第四节：谱图预处理——背景扣除、平滑与归一化
拿到一张XPS原始谱图，别急着分析。我见过太多人上来就拟合，结果峰位、峰面积全是错的。为什么？因为原始数据里藏着背景信号、噪声干扰，还有样品间的强度差异。预处理这一步，说白了就是给数据「洗个澡」，洗干净了才能看清真面目。
这一节，我带你过一遍三个关键步骤：背景扣除、平滑处理、归一化。每一步都有讲究，做对了事半功倍，做错了...嗯，数据可能就废了。
4.1 背景扣除：把「脏东西」去掉
XPS谱图里，除了我们想看的特征峰，还有一大片连续背景。这些背景来自非弹性散射电子——光电子在逸出样品表面时，跟其他电子碰撞损失了能量，就落在低动能端，形成一条「拖尾」。背景不扣掉，峰面积算不准，定量分析就是扯淡。
常用的背景扣除方法有两种：Shirley 和 Tougaard。我分别说说。
4.1.1 Shirley 背景：简单粗暴，但够用
Shirley 方法的思路很直观：背景强度跟峰的总面积成正比。说白了，峰越高、越宽，它底下的背景就越高。算法会迭代计算，直到收敛。
我个人习惯，对于大多数过渡金属的2p、3d峰，Shirley 背景就够用了。它计算快，参数少，不容易出幺蛾子。
Shirley 背景的适用场景：
- 峰形对称，或者轻微不对称
- 背景变化平缓，没有剧烈起伏
- 能量范围较窄（比如只扫一个元素的主峰）
代码实现也不复杂。下面是一个简单的 Shirley 背景扣除示例（Python 伪代码）：
def shirley_background(energy, intensity, max_iter=100, tol=1e-6):
# 初始化背景为常数
bg = np.full_like(intensity, intensity.min())
for _ in range(max_iter):
# 计算峰面积（总强度减去背景）
peak_area = np.trapz(intensity - bg, energy)
# 更新背景：从高能端到低能端，背景与累积峰面积成正比
new_bg = intensity.min() + (intensity.max() - intensity.min()) * \
np.cumsum(intensity - bg) / np.sum(intensity - bg)
# 检查收敛
if np.max(np.abs(new_bg - bg)) < tol:
break
bg = new_bg
return bg注意：Shirley 背景要求你手动指定两个端点——高能端和低能端的背景点。选错了，结果就偏了。我建议你选在峰两侧平坦的区域，别选在峰肩上。
4.1.2 Tougaard 背景：更物理，更准确
Tougaard 背景是基于非弹性散射的物理模型推导出来的。它认为背景的形状由材料的电子结构决定，而不是简单地跟峰面积成正比。对于宽能量范围的扫描（比如价带谱、宽扫全谱），Tougaard 背景明显优于 Shirley。
我记得有一次分析一个含碳的聚合物样品，C 1s 峰旁边有个很宽的π-π*卫星峰。用 Shirley 扣背景，卫星峰被严重低估；换成 Tougaard，结果就合理多了。
我的经验：
如果你不确定用哪种，先试 Shirley。如果 Shirley 扣完后基线在峰两侧明显不平（比如左边高右边低），那就换 Tougaard。Tougaard 的参数（B、C、C'、D）一般用默认值就行，除非你特别了解你的材料。
Tougaard 背景的数学形式稍微复杂一点：
def tougaard_background(energy, intensity, B=2866, C=1643, C2=1.0, D=1.0):
# Tougaard 通用参数
# 实际计算需要卷积，这里只展示核心公式
# 背景 J(E) = ∫[E, ∞] I(E') * T(E' - E) dE'
# 其中 T(E) = B * E / (C + E^2)^2 + C2 * E / (D + E^2)^2
pass警告：
不要对同一张谱图反复尝试不同的背景方法，直到「看起来好看」。这是数据造假的前兆。选定一种方法后，同一批样品要保持一致。
4.2 平滑处理：去噪，但别把峰磨平了
XPS 数据难免有噪声，尤其是采集时间短、或者元素含量低的时候。平滑可以改善信噪比，但过度平滑会丢失细节——峰变宽、变矮，甚至小峰被抹掉。
常用的平滑方法有：
- Savitzky-Golay 滤波：我最推荐的方法。它在滑动窗口内做多项式拟合，既能去噪，又能保留峰的形状和位置。
- 移动平均：简单，但会让峰展宽。我基本不用。
- 傅里叶滤波：适合周期性噪声，但 XPS 里不常见。
Savitzky-Golay 的参数有两个：窗口宽度和多项式阶数。窗口越大，平滑越强，但峰形失真也越严重。我一般用 5-9 个点的窗口，多项式阶数 2 或 3。
from scipy.signal import savgol_filter
# 窗口宽度=7，多项式阶数=2
smoothed_intensity = savgol_filter(intensity, window_length=7, polyorder=2)避坑指南：
我曾经遇到一个学生，把窗口设到 21 个点，结果两个本该分开的峰被平滑成一个宽包。他拿着这个结果去拟合，还问我为什么峰面积对不上。嗯，你想想看，数据都变形了，拟合能对吗？
我的建议：平滑前后对比一下，如果峰位偏移超过 0.1 eV，或者半峰宽变化超过 0.05 eV，那就是平滑过度了。
4.3 归一化处理：让数据可以比较
归一化的目的，是把不同条件下采集的谱图放到同一个尺度上。比如，你测了两个样品，一个采集了 10 分钟，另一个只采了 5 分钟，强度自然不一样。不归一化，直接比峰高就是耍流氓。
常见的归一化方式：
| 方法 | 做法 | 适用场景 |
|---|---|---|
| 最大强度归一化 | 所有数据除以谱图中的最大强度 | 比较峰形、峰位，不关心绝对强度 |
| 面积归一化 | 所有数据除以谱图的总面积 | 定量分析，消除采集时间、X射线通量的影响 |
| 参考峰归一化 | 用内标峰（如 C 1s 284.8 eV）的强度做基准 | 不同样品间的相对含量比较 |
我个人习惯，做定性分析（看峰位、峰形）时用最大强度归一化；做定量分析（算原子百分比）时用面积归一化。参考峰归一化适合有内标的情况，比如你往样品里掺了已知量的金或硅。
归一化的一个坑：
如果你用最大强度归一化，一定要确保那个「最大强度」是真实的峰，不是噪声尖峰。我见过有人把噪声尖峰当成主峰，归一化后整个谱图都变形了。所以，归一化之前，先看一眼数据，确认主峰位置。
知识体系总览
下面这张图，把谱图预处理的三个步骤串起来了。你可以把它当作一个检查清单：
你看，流程是线性的：先扣背景，再平滑，最后归一化。顺序不能乱。如果你先平滑再扣背景，平滑会把背景的形状也改变了，扣背景时就容易出错。
好了，谱图预处理就讲到这里。记住一句话：预处理做得好，后续分析没烦恼。别嫌麻烦，这一步值得花时间。
公众号:蓝海资料掘金营，微信deep3321