光谱处理—基线校正

光谱处理中的基线校正：原理与实现

什么是基线校正？

基线校正是光谱预处理中的关键步骤，用于消除由仪器漂移、背景散射或荧光效应等引起的低频干扰信号。未校正的基线会导致峰位偏移、定量分析误差等问题。
示例：

---

基线漂移的来源

• 探测器温度波动
• 样品基质散射（如拉曼光谱中的荧光背景）
• 光学元件老化
• 非目标物质的干扰信号

---

常用基线校正方法

1. 多项式拟合法

通过拟合低阶多项式曲线作为基线估计
适用场景：平缓变化的简单基线
关键参数：多项式阶数（通常3-5阶）

2. 自适应迭代重加权惩罚最小二乘法 (airPLS)

通过迭代调整权重矩阵实现基线拟合
优势：自动适应复杂基线形态
关键参数：平滑因子λ、迭代次数

3. 小波变换法

利用小波分解提取低频基线成分
优势：保留高频有用信号
关键参数：小波基函数选择、分解层数

---

代码实现框架（Python示例）

以下是您可扩展的代码框架模板：

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from pybaselines import Baseline
# Set the font family to SimHei (黑体)
plt.rcParams['font.family'] = 'SimHei'

# 读取CSV文件
# 假设CSV文件的列名为'wavenumber'和'absorbance'
# 如果列名不同，请相应修改names参数
data = pd.read_csv("data.csv", header=None, index_col=False)

# 获取波数和吸光度数据
x = data[0].values
y = data[1].values

# 创建基线拟合器
baseline_fitter = Baseline(x_data=x)

# 使用不同的基线校正方法
bkg_1, params_1 = baseline_fitter.modpoly(y, poly_order=3)
bkg_2, params_2 = baseline_fitter.asls(y, lam=1e7, p=0.02)
bkg_3, params_3 = baseline_fitter.mor(y, half_window=30)
bkg_4, params_4 = baseline_fitter.snip(y, max_half_window=40, decreasing=True, smooth_half_window=3)
bkg_5, params_5 = baseline_fitter.airpls(y)

# 计算校正后的光谱
corrected_1 = y - bkg_1
corrected_2 = y - bkg_2
corrected_3 = y - bkg_3
corrected_4 = y - bkg_4
corrected_5 = y - bkg_5

# 绘制结果
plt.figure(figsize=(12, 8))

# 原始数据和基线
plt.subplot(2, 1, 1)
plt.plot(x, y, label='原始光谱', lw=1.5)
plt.plot(x, bkg_1, '--', label='modpoly')
plt.plot(x, bkg_2, '--', label='asls')
plt.plot(x, bkg_3, '--', label='mor')
plt.plot(x, bkg_4, '--', label='snip')
plt.legend()
plt.title('原始光谱和基线')
plt.xlabel('波数')
plt.ylabel('吸光度')

# 校正后的光谱
plt.subplot(2, 1, 2)
# plt.plot(x, corrected_1, label='modpoly correct')
# plt.plot(x, corrected_2, label='asls correct')
# plt.plot(x, corrected_3, label='mor correct')
# plt.plot(x, corrected_4, label='snip correct')
plt.plot(x, corrected_5, label='airPLS correct')
plt.legend()
plt.title('基线校正后的光谱')
plt.xlabel('波数')
plt.ylabel('校正后吸光度')

plt.tight_layout()
plt.show()

关于matlab代码，此处分享几个github库。
链接: https://github.com/zmzhang/airPLS

---

实际应用注意事项

1. 参数优化：通过观察残差信号调整算法参数
2. 过拟合预防：避免基线估计过度贴合真实信号
3. 效果验证：
   • 校正后基线区域应接近零值
   • 特征峰形保持完整
   • 重复测量基线稳定性评估

---

阅读推荐

1. Baseline correction for infrared spectra using adaptive smoothness parameter penalized least squares method
2. Baseline correction using asymmetrically reweighted penalized least squares smoothing
3. 光谱基线校正算法研究与应用进展,王海朋

---