练得到过完备混合字典,在此字典上根据正交匹配追踪算法对参数集进行稀疏编码提取稀疏特征;最终进行多种分类模型下的识别实验·实验结果表明,稀疏分解方法相比传统参数降维方法具有更好的优化性能,本文推荐的稀疏谱特征最佳识别率达到78.34%,优于其他特征参数,显著提高了谎言检测识别准确率。