一种基于结构化光谱特征描述的光谱分析降噪方法及系统

本发明涉及近红外建模数据处理，更具体的说，涉及一种基于结构化光谱特征描述的光谱分析降噪方法及系统。

背景技术：

1、近红外光是一种位于可见光和红外光之间的电磁波，其在有机分子的化学键振动中具有重要的应用价值。这种光的波段能够检测到分子中氢基团(x-h)的伸缩振动的倍频和合频吸收。近红外分析技术正是基于这些吸收特性，通过化学计量学方法和多元校正技术，建立起光谱信息与样品性质之间的数学模型，从而实现对样品的精确分析。

2、然而，这种分析技术在实际应用中常受到光谱仪器噪声和外界环境变化等因素的影响，导致部分波段的信噪比较低。这不仅增加了近红外光谱建模的难度，也降低了分析的准确性。因此，对光谱进行降噪处理变得至关重要。合理的降噪方法能够有效地去除噪声，保留有价值的信息，从而简化近红外回归模型，增强其稳定性和可靠性。简而言之，光谱降噪是提升近红外光谱分析准确性和适用性的关键技术手段。

技术实现思路

1、以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。

2、本发明的目的是提供一种基于结构化光谱特征描述的光谱分析降噪方法及系统，解决现有的近红外光谱中存在的噪声问题，以及建立准确数学模型的困难和分析结果的不准确性。

3、本发明为解决上述技术问题而采用的技术方案是提供了一种基于结构化光谱特征描述的光谱分析降噪方法，包括以下步骤：

4、步骤s1、获取一批样品的近红外光谱数据，并生成近红外光谱图像，同时获取所述样品的理化性质数据；

5、步骤s2、提取所述近红外光谱图像的关键点，并提取所述关键点的光谱信息，将光谱信息加入到对应特征描述符中，生成结构化光谱特征描述符；

6、步骤s3、根据结构化光谱特征描述符，生成降噪后的光谱矩阵；

7、步骤s4、根据降噪后的光谱矩阵与样品的理化性质数据建立回归模型，以拟合降噪后的光谱矩阵与样品的理化性质数据之间的关系；

8、步骤s5、输入待分析样品降噪后的光谱矩阵至回归模型，输出待分析样品对应的理化性质预测值。

9、在一实施例中，所述步骤s1中，获取一批样品的近红外光谱数据，生成近红外光谱图像，进一步包括以下步骤：

10、步骤s11、对样品的近红外光谱数据进行预处理；

11、步骤s12、生成近红外光谱图像；

12、步骤s13、保存近红外光谱图像。

13、在一实施例中，进一步包括：

14、所述近红外光谱数据包括：波长和吸光度；

15、所述预处理包括：删除缺失值，平滑噪声；

16、所述近红外光谱图像通过编程生成，具体包括：读取近红外光谱数据、提取波长和吸光度数据、生成近红外光谱图；

17、所述近红外光谱图以二维图片的形式保存。

18、在一实施例中，所述步骤s2中，进一步包括以下步骤：

19、步骤s21、将所述近红外光谱图像转换成灰度图像，并计算所述灰度图像的积分图；

20、步骤s22、在所述积分图的基础上，通过高斯平滑和下采样操作生成不同尺度的图像，同时构建高斯金字塔生成多尺度空间；

21、步骤s23、计算不同尺度空间下海森矩阵的行列式，使用非极大值抑制方法，选取能够在各种尺度变换下保持其特征强度和位置一致性的关键点；

22、步骤s24、对每个关键点构造包含位置、尺度和方向信息的特征描述符，根据所述位置和尺度确定一个覆盖区域，从所述覆盖区域内提取像素点的光谱吸光度值；

23、步骤s25、使用归一化处理方式，生成一个关键点覆盖区域的光谱信息向量并加入对应特征描述符中，生成包含空间和光谱信息的结构化光谱特征描述符。

24、在一实施例中，所述步骤s2中，提取所述近红外光谱图像的关键点，进一步包括：采用加速稳健特征方法，提取所述近红外光谱图像中的关键点。

