4、特征峰识别算法：峰值搜索、半高宽计算与峰面积积分
各位同学，今天咱们来聊聊拉曼光谱分析里最核心的实操环节——特征峰识别。说白了，就是怎么从一堆噪声和基线里，把那些代表材料身份的“指纹”给揪出来。
我个人习惯把这一步叫做“从数据到信息”的转化。你想想看，我们采集到的原始光谱，其实就是一堆密密麻麻的波数-强度点。但真正有用的，是那些峰的位置、形状和大小。嗯，今天我就带大家把这三个关键参数一一搞定。
核心知识点速览
- 峰值搜索：用 scipy.signal.find_peaks 找到峰的位置
- 半高宽（FWHM）计算：衡量峰的尖锐程度
- 峰面积积分：定量分析的基础
4.1 峰值搜索——找到那些“山头”
峰值搜索，说白了就是找光谱里的局部最大值。但实际数据哪有那么干净？噪声、基线漂移都会干扰判断。这时候 scipy.signal.find_peaks 就派上用场了。
我记得刚入行那会儿，手动找峰位，眼睛都快看瞎了。后来发现这个函数，简直像发现了新大陆。它的核心参数就几个：
| 参数 | 作用 | 我的经验值 |
|---|---|---|
| height | 设置峰的最小高度 | 通常设为噪声水平的3-5倍 |
| distance | 两个峰之间的最小距离 | 根据仪器分辨率来，一般10-20个数据点 |
| prominence | 峰的显著度 | 这个参数很关键，能过滤掉小鼓包 |
| width | 峰的半高宽范围 | 用于排除太宽或太窄的假峰 |
import numpy as np
from scipy.signal import find_peaks
# 假设 wavenumber 和 intensity 是你的数据
peaks, properties = find_peaks(
intensity,
height=500, # 只找强度大于500的峰
distance=15, # 峰间距至少15个点
prominence=200, # 显著度至少200
width=(3, 30) # 半高宽在3到30个点之间
)
# peaks 里存的是峰位置的索引
# properties 里包含 height、prominences、widths 等信息
print(f"找到 {len(peaks)} 个峰")
for idx in peaks:
print(f"峰位: {wavenumber[idx]:.1f} cm⁻¹, 强度: {intensity[idx]:.1f}")我的小技巧：先用一个宽松的参数跑一遍，看看大概有多少峰。然后根据结果微调。我曾经在一个石墨烯样品上，一开始参数设太严，只找到2个峰，后来放宽了prominence，才发现其实有5个特征峰。嗯，参数调优是个经验活。
4.2 半高宽（FWHM）计算——峰的“胖瘦”很重要
半高宽，全称是 Full Width at Half Maximum。它反映的是峰的尖锐程度。你想想看，结晶度好的材料，峰通常又尖又窄；非晶态或者有缺陷的材料，峰就会变宽。
计算FWHM，我一般分三步走：
- 找到峰顶的高度，取一半作为阈值
- 在峰的左右两侧，找到强度等于阈值的位置
- 计算这两个位置之间的波数差
def calculate_fwhm(x, y, peak_idx):
"""
计算单个峰的半高宽
x: 波数数组
y: 强度数组
peak_idx: 峰顶的索引
"""
peak_height = y[peak_idx]
half_height = peak_height / 2
# 向左搜索
left_idx = peak_idx
while left_idx > 0 and y[left_idx] > half_height:
left_idx -= 1
# 向右搜索
right_idx = peak_idx
while right_idx < len(y) - 1 and y[right_idx] > half_height:
right_idx += 1
# 线性插值提高精度
if left_idx > 0:
left_x = x[left_idx] + (half_height - y[left_idx]) * \
(x[left_idx+1] - x[left_idx]) / (y[left_idx+1] - y[left_idx])
else:
left_x = x[left_idx]
if right_idx < len(y) - 1:
right_x = x[right_idx] + (half_height - y[right_idx]) * \
(x[right_idx+1] - x[right_idx]) / (y[right_idx+1] - y[right_idx])
else:
right_x = x[right_idx]
fwhm = right_x - left_x
return fwhm, left_x, right_x
# 使用示例
fwhm, left, right = calculate_fwhm(wavenumber, intensity, peaks[0])
print(f"第一个峰的FWHM: {fwhm:.2f} cm⁻¹")注意：如果峰形不对称（比如有肩峰），直接用半高宽就不太准确了。我曾经分析一个聚合物样品，主峰旁边有个小肩峰，算出来的FWHM偏大很多。这时候建议用峰拟合（比如高斯或洛伦兹拟合）来分离重叠峰。
4.3 峰面积积分——定量分析的基础
峰面积，说白了就是峰下面围起来的面积。它和物质的浓度直接相关。在定量分析里，峰面积比峰高更可靠，因为它对峰形变化不那么敏感。
计算峰面积，我常用两种方法：
- 直接数值积分：用梯形法或辛普森法，简单粗暴
- 拟合后积分：先拟合出峰的函数形式，再积分，精度更高
from scipy.integrate import simpson
def calculate_peak_area(x, y, left_bound, right_bound):
"""
计算峰面积
x: 波数数组
y: 强度数组
left_bound, right_bound: 积分边界（波数值）
"""
# 找到边界内的索引范围
mask = (x >= left_bound) & (x <= right_bound)
x_range = x[mask]
y_range = y[mask]
# 减去基线（这里用线性基线）
baseline = np.linspace(y_range[0], y_range[-1], len(y_range))
y_corrected = y_range - baseline
# 辛普森积分
area = simpson(y_corrected, x_range)
return area
# 使用示例
area = calculate_peak_area(wavenumber, intensity, left, right)
print(f"峰面积: {area:.2f} (任意单位)")实战经验分享：我在做碳材料分析时，经常需要比较D峰和G峰的强度比。如果直接用峰高比，误差很大。改用峰面积比后，结果稳定多了。特别是对于宽峰，峰面积比峰高更能反映真实情况。
4.4 完整流程——把三件套串起来
好了，现在我们把峰值搜索、FWHM计算、峰面积积分串成一个完整的流程。我个人习惯写成一个函数，方便重复调用。
def analyze_peaks(wavenumber, intensity, height=500, distance=15):
"""
完整的特征峰分析函数
"""
# 1. 峰值搜索
peaks, properties = find_peaks(intensity, height=height, distance=distance)
results = []
for idx in peaks:
# 2. 计算FWHM
fwhm, left, right = calculate_fwhm(wavenumber, intensity, idx)
# 3. 计算峰面积
area = calculate_peak_area(wavenumber, intensity, left, right)
results.append({
'position': wavenumber[idx],
'height': intensity[idx],
'fwhm': fwhm,
'area': area,
'left_bound': left,
'right_bound': right
})
return results
# 运行分析
peak_data = analyze_peaks(wavenumber, intensity)
for p in peak_data:
print(f"峰位: {p['position']:.1f} cm⁻¹ | "
f"FWHM: {p['fwhm']:.2f} cm⁻¹ | "
f"面积: {p['area']:.2f}")避坑指南：我曾经在处理一批数据时，发现同一个样品两次测量的峰面积差了30%。查了半天，原来是积分边界没统一。从那以后，我每次都会固定积分边界，或者用峰拟合的方法来保证一致性。记住，定量分析的关键在于“标准化”。
好了，这一章的内容就到这里。特征峰识别是拉曼光谱分析的基石，峰值搜索、FWHM、峰面积这三个参数，就像我们分析材料的“三把尺子”。多练练，你也能一眼看出数据里的门道。