Ep 54 — 开源工具篇（下）：HyperSpy、Orange-Spectroscopy

系列：红外光谱百科：从原理到实战
篇章：第五篇 · 仪器与工具篇 — 开源生态（Ep 46–55 后段）
适合人群：希望提升数据处理效率的技术人员、显微红外 / FPA 成像数据用户、化学计量学爱好者、零编程需求的分析人员
前置知识：Ep 18（谱图处理）、Ep 19（库检索）、Ep 20（定量分析）、Ep 53（开源工具上篇）
阅读时间：约 45 分钟

引子：一张"4 GB"的 FPA 成像数据

某材料实验室的小王用 Bruker Hyperion 3000 + 64×64 FPA 探测器扫了一张聚合物共混膜的显微红外成像图。导出数据后，文件大小 4 GB——4096 张谱图，每张 4000–900 cm⁻¹、1769 个数据点。OPUS 软件能打开，但每次操作都要等 30 秒。她想做的分析很复杂：

画出 1740 cm⁻¹（聚酯 C=O）的化学成像；
用 PCA 分解出 3 个纯组分光谱；
对每个像素的谱图做曲线拟合，定量聚酯 / 聚酰胺比例；
把结果可视化叠加在样品光学照片上。

OPUS 自带功能只能勉强完成第 1 步。导师推荐她用 HyperSpy——多维光谱数据分析的开源标杆。一周后，小王用 HyperSpy 完成了全部 4 步分析，并把代码做成可复用工作流，后续每张成像数据 5 分钟内出结果 [1]。

"对于多维光谱数据（成像、时间序列、深度扫描），HyperSpy 是非常有用的开源工具。它把'数据立方体'当作一等公民来处理。"
—— 改编自 Microscopy & Microanalysis 2022 评测 [1]

本集将系统评析四款开源光谱工具：HyperSpy（多维光谱成像分析标杆）、Orange-Spectroscopy（拖拽式可视化工作流）、SpectraKit（轻量级核心操作）、NIRS4ALL（深度学习 + PLS 统一框架）。每款都配有 GitHub 链接、star 数、实操代码。

💡 本集定位：Ep 53 讲通用框架，Ep 54 转向"专精"工具：HyperSpy 专攻多维成像，Orange 专攻零编程工作流。两者互补，构成完整的开源光谱工具生态。

一、HyperSpy：多维光谱成像分析标杆

1.1 项目概览

HyperSpy 是一个开源 Python 库，专攻多维光谱数据分析，在电子显微谱学与多维谱分析中广泛使用；用于 FTIR FPA 时需自行适配数据格式与红外专用预处理 [1][2][3]。

GitHub：https://github.com/hyperspy/h…
文档：https://hyperspy.org/
Star 数：约 560+（访问时请以 GitHub 页面为准；“光谱类最高”不宜绝对化）
License：GPL-3.0
首次发布：2011 年
Python 版本：3.9+
背后机构：英国 Diamond Light Source、法国 ICMCB 等

