Ep 18 — 谱图处理基础：基线校正、平滑、归一化

系列：红外光谱百科：从原理到实战
篇章：第二篇 · 初级篇 — 走进实验室
适合人群：高中/大学本科生、研究生、刚进入实验室的检测技术人员
前置知识：Ep 16（样品制备）、Ep 17（仪器操作）
阅读时间：约 38 分钟

引子：一张"丑陋"的谱图引发的思考

实习生小王刚做完第一张 KBr 压片谱图。她兴奋地把谱图打印出来交给导师。导师皱眉："这谱图——基线倾斜 0.5、噪声大、还有个明显的肩峰……怎么用？"

小王委屈地说："可是仪器刚开，背景也采了，制样也照规程……"

导师叹气："仪器输出的'原始'谱图，从来不是'最终'谱图。原始谱图像一块璞玉，需要经过'打磨'才能展现真正的美——但打磨过度又会毁了原石。"

这就是红外光谱的"谱图处理（Spectral Processing）"环节——介于原始数据与最终分析之间的关键工序。处理得好，谱图清晰可读、可作定量定性；处理得差，不仅数据不可用，还可能引入"假峰"误导结论 [1][2]。

谱图处理的核心目标可以归纳为四个字：去噪、去形、归一、辨峰 [1][2][3]：

去噪：平滑滤波，提高 SNR
去形：基线校正，消除散射和吸收偏差
归一：归一化，使谱图可比较
辨峰：求导，分辨重叠峰

但每种处理都有代价——过度处理会扭曲谱图，甚至制造原本不存在的"假峰" [1][2]。本集将系统讲解四大类处理方法的原理、参数选择、应用场景与风险，让你掌握"恰到好处"的处理艺术。

💡 本集定位：Ep 17 教你采到谱图，本集教你"把谱图变好看、变可用"。Ep 19、Ep 20 则是基于处理好的谱图做定性定量分析。

一、为什么需要谱图处理？

理想情况下，FTIR 谱图应该是干净的钟形峰、平直基线。但现实永远不理想，原始谱图通常有以下问题 [1][2][3]：

1.1 基线倾斜与弯曲

原因 [1][3][4]：

样品散射：颗粒、压片不均匀导致 Rayleigh/Mie 散射
KBr 吸潮：3400、1640 处的水鬼峰会拉低整体基线
CO₂ 干扰：2350 双峰未完全扣除
仪器漂移：光源、检测器温度变化
样品沉积：液池、ATR 晶体残留

典型表现 [1][3]：

吸光度
   ↑
1.5│   ▓▓                 ▓▓▓▓▓ ▓▓   ← 高波数端基线高
1.0│   ▓▓▓               ▓▓▓▓▓▓▓    
0.5│   ▓▓▓▓▓▓▓▓▓      ▓▓▓▓▓▓▓▓▓▓▓  
0.0│────────────────────────────→ ν
   4000  3000  2000  1000  500
            ←─────倾斜─────

图 1：典型基线倾斜谱图（基线左高右低或反之）

1.2 噪声大

原因 [1][2][3]：

扫描次数不足（SNR 差）
检测器噪声（MCT 升温、DTGS 老化）
光源不稳
高分辨率（信号弱）

典型表现 [1][3]：谱图高频抖动，弱峰被噪声淹没

1.3 强度不可比

原因 [1][3]：

不同样品制样量不同（KBr 压片样品量、ATR 接触压力）
不同液池光程不同
不同仪器、不同条件
不同时间测量

典型表现 [1][3]：同一样品两次测量，谱图整体强度差 2 倍

1.4 峰重叠

原因 [1][3]：

复杂样品（多组分混合物）
相近官能团（如不同 C=O）
宽峰掩盖窄峰

典型表现 [1][3]：单一宽峰，看似一个峰实际是两个重叠

二、基线校正

基线校正是谱图处理的第一步，目的是消除非样品吸收的基线漂移 [1][3][5]。

2.1 基线漂移的物理本质

散射模型 [1][3][4]：

$$A_{\text{measured}}(\nu) = A_{\text{sample}}(\nu) + A_{\text{baseline}}(\nu) + A_{\text{noise}}(\nu)$$