25、在一实施例中，所述步骤s3中，进一步包括以下步骤：

26、步骤s31、根据结构化光谱特征描述符，计算相似度，去除重复特征描述符；

27、步骤s32、从去重后的特征描述符中提取关键点的光谱吸光度数据，确定光谱波段信息；

28、步骤s33、基于所述步骤s32确定的光谱波段信息，删除关键点对应的光谱吸光度数据，生成降噪后的光谱矩阵。

29、在一实施例中，所述步骤s4中，进一步包括：使用多元线性回归、偏最小二乘回归、支持向量机回归、人工神经网络算法建立回归模型，训练回归模型。

30、在一实施例中，进一步包括：采用基于欧式距离的k-s算法或基于性质变量的spxy算法从样品集中选择m个光谱代表性强的光谱作为校正集，将剩余样品作为验证集。

31、在一实施例中，所述步骤s5中，进一步包括：通过回归分析检验指标对近红外光谱分析预测结果进行检验，所述回归分析检验指标包括：预测标准偏差、决定系数。

32、为了实现上述目的，本发明提供了一种基于结构化光谱特征描述的光谱分析降噪系统，包括：

33、存储器，用于存储可由处理器执行的指令；

34、处理器，用于执行所述指令以实现如上述任一项所述的方法。

35、为了实现上述目的，本发明提供了一种计算机可读介质，其上存储有计算机指令，其中当计算机指令被处理器执行时，执行如上述任一项所述的方法。

36、本发明提出的基于结构化光谱特征描述的光谱分析降噪方法及系统，采用了一种结构化光谱特征描述符，融合了加速稳健特征算法提取的空间特征以及关键点覆盖区域的光谱信息，通过这种方法，能够有效地降低建模过程中的复杂性，同时显著提高近红外光谱分析的准确度和适用性，为近红外光谱分析提供了一种更为精确和高效的降噪解决方案。

1.一种基于结构化光谱特征描述的光谱分析降噪方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于结构化光谱特征描述的光谱分析降噪方法，其特征在于，所述步骤s1中，获取一批样品的近红外光谱数据，生成近红外光谱图像，进一步包括以下步骤：

3.根据权利要求2所述的基于结构化光谱特征描述的光谱分析降噪方法，其特征在于，进一步包括：

4.根据权利要求1所述的基于结构化光谱特征描述的光谱分析降噪方法，其特征在于，所述步骤s2中，提取所述近红外光谱图像的关键点，进一步包括：采用加速稳健特征方法，提取所述近红外光谱图像中的关键点。

5.根据权利要求1所述的基于结构化光谱特征描述的光谱分析降噪方法，其特征在于，所述步骤s2中，进一步包括以下步骤：

6.根据权利要求1所述的基于结构化光谱特征描述的光谱分析降噪方法，其特征在于，所述步骤s3中，进一步包括以下步骤：

7.根据权利要求1所述的基于结构化光谱特征描述的光谱分析降噪方法，其特征在于，所述步骤s4中，进一步包括：使用多元线性回归、偏最小二乘回归、支持向量机回归、人工神经网络算法建立回归模型，训练回归模型。

8.根据权利要求7所述的基于结构化光谱特征描述的光谱分析降噪方法，其特征在于，进一步包括：采用基于欧式距离的k-s算法或基于性质变量的spxy算法从样品集中选择m个光谱代表性强的光谱作为校正集，将剩余样品作为验证集。

9.根据权利要求1所述的基于结构化光谱特征描述的光谱分析降噪方法，其特征在于，所述步骤s5中，进一步包括：通过回归分析检验指标对近红外光谱分析预测结果进行检验，所述回归分析检验指标包括：预测标准偏差、决定系数。

10.一种基于结构化光谱特征描述的光谱分析降噪系统，包括：

11.一种计算机可读介质，其上存储有计算机指令，其中当计算机指令被处理器执行时，执行如权利要求1-9任一项所述的方法。