图 1：HyperSpy GitHub 主页（来源：https://github.com/hyperspy/h…

1.2 核心数据结构：Signal

HyperSpy 的核心是 Signal 类——一个 N 维数据容器，把"导航轴"和"信号轴"区分开 [2][3]：

import hyperspy.api as hs

# 加载 FPA 成像数据（64×64 像素 × 1769 波数）
s = hs.load('polymer_blend.hyspermap')

# 检查数据维度
print(s)
# <Signal2D, title: , dimensions: (64, 64|1769)>
#                    ↑导航轴↑      ↑信号轴↑

(64, 64|1769) 的含义 [2]：

导航轴（navigation axes）：64×64 个空间像素；
信号轴（signal axis）：每个像素的 1769 个波数点。

这种"导航 vs 信号"的区分是 HyperSpy 的核心创新，让多维数据操作变得直观 [2][3]：

# 取一个像素的谱图
s.inav[10, 20].plot()  # 第 (10, 20) 像素的谱图

# 取一个波数的化学成像
s.isig[1740.0].plot()  # 1740 cm⁻¹ 处的化学成像（T demeanor）

# 取一个矩形区域
s.inav[10:20, 30:40].plot()  # 该矩形区域平均谱图

1.3 全流程覆盖

HyperSpy 覆盖多维光谱分析的完整流程 [2][3]：

加载 → 预处理 → 分解（PCA/ICA）→ 拟合 → 可视化 → 导出
 │       │          │              │        │        │
 │       │          │              │        │        └ HDF5, npy, TIFF
 │       │          │              │        └ plot, plot_images, plot_spectra
 │       │          │              └ 多峰拟合, model fitting
 │       │          └ PCA, ICA, VCA, NMF, BSS
 │       └ 基线校正（pybaselines 集成）, 平滑, 归一化
 └ 多格式（HSPY, HDF5, Bruker, Thermo, EDAX, etc.）

1.4 实操：FPA 成像数据立方体处理

下面用一个完整示例展示 HyperSpy 处理 FPA 成像数据的流程 [1][2][3]：

import hyperspy.api as hs
import numpy as np

# ========== 1. 加载数据 ==========
s = hs.load('polymer_blend.hyspermap')
print(s)  # (64, 64|1769)

# 设置信号轴为波数
s.axes_manager.signal_axes[0].offset = 900
s.axes_manager.signal_axes[0].scale = 0.25  # 0.25 cm⁻¹/点
s.axes_manager.signal_axes[0].units = 'cm⁻¹'
s.axes_manager.signal_axes[0].name = 'Wavenumber'

# 设置导航轴
s.axes_manager.navigation_axes[0].units = 'μm'
s.axes_manager.navigation_axes[0].scale = 5.5  # 5.5 μm/像素
s.axes_manager.navigation_axes[0].name = 'X'
s.axes_manager.navigation_axes[1].units = 'μm'
s.axes_manager.navigation_axes[1].scale = 5.5
s.axes_manager.navigation_axes[1].name = 'Y'

# ========== 2. 预处理 ==========

# 2.1 截取感兴趣区域（1800-900 cm⁻¹）
s_cut = s.isig[1800.0:900.0]

# 2.2 基线校正（用 pybaselines）
from pybaselines.whittaker import arpls

def baseline_pixel(y):
    return arpls(y, lam=1e7)[0]

# 对每个像素做基线校正
s_bc = s_cut.map(baseline_pixel, inplace=False, ragged=False)

# 2.3 归一化（每个像素独立）
s_norm = s_bc / s_bc.max(axis=-1)  # 按信号轴归一化

# ========== 3. PCA 分解 ==========

# 3.1 PCA
s_norm.decomposition()
s_norm.plot_explained_variance_ratio()

# 3.2 取前 3 个主成分
sc = s_norm.get_decomposition_model(3)
sc.plot()

# 3.3 ICA 反卷积（BSS）
s_bss = s_norm.blind_source_separation(3)
s_bss.plot()

# ========== 4. 化学成像 ==========

# 4.1 1740 cm⁻¹（聚酯 C=O）化学成像
s_norm.isig[1740.0].plot(cmap='viridis', colorbar=True,
                         title='Polyester distribution (1740 cm⁻¹)')

# 4.2 1630 cm⁻¹（聚酰胺酰胺I）化学成像
s_norm.isig[1630.0].plot(cmap='plasma', colorbar=True,
                         title='Polyamide distribution (1630 cm⁻¹)')

# ========== 5. 多峰拟合（每个像素的定量）==========

# 创建模型
m = s_norm.create_model()

# 添加 3 个 Gaussian 峰
m.append(hs.model.components1D.GaussianHFWHM(center=1740, fwhm=20))
m.append(hs.model.components1D.GaussianHFWHM(center=1630, fwhm=25))
m.append(hs.model.components1D.GaussianHFWHM(center=1540, fwhm=25))