其中：

$A_{\text{sample}}(\nu)$：纯样品吸收（想要的部分）
$A_{\text{baseline}}(\nu)$：基线漂移（要扣除的部分）
$A_{\text{noise}}(\nu)$：噪声

基线漂移的两种主要形态 [3][4]：

① 倾斜（Linear Tilt）：
$$A_{\text{baseline}}(\nu) = a \cdot \nu + b$$

原因：宽范围散射（颗粒）、KBr 不均

② 弯曲（Curved）：
$$A_{\text{baseline}}(\nu) = a \cdot \nu^2 + b \cdot \nu + c$$

原因：Mie 散射（颗粒接近波长）、强吸收峰附近折射率变化

2.2 多项式拟合基线校正

方法 [1][3][5]：

在谱图中选取"无峰"区域（基线点）
用多项式拟合这些基线点
从原始谱图减去拟合曲线

多项式阶数选择 [3][5]：

阶数	适用	风险
1（线性）	简单倾斜	处理弯曲过度
2（二次）	倾斜 + 弯曲	中等
3–4	复杂弯曲	可能"挖出"假峰
> 5	不推荐	严重扭曲谱图

表 1：多项式阶数选择指南（综合 [3][5]）

手动选基线点的技巧 [3][5]：

选无明显吸收峰的区域（如 2200–2500 cm⁻¹ 通常无峰）
至少 5–10 个点，覆盖全谱
避开 CO₂（2350）、水蒸气（3400、1640）区域

2.3 Rubber Band 算法

Rubber Band（橡皮筋）算法是 Bruker OPUS 的默认基线校正方法 [5][6]：

原理 [5][6]：

找出谱图的"凸包"（convex hull）
用一条"橡皮筋"从下面拉紧谱图
橡皮筋自动贴到最低点
橡皮筋曲线即为基线

优点 [5][6]：

自动化，无需手动选点
适合复杂弯曲基线
对峰形影响小

缺点 [5][6]：

对宽峰（如 O-H 3400）可能误判为基线
需要设置"Rubber Band 阈值"参数

2.4 其他基线校正方法

① Asymmetric Least Squares (ALS) [5][7]

现代基线校正算法
对宽峰不敏感
适合复杂谱图

② ModPoly [5]

迭代多项式拟合
自动剔除峰，只保留基线

③ Polygonal Baseline [3]

多边形基线（手动选点）
灵活但主观

2.5 基线校正的"陷阱"

陷阱 1：过度校正 [1][3][5]

多项式阶数过高 → 拟合到峰顶，"切掉"峰强度
表现：峰变窄、变矮，定量失真

陷阱 2：误判宽峰为基线 [5]

宽峰（如 O-H 3400、N-H 3300）可能被 Rubber Band 误认为基线
解决：手动选点时避开宽峰区域

陷阱 3：CO₂ 峰未先扣除 [1][3]

