Python光谱预处理-归一化、平滑、基线校正

采用Python实现一下光谱预处理，原理讲解见：光谱数据处理及定量分析_Dfreedom.的博客-CSDN博客_光谱算法

Python代码：

import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import savgol_filter

#-----数据读取-----#
x = np.array([]) #波数
y = np.array([]) #幅值

#-----归一化&平滑-----#
n=5 #拟合阶数
y_filter=savgol_filter(y,21,5,mode = "nearest") #SG平滑
y_uniform = (y_filter-min(y_filter))/(max(y_filter)-min(y_filter)) #归一化

#-----基线校正-----#
p0 = np.polyfit(x,y_uniform,n)#多项式拟合，返回多项式系数
y_fit0 = np.polyval(p0,x) #计算拟合值
r0 = y_uniform-y_fit0
dev0 = np.sqrt(np.sum((r0-np.mean(r0))**2)/len(r0)) #计算残差
y_remove0 = y_uniform[y_uniform <= y_fit0] #峰值消除
x_remove0 = x[np.where(y_uniform <= y_fit0)] #峰值消除
i=0
judge=1
dev=[]
while judge:
    p1 = np.polyfit(x_remove0, y_remove0, n)  # 多项式拟合，返回多项式系数
    y_fit1 = np.polyval(p1, x_remove0)  # 计算拟合值
    r1 = y_remove0 - y_fit1
    dev1 = np.sqrt(np.sum((r1 - np.mean(r1)) ** 2) / len(r1))  # 计算残差
    dev.append(dev1)
    if i == 0:
        judge = abs(dev[i] - dev0) / dev[i] > 0.05;
    else:
        judge = abs((dev[i] - dev[i-1]) / dev[i]) > 0.05; # 残差判断条件
    y_remove0[np.where(y_remove0 >= y_fit1)] = y_fit1[np.where(y_remove0 >= y_fit1)]; # 光谱重建
    i=i+1
y_baseline=np.polyval(p1, x)  #基线
y_baseline_correction=y_uniform-y_baseline  #基线校正后

#-----显示-----#
plt.figure(1)
plt.plot(x,y_uniform,color="black", linewidth=2.0, linestyle="solid", label="Raw_data")
plt.plot(x,y_baseline,color="red", linewidth=2.0, linestyle="solid", label="Baseline")
plt.plot(x,y_baseline_correction,color="blue", linewidth=2.0, linestyle="solid", label="After_correction")
plt.title('spetrum',fontsize=30)#设置图的标题
plt.legend(loc="best")#图例放到图中的最佳位置
plt.xlabel('wavenumber(cm^-1)',fontsize=14)  #设置横轴名称以及字体大小
plt.ylabel('amplitude',fontsize=14)   #设置纵轴

plt.savefig('a_myplot.jpg', dpi=700) #保存图片，矢量图
plt.show()

运行结果：