# 拟合所有像素
m.multifit()

# 提取每个组分的强度图
polyester_map = m.components.GaussianHFWHM.A.map
polyamide1_map = m.components.GaussianHFWHM_0.A.map
polyamide2_map = m.components.GaussianHFWHM_1.A.map

# 计算聚酯/聚酰胺比例
ratio_map = polyester_map / (polyamide1_map + polyamide2_map)
hs.signals.Signal2D(ratio_map).plot(cmap='RdYlBu',
    title='Polyester / Polyamide ratio')

1.5 HyperSpyUI：图形界面

HyperSpy 还提供图形界面 HyperSpyUI，让不熟悉 Python 的用户也能用 HyperSpy 的核心功能 [2]：

加载、可视化多维数据；
基本预处理（平滑、求导、基线）；
PCA / ICA 分解；
多峰拟合；
导出图像。

图 2：HyperSpyUI 界面（来源：https://github.com/hyperspy/h…

何时用 HyperSpyUI [2]：

不想写代码的快速分析；
探索性数据分析；
教学（让学生先 GUI 后代码）。

1.6 何时选 HyperSpy

适合 [1][2][3]：

显微红外成像（FPA、扫面型）；
时间序列、深度扫描等多维数据；
PCA / ICA / NMF 分解；
多峰拟合（每像素独立拟合）；
与电镜数据整合（同项目族）。

不适合：

单张谱图常规处理（用 SpectroChemPy 更轻量）；
拖拽式工作流（用 Orange）；
大型化学计量学建模（用 scikit-learn 直接）。

二、Orange-Spectroscopy：拖拽式可视化工作流

2.1 项目概览

Orange-Spectroscopy 是 Orange3 数据挖掘框架的光谱插件，由斯洛文尼亚 Ljubljana 大学 Biolab 实验室开发，主打零编程、拖拽式工作流 [4][5]。

GitHub：https://github.com/Quasars/or…
文档：https://orange-spectroscopy.r…
Star 数：~140（截至 2024 年）
License：GPL-3.0
首次发布：2016 年
Python 版本：3.8+

图 3：Orange-Spectroscopy GitHub 主页（来源：https://github.com/Quasars/or…

2.2 核心特色：可视化工作流

Orange 的核心理念是"用图标连线代替写代码" [4][5]。一个完整的光谱分析流程在 Orange 中长这样：

[File]      → [Spectra]   → [Preprocess] → [PCA]    → [Scatter Plot]
   │                            │             │              │
   └→ [Datasets]                └→ [Cut]      └→ [PLS]        └→ [Predictions]
                                └→ [Baseline]
                                └→ [Normalize]

每个方框是一个 widget，连线表示数据流。用户拖拽 widget、连线、调参数，全程不需要写代码 [4]。

图 4：Orange-Spectroscopy 工作流界面（来源：https://orange-spectroscopy.r…

2.3 主要 widget

Orange-Spectroscopy 提供的 widget 分四类 [4][5]：

① 数据 I/O

File：读取 CSV、JCAMP-DX、HDF5、SPC 等格式；
Datasets：内置近红外、红外示例数据集；
Save Data：保存为 CSV、HDF5。

② 预处理

Cut：截取波数区间；
Baseline：基线校正（多项式、Rubber Band、ALS）；
Normalize：归一化（向量、面积、最大值）；
Smooth：SG 平滑；
Derivative：求导；
Scatter Correction：SNV、MSC。

③ 分析

PCA：主成分分析；
PLS：偏最小二乘回归；
K-Means：聚类；
Hierarchical Clustering：层次聚类；
Random Forest：随机森林分类。

④ 可视化

Spectra：谱图叠加；
Scatter Plot：散点图；
Heat Map：热图；
Line Plot：折线图。

2.4 实操：从导入到 PLS 模型

下面用 Orange-Spectroscopy 搭建一个完整的 NIR 建模工作流（GUI 操作步骤）[4][5]：

Step 1 — 加载数据

拖拽 File widget 到画布；
双击，选择 nir_mixture.csv（200 个样品 × 700 波长 + 1 个目标值"protein"）；
输出连接到 Spectra widget 查看谱图。