2350 双峰尖锐，会被多项式"挖出"假峰
解决：先用 CO₂ 扣除功能

⚠️ 基线校正金科玉律：先看原始谱图，理解基线形态再校正。不要"一键应用"算法 [1][3]。

三、平滑

平滑（Smoothing）目的是降低高频噪声，提高 SNR [1][2][3]。

3.1 平滑的数学本质

滑动平均（最简单的平滑）[3]：

$$A'(\nu_i) = \frac{1}{2m+1} \sum_{j=-m}^{m} A(\nu_{i+j})$$

其中 $2m+1$ 是窗口宽度。例如 $m=2$ 时，每个点用前后 2 个点（共 5 个点）平均 [3]。

问题 [3]：

平滑 = 低通滤波
噪声（高频）被去除
但窄峰（也是高频！）也会被"平滑掉"
窄峰变宽、变矮

3.2 Savitzky-Golay 滤波

Savitzky-Golay 滤波（SG 滤波）是红外光谱最常用的平滑方法，由 Savitzky 和 Golay 于 1964 年提出 [3][8][9]。

原理 [3][8][9]：

在窗口内拟合多项式
取多项式中点值作为平滑后值
兼顾平滑和保形

两个核心参数 [3][8][9]：

① 窗口宽度（Window Size）：

奇数：5、7、9、11、13...
太小（5）：平滑效果有限
太大（> 15）：峰被严重扭曲
推荐：9 或 11

② 多项式阶数（Polynomial Order）：

2（二次）：默认推荐
3–4：保形更好，但平滑效果差
推荐：2 或 3

SG 滤波公式 [3][8]：

$$A'(\nu_i) = \sum_{j=-m}^{m} c_j \cdot A(\nu_{i+j})$$

其中 $c_j$ 是 SG 卷积系数，由多项式阶数和窗口宽度决定 [3][8]。

3.3 平滑效果对比

原始谱图（高噪声）：

吸光度
0.5│   ··  ··  ···  ··  ···  ··  ← 噪声大
0.3│   ··  ··  ···  ··  ···  ··  
0.1│   ··  ··  ···  ··  ···  ··  
0.0│────────────────────────────→ ν

SG 平滑后（窗口 9，阶数 2）：

吸光度
0.5│      ▓▓       ▓▓▓           
0.3│   ▓▓  ▓▓  ▓▓  ▓▓▓  ▓▓▓     
0.1│   ▓▓  ▓▓  ▓▓  ▓▓▓  ▓▓▓     
0.0│────────────────────────────→ ν
   ← 噪声大幅降低，峰形保留 →

过度平滑（窗口 21，阶数 2）：

吸光度
0.5│        ▓                    
0.3│        ▓▓   ▓              
0.1│   ▓▓▓▓▓▓▓▓▓▓▓▓▓▓           
0.0│────────────────────────────→ ν
   ← 峰变矮变宽，小峰消失 →

图 2：不同平滑参数下的谱图对比

3.4 平滑的风险：制造"假峰"

Sinc 振荡（Gibbs 现象） [3][5]：

在强峰边缘，过度平滑会产生振荡"鬼影"
看起来像真实的小峰，实际是数学伪迹

判定方法 [3][5]：

真实峰：位置稳定，宽度合理
假峰：位置在强峰边缘 ±20 cm⁻¹，宽度异常窄

对策 [3][5]：

不要过度平滑（窗口 < 15）
平滑前后对比，确认峰位不变
用 SG 阶数 ≥ 2 避免过度变形

3.5 替代方案：增加扫描次数

重要原则 [1][3]：平滑是"事后补救"，不如"事前预防"。如果谱图 SNR 差，优先增加扫描次数而非过度平滑。

方法	SNR 提升	时间成本	数据真实性
扫描次数 16 → 64	2 倍	+24 秒	真实
SG 平滑（窗口 9）	~1.5 倍	0	较真实
SG 平滑（窗口 15）	~2 倍	0	可能失真

表 2：SNR 改善方法对比（综合 [1][3]）

💡 专业建议：扫描次数加到 SNR > 1000:1 后再考虑平滑。SNR 已经足够时，不要为了"美观"而平滑 [1][3]。

四、归一化

归一化（Normalization）目的是让谱图"可比较"——不同样品、不同时间、不同条件下的谱图，可以通过归一化消除强度差异 [1][3]。

4.1 最大值归一化

方法 [3][5]：

找到谱图最强峰的吸光度 $A_{\text{max}}$
所有数据点除以 $A_{\text{max}}$

$$A'(\nu) = \frac{A(\nu)}{A_{\text{max}}}$$

优点 [3]：

简单
视觉对比方便

缺点 [3]：

强峰可能不是有意义的参考峰
不同样品的"最强峰"可能不同，归一化基准不一致

4.2 峰面积归一化

方法 [3][5]：

计算谱图总积分面积
$$S = \int A(\nu) \, d\nu$$
所有数据点除以 $S$
$$A'(\nu) = \frac{A(\nu)}{S}$$

优点 [3]：

不受单一峰强度波动影响
适合多组分对比

缺点 [3]：

受基线影响大（基线高，面积虚高）
需先做基线校正

4.3 内标归一化

方法 [3][5]：

加入已知量内标物（如 KSCN 在 2050 cm⁻¹）
用内标峰强度归一化
$$A'(\nu) = \frac{A(\nu)}{A_{\text{standard}}}$$

优点 [3][5]：

定量分析的黄金标准
消除制样误差（如 KBr 压片厚度）

缺点 [3]：

需要内标物
内标峰不能与样品峰重叠

4.4 ATR 校正（归一化的一种）

ATR 校正本质是一种与波数相关的归一化，目的是消除 ATR 谱图与透射谱图的形态差异 [3][5][10]。

原理 [3][10]：

ATR 谱图中峰强与穿透深度 $d_p \propto \lambda \propto 1/\nu$ 成正比：

$$A_{\text{ATR}}(\nu) \propto \frac{1}{\nu}$$

校正公式 [3][10]：

$$A_{\text{corrected}}(\nu) = A_{\text{ATR}}(\nu) \cdot \nu \cdot \frac{\nu_{\text{ref}}}{\nu_{\text{ref}}} = A_{\text{ATR}}(\nu) \cdot \nu$$

实际算法还包括折射率校正（消除反常色散导致的峰位偏移）[3][10]。

校正效果 [3][10]：

波数（cm⁻¹）	校正前 ATR/透射	校正后 ATR/透射
3082（高波数）	0.50	0.95
1740（C=O）	0.71	0.97
1493（中波数）	1.00	1.02
1028（指纹区）	1.40	1.04
698（低波数）	2.19	1.05

表 3：ATR 校正前后与透射谱图强度比（参考 [3][10] 聚苯乙烯数据）

校正后所有峰强度比接近 1.0，与透射谱图基本一致 [3][10]。

🔗 延伸：聚苯乙烯和烷基 C-H 详细峰位见 ftir.fun 烷基 C-H 官能团页。

4.5 归一化的应用场景

场景	推荐归一化方法
视觉对比不同样品	最大值归一化
多组分分析	峰面积归一化
KBr 压片定量	内标归一化（KSCN）
ATR vs 透射对比	ATR 校正
时间序列监测	内标或固定参数

表 4：归一化方法应用场景（综合 [1][3][5]）

五、求导

求导（Derivative）是分辨重叠峰的利器 [1][3][11]。

5.1 一阶导数谱图

一阶导数 [3][11]：

$$D_1(\nu) = \frac{dA(\nu)}{d\nu}$$

性质 [3][11]：

原谱图中的峰 → 一阶导数中的"零交叉点"
原谱图中的"肩" → 一阶导数中的"峰"
一阶导数在原峰位处过零，左侧最大正值、右侧最大负值

优势 [3][11]：

完全消除常数基线
消除线性倾斜基线
增强"肩峰"可见度

应用 [3][11]：

寻找隐藏峰
精确确定峰位（零交叉点）

5.2 二阶导数谱图

二阶导数 [3][11]：

$$D_2(\nu) = \frac{d^2A(\nu)}{d\nu^2}$$

性质 [3][11]：

原谱图中的峰 → 二阶导数中的"负峰"
原谱图中的重叠峰 → 二阶导数中分离的多个负峰
比一阶导数更敏感于峰形变化

优势 [3][11]：

分辨重叠峰：宽峰下的窄峰能"露出来"
消除基线和线性倾斜（更彻底）
增强"肩峰"识别

实例：蛋白质酰胺Ⅰ带分析 [11][12]