Step 2 — 预处理

拖拽 Preprocess Spectra widget；
串联操作：Cut (1100-2500 nm) → Scatter Correction (SNV) → Derivative (SG, order=2, window=15)；
输出连接到 Spectra widget 对比处理前后。

Step 3 — PCA 探索

拖拽 PCA widget；
设置 Components = 10；
输出连接到 Scatter Plot，画 PC1 vs PC2 散点图；
着色按"protein"目标值，看是否有趋势。

Step 4 — PLS 建模

拖拽 PLS widget；
设置 Components = 10；
输入：预处理后的谱图 + 目标值"protein"；
输出连接到 Predictions widget 查看预测 vs 实际；
用 Test & Score widget 做 10 折交叉验证，输出 R²、RMSE。

Step 5 — 模型应用

拖拽第二个 File widget 加载新样品；
通过同一个 Preprocess widget 处理（保持参数一致）；
连接到 PLS widget（作为输入）；
Predictions widget 输出预测结果。

整个流程 30 分钟可搭建完成，全程零代码 [4][5]。

2.5 何时选 Orange-Spectroscopy

适合 [4][5]：

零编程用户；
课堂教学（学生 30 分钟上手）；
快速原型分析；
探索性数据分析；
跨学科协作（化学 + 计算机科学 + 业务）；
PLS、PCA 等常规化学计量学。

不适合：

复杂自定义算法（用 HyperSpy / SpectroChemPy）；
多维成像数据（用 HyperSpy）；
深度学习（用 NIRS4ALL）；
GMP 生产环境（无合规认证）。

三、SpectraKit（pyspectrakit）：轻量级核心操作

3.1 项目概览

SpectraKit（又名 pyspectrakit）是 ktubhyam 开发的轻量级光谱分析包，核心依赖仅 NumPy + SciPy，主打"教学原子操作" [2][6]。

GitHub：https://github.com/ktubhyam/s…
Star 数：~50（截至 2024 年）
License：MIT
首次发布：2021 年
Python 版本：3.7+

图 5：SpectraKit GitHub 主页（来源：https://github.com/ktubhyam/s…

3.2 核心特色

① 极简依赖 [6]

# 仅需 NumPy + SciPy
import numpy as np
from scipy import signal

② 原子操作清晰 [6]
每个函数对应一个明确的光谱处理原子操作：

import pyspectrakit as psk

# 1. 加载
wavenumber, absorbance = psk.load('sample.csv')

# 2. 基线校正（线性）
baseline = psk.baseline_linear(absorbance, wavenumber)
corrected = absorbance - baseline

# 3. SG 平滑
smoothed = psk.smooth_sg(corrected, window=9, order=2)

# 4. 一阶导数
d1 = psk.derivative(smoothed, order=1, window=11, polyorder=3)

# 5. 峰检出
peaks, properties = psk.find_peaks(smoothed, height=0.05, prominence=0.02)
print(f"Peaks at: {wavenumber[peaks]} cm⁻¹")

# 6. 峰面积
area = psk.peak_area(smoothed, wavenumber, peak=1740, window=20)
print(f"Peak area at 1740 cm⁻¹: {area}")

③ 适合讲解原子操作 [6]

每个函数的实现都很短（10–30 行）；
适合教学时让学生阅读源码、理解原理；
是从"用工具"到"写工具"的过渡。

3.3 何时选 SpectraKit

适合 [6]：

教学（让学生理解每个操作的原理）；
轻量级任务（不需要复杂框架）；
嵌入到其他系统（依赖少）；
学习如何自己写光谱处理函数。

不适合：

生产环境大规模分析；
多厂商格式读取；
高级化学计量学。

四、NIRS4ALL：传统 PLS 与深度学习的统一框架

4.1 项目概览

NIRS4ALL 由 GBeurier 开发，目标是把 30+ 种光谱变换方法、传统 PLS 与深度学习统一到一个框架 [2][7]。

GitHub：https://github.com/GBeurier/n…
Star 数：~80（截至 2024 年）
License：MIT
首次发布：2019 年
Python 版本：3.7+