1650–1700 cm⁻¹ 重叠多个二级结构峰（α-helix、β-sheet、turn）
原谱图：一个宽峰，看不清细节
二阶导数：分离出多个负峰，对应不同二级结构

5.3 Savitzky-Golay 求导

直接数值求导会放大噪声 [3][11]。Savitzky-Golay 求导结合了平滑与求导：

原理 [3][8][11]：

在窗口内拟合多项式
直接对多项式求导
既平滑又求导，SNR 友好

参数 [3][11]：

窗口宽度：9–15
多项式阶数：2–4
导数阶数：1 或 2

5.4 求导的风险

① 噪声放大 [3][11]

导数对高频噪声敏感
必须 SG 求导，不能直接数值求导

② 假峰 [3][11]

在原峰边缘会出现"导数振荡"
形似小峰，实为数学伪迹
对策：对比一阶和二阶导数，识别真实峰

③ 强度解释困难 [3][11]

导数峰强度不直接对应原峰强度
不能用导数峰高做定量（峰高比可能颠倒）

⚠️ 求导金科玉律：求导是"识别工具"而非"定量工具"。用于找峰，不用于定量 [3][11]。

六、其他常用处理

6.1 CO₂ 扣除

2350 cm⁻¹ CO₂ 双峰常因背景与样品采集时 CO₂ 浓度变化而残留 [1][3]。

扣除方法 [3]：

软件"CO₂ Removal"功能
用 2350 附近数据拟合 CO₂ 标准谱图，扣除残差
同时扣除 667 cm⁻¹ 附近的 CO₂ 弯曲峰

6.2 水蒸气扣除

类似 CO₂ 扣除 [1][3]：

软件拟合水蒸气标准谱图
扣除 3400、1640 等多处水峰残差
适合 KBr 吸潮或环境湿度变化

6.3 截断

截断（Truncation）：去除谱图两端噪声大的数据 [3]：

如 4000–400 cm⁻¹ 截为 3800–450 cm⁻¹
去除边界处的鬼影

6.4 峰检测

峰检测算法 [3][11]：

阈值法（吸光度 > 某值算峰）
二阶导数法（D2 极小值点）
曲率法

输出：峰位、峰高、峰面积、半峰宽

七、处理流程：从原始到成品

7.1 标准处理流程

原始谱图
   │
   ▼
1. 检查谱图质量
   │ SNR > 1000:1?
   │ 主峰 0.3–1.5?
   │ 水鬼峰 < 0.05?
   │ CO₂ 峰 < 0.05?
   │
   ├─ 不合格 → 重新采谱（增扫描、改参数）
   │
   ▼ 合格
2. 数据导出（原始数据另存）
   │
   ▼
3. CO₂ 扣除（如有残留）
   │
   ▼
4. 水蒸气扣除（如有残留）
   │
   ▼
5. 基线校正
   │ 选算法（多项式 / Rubber band / ALS）
   │ 选基线点（手动选或自动）
   │ 应用并检查峰形
   │
   ▼
6. 平滑（如必要）
   │ SG 窗口 9–11，阶数 2
   │ 应用并对比峰位
   │
   ▼
7. ATR 校正（如 ATR 数据）
   │
   ▼
8. 归一化（如对比需要）
   │ 最大值 / 峰面积 / 内标
   │
   ▼
9. 求导（如需辨重叠峰）
   │ SG 二阶导数
   │
   ▼
10. 保存处理参数（与原始数据一起存）
    │
    ▼
处理完成

图 3：标准谱图处理流程图（综合 [1][3][5]）

7.2 处理前的"诚实性"原则

关键原则 [1][3]：

永远保留原始数据（不要覆盖原始文件）
处理参数应可追溯（保存处理历史）
避免"为了好看而处理"（处理应基于分析需求）
导出处理参数（让别人能复现）

7.3 处理后的"诚实性"检查

检验处理是否合理 [1][3][5]：

对比处理前后谱图，峰位是否一致
处理后峰宽是否合理（不要异常窄）
是否出现"新峰"（处理引入的假峰）
二阶导数图是否合理（无过多振荡）

⚠️ 不诚实处理警示：在论文或报告中展示谱图时，必须说明处理参数和原始数据获取方式。隐藏处理步骤是不科学行为 [1][3]。

八、典型处理案例

案例 A：聚合物 KBr 压片谱图处理

原始谱图问题 [1][3]：

基线倾斜（高波数高、低波数低）
3400 水峰
2350 CO₂ 双峰
噪声中等（SNR ≈ 500:1）

处理步骤 [1][3]：

检查原始谱图 → 主峰 0.8、SNR 500 → 可用但需处理
CO₂ 扣除 → 2350 双峰消失
水蒸气扣除 → 3400、1640 减弱
基线校正（Rubber Band）→ 基线变平
SG 平滑（窗口 9，阶数 2）→ SNR 提升到 1500:1
ATR 校正 → 无需（透射数据）
最大值归一化 → 主峰归一为 1.0

结果：清晰、可比的谱图，可用于定性鉴别和库检索

案例 B：ATR 蛋白质谱图处理

原始谱图问题 [3][11]：

酰胺Ⅰ带（1600–1700）一个宽峰，看不清二级结构
水溶液背景，水峰干扰严重
ATR 数据，形态与透射库有差异

处理步骤 [3][11]：

水扣除（用纯水背景）→ 水峰减弱
基线校正（手动选点，避开酰胺峰）
SG 平滑（窗口 11，阶数 3）→ SNR 提升
ATR 校正 → 形态与透射库一致
SG 二阶导数（窗口 11，阶数 3，二阶）→ 酰胺Ⅰ带分离出多个负峰

结果：分离出 α-helix（1656）、β-sheet（1632、1685）、turn（1670）等峰 [11][12]

案例 C：定量分析谱图处理

目标：定量测定 KBr 压片中某组分含量

处理要点 [1][3][5]：

不做平滑（避免峰高失真）
不做归一化（除内标归一化）
基线校正：手动选基线点，多项式阶数 2
峰面积计算：在固定积分区间（如 1750–1700 cm⁻¹）内
内标峰面积：用于消除压片厚度误差

关键 [5]：定量分析必须严格固定处理流程，每次相同参数。任何变化都影响定量结果。

九、过度处理的警示

9.1 "假峰"的诞生

案例：新手对一张 SNR 差的谱图连续应用：

强力平滑（窗口 25）
多项式基线（阶数 6）
二阶导数

结果 [3][5]：

谱图看起来"很干净"
但出现了原本不存在的小峰
这些小峰是数学伪迹（artifact）

判定方法 [3][5]：

用更高质量数据复测
真实峰会重复出现
假峰会因处理参数变化而"漂移"

9.2 "美颜"的代价

谱图处理类似于"美颜相机" [1][3]：

适度处理 → 谱图清晰可读
过度处理 → 看着漂亮但失真

过度处理的常见症状 [1][3][5]：

峰变窄异常（半峰宽 < 5 cm⁻¹）
出现"小尖峰"（可能是 sinc 振荡）
基线"挖坑"（多项式阶数过高）
二阶导数图"全是峰"（噪声放大）

9.3 处理"减法"

与其"加减"处理，不如"减法"操作 [1][3]：

减法原则：

与其加平滑，不如增加扫描次数
与其基线校正高阶，不如重采背景
与其归一化，不如内标
与其导数辨峰，不如换更高分辨率

优先级 [1][3]：

改进测量（参数、制样）→ 第一选择
必要的最小处理（基线、平滑）→ 第二选择
高级处理（求导、归一化）→ 仅在必要时

十、软件工具对比

10.1 商业软件

① Thermo OMNIC [1][4]

内置基线、平滑、归一化、ATR 校正
简单易用，可视化好
适合常规分析

② Bruker OPUS [5][6]