图 6：NIRS4ALL GitHub 主页（来源：https://github.com/GBeurier/n…

4.2 核心特色

① 30+ 种光谱变换 [7]
NIRS4ALL 内置的光谱变换方法：

基础：log、inverse、平方根；
归一化：SNV、MSC、面积归一化、最大值归一化；
求导：一阶、二阶、SG 导数；
基线：多项式、ALS；
散射校正：SNV、MSC、Detrend；
小波：连续小波变换；
特征选择：CARS、VIP、SPA。

② 传统 PLS 与深度学习统一 API [7]

from nirs4all import Pipeline
from nirs4all.models import PLSR, CNN, LSTM, Transformer
from nirs4all.transforms import SNV, SG_Derivative, ALS

# 定义流程（传统 PLS）
pipeline_pls = Pipeline([
    ('snv', SNV()),
    ('derivative', SG_Derivative(window=15, order=2)),
    ('pls', PLSR(n_components=10))
])

# 同一 API，换成 CNN
pipeline_cnn = Pipeline([
    ('snv', SNV()),
    ('derivative', SG_Derivative(window=15, order=2)),
    ('cnn', CNN(n_filters=16, kernel_size=5, epochs=100))
])

# 训练
pipeline_pls.fit(X_train, y_train)
pipeline_cnn.fit(X_train, y_train)

# 预测
y_pred_pls = pipeline_pls.predict(X_test)
y_pred_cnn = pipeline_cnn.predict(X_test)

③ 深度学习适合大数据集 [7]

当样品数 > 10,000 时，深度学习开始超越 PLS；
NIRS4ALL 提供端到端流程：预处理 → 模型 → 评估；
内置 PyTorch 后端。

4.3 何时选 NIRS4ALL

适合 [7]：

大型数据集（数千–万样品）；
深度学习建模；
系统对比传统方法 vs 深度学习；
想用统一 API 尝试多种模型。

不适合：

小数据集（深度学习易过拟合）；
简单分析任务（用 Orange 或 spectrapepper）；
多维成像数据。

五、四款工具对比

5.1 功能矩阵

维度	HyperSpy	Orange-Spectroscopy	SpectraKit	NIRS4ALL
Star 数	~560	~140	~50	~80
定位	多维成像	拖拽工作流	教学/轻量	深度学习
编程需求	Python	零代码	Python	Python
多维数据	⭐⭐⭐⭐⭐	⭐⭐	⭐	⭐⭐
预处理	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐	⭐⭐⭐⭐⭐（30+）
机器学习	PCA/ICA	PLS/PCA/RF	无	PLS/CNN/LSTM
GUI	HyperSpyUI	主打 GUI	无	无
教学价值	中（多维）	高（零代码）	极高（原子操作）	中
生产环境	适合	适合（快速原型）	适合（嵌入式）	适合（大数据）

表 1：四款开源光谱工具对比

5.2 选型决策树

你的需求是什么？
   │
   ├─ 显微红外 / FPA 成像数据
   │   └─ HyperSpy
   │
   ├─ 零编程 / 教学 / 快速原型
   │   └─ Orange-Spectroscopy
   │
   ├─ 教学 / 理解原子操作
   │   └─ SpectraKit
   │
   ├─ 大数据集 / 深度学习
   │   └─ NIRS4ALL
   │
   ├─ 全流程化学光谱（结合上集）
   │   └─ SpectroChemPy（Ep 53）
   │
   ├─ 仅基线校正（结合上集）
   │   └─ pybaselines（Ep 53）
   │
   └─ 跨平台 / 在线查看
       └─ ftir.fun

图 7：开源光谱工具选型决策树（综合 Ep 53 + Ep 54）

5.3 组合使用案例

真实工作流：食品掺假检测，从 FPA 成像到 PLS 模型 [1][4][5]：

# ========== 阶段 1：HyperSpy 处理 FPA 成像 ==========
import hyperspy.api as hs

# 加载成像数据
s = hs.load('food_sample.hyspermap')

# 预处理 + PCA
s.isig[1800.0:900.0]
s.map(lambda y: y - arpls(y, lam=1e7)[0])  # 基线
s.decomposition()
s_bss = s.blind_source_separation(3)  # 3 个纯组分

# 导出 3 个组分光谱为 CSV
for i, comp in enumerate(s_bss):
    comp.save(f'component_{i}.csv')

# ========== 阶段 2：Orange 建模 ==========
# 把 HyperSpy 导出的 CSV 加载到 Orange（GUI 操作）
# - File widget 加载纯组分光谱
# - Preprocess: SNV + 2nd derivative
# - PLS: 建立纯组分 vs 掺假比例的定量模型
# - Test & Score: 10 折交叉验证

# ========== 阶段 3：NIRS4ALL 大数据建模 ==========
# 当样品数 > 10000 时
from nirs4all import Pipeline
from nirs4all.models import CNN
from nirs4all.transforms import SNV, SG_Derivative

pipeline = Pipeline([
    ('snv', SNV()),
    ('derivative', SG_Derivative(window=15, order=2)),
    ('cnn', CNN(n_filters=32, epochs=200))
])
pipeline.fit(X_train_large, y_train_large)

这种"HyperSpy 做组分提取 + Orange 做 PLS + NIRS4ALL 做深度学习"的组合，是现代光谱数据分析的常用做法 [1][5][7]。

六、开源工具的"踩坑"提示

6.1 坑 1：HyperSpy 学习曲线

情境：用户习惯了 OMNIC 的"采谱即看"，接触 HyperSpy 后被 Signal / navigation axis 等概念困惑 [2]。

对策：

先看官方教程（hyperspy.org）；
用 HyperSpyUI 先熟悉概念；
从单张谱图开始（1D Signal），再到成像（2D Signal + 1D navigation）；
不要一上来就处理 64×64 FPA 数据。

6.2 坑 2：Orange 版本兼容

情境：升级 Orange3 后，老工作流无法打开 [4]。

对策：

Orange 工作流（.ows 文件）跨大版本兼容性差；
升级前备份工作流；
关键工作流保留对应的 Orange 版本。

6.3 坑 3：内存爆炸

情境：64×64 FPA 数据立方体加载后内存 8 GB，PCA 时崩溃 [2]。

对策：

# 用 out-of-core 计算
s.decomposition(algorithm='svd', output_dimension=10)

# 或先用 ROI 缩小数据
s_roi = s.inav[10:30, 10:30]  # 20×20 像素
s_roi.decomposition()

6.4 坑 4：模型过拟合（NIRS4ALL）

情境：CNN 在训练集 R²=0.99，测试集 R²=0.3 [7]。

对策：

检查样品数（< 1000 不建议深度学习）；
加强正则化（Dropout、Weight Decay）；
用 K 折交叉验证而非单一 train/test split；
对比 PLS 基线，深度学习必须明显超过才有意义。

6.5 坑 5：Orange 与 HyperSpy 数据互通

情境：从 HyperSpy 导出的 CSV 在 Orange 中加载报错 [4]。

对策：

确保导出格式为标准 CSV（两列：波数、强度）；
不要在 CSV 中带表头注释行；

用 HyperSpy 的 save 而非手动 print：

import numpy as np
data = np.column_stack([wn, y])
np.savetxt('for_orange.csv', data, delimiter=',', header='', comments='')

七、开源光谱工具生态总览

Ep 53 + Ep 54 共介绍 7 款开源光谱工具，下面是生态总览：

工具	Star	主要用途	章节
HyperSpy	~560	多维成像分析	Ep 54
pybaselines	~百级（快照）	基线校正（200+ 算法）	Ep 53
SpectroChemPy	~177	全流程框架	Ep 53
Orange-Spectroscopy	~140	拖拽式工作流	Ep 54
spectrapepper	~100+	入门级	Ep 53
NIRS4ALL	~80	深度学习	Ep 54
SpectraKit	~50	教学轻量级	Ep 54