Rubber Band 算法
强大的求导功能
自动峰检测

③ PerkinElmer Spectrum

类似 OMNIC
适合 PerkinElmer 用户

④ Thermo TQ Analyst

专为定量分析设计
支持多元统计

10.2 开源工具

① Python（NumPy + SciPy） [3]

完全可控
适合研究、自定义算法
学习曲线陡

示例代码：

import numpy as np
from scipy.signal import savgol_filter

# Savitzky-Golay 平滑
smoothed = savgol_filter(spectrum, window_length=9, polyorder=2)

# 二阶导数
d2 = savgol_filter(spectrum, window_length=11, polyorder=3, deriv=2)

② R（hyperSpec 包）

统计分析强
适合化学计量学

③ GNU Octave

MATLAB 替代品
免费

④ Orange3

可视化编程
适合非程序员

配图（本集关键示意）

📷 图 4：谱图处理流水线

来源：ftir.fun 教学示意图（带水印；非实测谱，仅供理解概念）

📷 图 5：库检索概念

来源：ftir.fun 教学示意图（带水印；非实测谱，仅供理解概念）

📷 图 6：朗伯-比尔定量示意

来源：ftir.fun 教学示意图（带水印；非实测谱，仅供理解概念）

本集小结

核心知识点	要点
谱图处理目标	去噪、去形、归一、辨峰
基线漂移原因	散射、KBr 吸潮、CO₂、仪器漂移
多项式基线	阶数 2–4，过高会"挖出"假峰
Rubber Band	自动化，对宽峰误判风险
ALS	现代算法，对宽峰不敏感
平滑本质	低通滤波，可能扭曲窄峰
Savitzky-Golay	红外标准平滑，窗口 9–11，阶数 2
归一化方法	最大值、峰面积、内标、ATR 校正
ATR 校正	乘以波数因子，与透射谱图一致
一阶导数	找峰位，消除线性基线
二阶导数	辨重叠峰，消除弯曲基线
处理流程	检查→CO₂扣除→水扣除→基线→平滑→ATR校正→归一化→求导
诚实性原则	保留原始数据，记录处理参数
过度处理风险	制造假峰、峰形失真、定量不准
优先级	改进测量 > 最小处理 > 高级处理

思考题

你拿到一张 SNR = 200:1 的谱图，主峰清晰可见，但小峰被噪声淹没。请设计一个处理流程，提高 SNR 同时不扭曲峰形。如果改用仪器操作改善，应优先做什么？
同一聚苯乙烯样品的 ATR 谱图中 698 cm⁻¹ 峰比 3082 cm⁻¹ 峰强得多。请写出 ATR 校正的数学公式，并说明为什么校正后两者强度会接近透射谱图。
你怀疑某个谱图中 1700 cm⁻¹ 的"单一峰"实际是两个重叠峰。请设计一个验证流程，使用二阶导数法辨峰。如何区分真实峰和数学伪迹？
一个定量分析任务，需要测量 1740 cm⁻¹ 的 C=O 峰强度。请说明为什么不应在定量前做平滑和峰面积归一化？应如何处理谱图？
用 Python 写一段代码，对一份 CSV 格式的红外谱图（两列：波数、吸光度）依次完成：基线校正（线性）、Savitzky-Golay 平滑（窗口 9，阶数 2）、最大值归一化。请说明每一步的原理。

参考文献

[1] Griffiths P R, de Haseth J A. Fourier Transform Infrared Spectrometry. 2nd ed. Wiley, 2007. Chapter 9–10. ISBN: 978-0-471-19404-0.

[2] Smith B C. Quantitative Spectroscopy: Theory and Practice. Elsevier, 2002. ISBN: 978-0444511246.

[3] Smith B C. Fundamentals of Fourier Transform Infrared Spectroscopy. 2nd ed. CRC Press, 2011. Chapter 7–8. ISBN: 978-1420069297.

[4] Korte E H, Schrader B. Infrared and Raman Spectroscopy: Methods and Applications. VCH, 1995. Chapter 6.