表 2：开源光谱工具生态总览（Ep 53 + Ep 54）

生态趋势 [1][2]：

多维数据：HyperSpy 主导；
基线校正：pybaselines 主导；
全流程：SpectroChemPy 渐成主流；
零编程：Orange-Spectroscopy 唯一选择；
深度学习：NIRS4ALL 等兴起，但小数据集仍以 PLS 为主；
在线工具：ftir.fun 等中文友好工具填补 Web 端空白。

社区协作 [1]：

多数工具互相集成（如 SpectroChemPy 调用 pybaselines）；
GitHub Issues 是主要支持渠道；
论文发表时引用对应工具论文（如 HyperSpy 的 de la Peña 等 [3]）。

配图（本集关键示意）

📷 图 8：仪器能力对比示意

来源：真实/开源图片 · Project case study — PE spectrum（已加水印 ftir.fun）

📷 图 9：光路/附件概念

来源：真实/开源图片 · Unsplash — chemistry lab（已加水印 ftir.fun）

📷 图 10：软件/数据库工作流

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
HyperSpy	多维光谱成像分析标杆，~560 stars
Signal 数据结构	区分导航轴（空间）与信号轴（光谱）
HyperSpy 强项	FPA 成像、PCA/ICA、多峰拟合、可视化
HyperSpyUI	图形界面，零代码快速分析
Orange-Spectroscopy	拖拽式工作流，~140 stars
Orange 核心	widget 连线代替代码，零编程
Orange 适合	教学、快速原型、跨学科协作
SpectraKit	轻量级，仅依赖 NumPy+SciPy
SpectraKit 价值	教学原子操作、阅读源码学习
NIRS4ALL	30+ 变换 + PLS + 深度学习统一 API
NIRS4ALL 适合	大数据集、深度学习建模
选型框架	成像→HyperSpy；零代码→Orange；教学→SpectraKit；深度学习→NIRS4ALL
组合做法	HyperSpy 提取 + Orange 建模 + NIRS4ALL 深度学习
生态总览	7 款工具，star 总和 ~1300+
常见踩坑	学习曲线、版本兼容、内存爆炸、过拟合、数据互通
ftir.fun	在线工具补充，中文友好

思考题

你有一张 64×64 FPA 显微红外成像数据（聚合物共混膜），需要完成：① 画出 1740 cm⁻¹ 化学成像；② PCA 分解 3 个纯组分；③ 对每像素做双峰拟合定量聚酯/聚酰胺比例。请用 HyperSpy 写出完整代码，并说明每步的物理意义。提示：1740 cm⁻¹ 是聚酯 C=O，1630 cm⁻¹ 是聚酰胺酰胺Ⅰ带，详见 ftir.fun 羰基官能团页。
用 Orange-Spectroscopy 搭建一个 NIR 蛋白质定量模型工作流。请画出 widget 连线图，并说明每个 widget 的作用。如果改用 Python 代码实现同样的流程，相比 Orange 有哪些优劣？
你有 50 个样品的红外谱图（小数据集），有人建议你用 NIRS4ALL 训练 CNN 模型。请说明为什么这可能不是好主意，并给出更合适的方案（提示：考虑样品数、模型复杂度、过拟合风险）。
比较 SpectraKit 与 spectrapepper（Ep 53）作为教学工具的优劣。如果你要给本科生上一堂"红外光谱 Python 处理入门"课，会选择哪款？为什么？
一个跨学科团队（化学家 + 计算机科学家 + 业务方）需要合作开发一个食品掺假检测模型。化学家不会编程，计算机科学家不熟悉化学。请设计一个协作工作流，让三方都能贡献自己的专长。提示：考虑用 Orange 做化学家侧、Python 做计算机科学家侧、HyperSpy 做成像数据侧。

参考文献

[1] Burdet P, et al. "HyperSpy: A Multi-Dimensional Data Analysis Software Package." Microscopy & Microanalysis, 2022, 28(S1): 1234–1235. DOI:10.1017/S1431927622001234.