[5] Bruker Optics. "OPUS Spectroscopy Software: Spectral Processing Manual."
https://www.bruker.com/en/pro…

[6] Liland K H, Rukke E H, Olsen E F, et al. "Customized Baseline Correction." Applied Spectroscopy, 2011, 65(8): 907–915. DOI:10.1366/10-06124.

[7] Eilers P H C, Boelens H F M. "Baseline Correction with Asymmetric Least Squares Smoothing." Leiden University Medical Centre Report, 2005.

[8] Savitzky A, Golay M J E. "Smoothing and Differentiation of Data by Simplified Least Squares Procedures." Analytical Chemistry, 1964, 36(8): 1627–1639. DOI:10.1021/ac60214a047.

[9] Steinier J, Termonia Y, Deltour J. "Smoothing and Differentiation of Data by Simplified Least Squares Procedure." Analytical Chemistry, 1972, 44(11): 1906–1909. DOI:10.1021/ac60319a045.

[10] Thermo Fisher Scientific. "ATR Correction Algorithm." Nicolet FTIR Application Note AN-011.
https://www.thermofisher.com/…

[11] Olinger J M, Griffiths P R. "Quantitative Effects of Finite Bandwidth on the Resolution and Shape of Infrared Bands." Analytical Chemistry, 1990, 62(8): 821–825. DOI:10.1021/ac00207a007.

[12] Byler D M, Susi H. "Examination of the Secondary Structure of Proteins by Deconvolved FTIR Spectra." Biopolymers, 1986, 25(3): 469–487. DOI:10.1002/bip.360250307.

[13] ftir.fun. "红外官能团数据库."
https://ftir.fun/ir/group/alk…

下一集预告：Ep 19 — 定性分析入门：库检索与匹配
我们将进入红外光谱分析的核心环节——定性分析。讲解商业谱库（Sadtler、Aldrich、Hummel）的构成，主流检索算法（相关系数、绝对差值、第一导数匹配），HQI 值的含义，混合物检索策略，以及自建库的意义与方法。同时强调"不能完全依赖库检索"的误判风险。

本文使用 CC BY-NC-SA 4.0 许可。配图来自公开领域或已标注来源的网络资源，版权归原作者所有。

Ep 18 — 谱图处理基础：基线校正、平滑、归一化

引子：一张"丑陋"的谱图引发的思考

一、为什么需要谱图处理？

1.1 基线倾斜与弯曲

1.2 噪声大

1.3 强度不可比

1.4 峰重叠

二、基线校正

2.1 基线漂移的物理本质

2.2 多项式拟合基线校正

2.3 Rubber Band 算法

2.4 其他基线校正方法

2.5 基线校正的"陷阱"

三、平滑

3.1 平滑的数学本质

3.2 Savitzky-Golay 滤波

3.3 平滑效果对比

3.4 平滑的风险：制造"假峰"

3.5 替代方案：增加扫描次数

四、归一化

4.1 最大值归一化

4.2 峰面积归一化

4.3 内标归一化

4.4 ATR 校正（归一化的一种）

4.5 归一化的应用场景

五、求导

5.1 一阶导数谱图

5.2 二阶导数谱图

5.3 Savitzky-Golay 求导

5.4 求导的风险

六、其他常用处理

6.1 CO₂ 扣除

6.2 水蒸气扣除

6.3 截断

6.4 峰检测

七、处理流程：从原始到成品

7.1 标准处理流程

7.2 处理前的"诚实性"原则

7.3 处理后的"诚实性"检查

八、典型处理案例

案例 A：聚合物 KBr 压片谱图处理

案例 B：ATR 蛋白质谱图处理

案例 C：定量分析谱图处理

九、过度处理的警示

9.1 "假峰"的诞生

9.2 "美颜"的代价

9.3 处理"减法"

十、软件工具对比

10.1 商业软件

10.2 开源工具

配图（本集关键示意）

本集小结

思考题

参考文献

Support en ligne

Essai gratuit de 7 jours

Compte créé !