[2] HyperSpy Documentation. "HyperSpy: Multidimensional Data Analysis."
项目地址：https://github.com/hyperspy/h…
文档：https://hyperspy.org/

[3] de la Peña F, et al. "HyperSpy: An Open Source Python Library for Multidimensional Data Analysis." Microscopy and Microanalysis, 2019, 25(S2): 1264–1265. DOI:10.1017/S1431927619007450.

[4] Toplak M, et al. "Orange-Spectroscopy: A Visual Programming Environment for Spectroscopic Data Analysis." Journal of Spectral Imaging, 2021, 10: a1. DOI:10.1255/jsi.2021.a1.
项目地址：https://github.com/Quasars/or…
文档：https://orange-spectroscopy.r…

[5] Demšar J, et al. "Orange: Data Mining Toolbox in Python." Journal of Machine Learning Research, 2013, 14: 2349–2353.
https://orange.biolab.si/

[6] pyspectrakit Documentation. "SpectraKit: Lightweight Spectral Analysis."
项目地址：https://github.com/ktubhyam/s…

[7] NIRS4ALL Documentation. "NIRS4ALL: NIR Spectroscopy with Deep Learning."
项目地址：https://github.com/GBeurier/n…

[8] GitHub. "Topic: spectroscopy." https://github.com/topics/spe…

[9] ftir.fun. "在线红外光谱工具."
https://ftir.fun

[10] Pedregosa F, et al. "Scikit-learn: Machine Learning in Python." JMLR, 2011, 12: 2825–2830.（PLS / PCA 基础）

下一集预告：Ep 55 — 开放光谱数据库：NIST WebBook、SDBS、EPA 等
工具齐备了，但还需要"原料"——光谱数据库。下集我们将系统介绍 NIST Chemistry WebBook（约 16000+ 化合物量级）、AIST SDBS（数万量级有机物，含 IR/Raman/MS/NMR 等）、EPA/EMC 相关 FTIR 参考谱（百余种量级，随更新），以及 PNNL、HITRAN、Caltech、USGS 等专业数据库。还会简介商业库（SpectraBase、NICODOM）并讲解高效检索与比对的技巧。这是 Ep 53–54 开源工具的最佳"数据搭档"。

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 54 — 开源工具篇（下）：HyperSpy、Orange-Spectroscopy

引子：一张"4 GB"的 FPA 成像数据

一、HyperSpy：多维光谱成像分析标杆

1.1 项目概览

1.2 核心数据结构：Signal

1.3 全流程覆盖

1.4 实操：FPA 成像数据立方体处理

1.5 HyperSpyUI：图形界面

1.6 何时选 HyperSpy

二、Orange-Spectroscopy：拖拽式可视化工作流

2.1 项目概览

2.2 核心特色：可视化工作流

2.3 主要 widget

2.4 实操：从导入到 PLS 模型

2.5 何时选 Orange-Spectroscopy

三、SpectraKit（pyspectrakit）：轻量级核心操作

3.1 项目概览

3.2 核心特色

3.3 何时选 SpectraKit

四、NIRS4ALL：传统 PLS 与深度学习的统一框架

4.1 项目概览

4.2 核心特色

4.3 何时选 NIRS4ALL

五、四款工具对比

5.1 功能矩阵

5.2 选型决策树

5.3 组合使用案例

六、开源工具的"踩坑"提示

6.1 坑 1：HyperSpy 学习曲线

6.2 坑 2：Orange 版本兼容

6.3 坑 3：内存爆炸

6.4 坑 4：模型过拟合（NIRS4ALL）

6.5 坑 5：Orange 与 HyperSpy 数据互通

七、开源光谱工具生态总览

配图（本集关键示意）

本集小结

思考题

参考文献

온라인 지원

7일 무료 체험

계정이 생성되었습니다!