中紅外光譜信號去噪方法研究

趙媛 楊萱蔓 王星 董建娥

摘? 要： 紅外光譜已成為現代許多領域常用的工具。在中紅外光譜信號的分析中，由于其包含噪聲及各種外界干擾因素，導致信號分析的準確度降低。為減小誤差，依次將滑動平均法、小波分析法、傅里葉變換法、SG平滑濾波器法、處理離群值法與HHT法依次運用到人工構造信號及絨柄牛肝菌中紅外光譜的實際信號中去噪，通過比較其信噪比及均方根誤差，選出較為優質的方法。實驗結果表明，HHT法的信噪比為最大、均方根誤差為最小，說明去噪效果最好。

關鍵詞： 紅外光譜； 去噪； HHT法； 信噪比； 均方根誤差

中圖分類號：TN919.4? ? ? ? ? 文獻標識碼：A? ? ? ?文章編號：1006-8228（2023）09-142-05

Research on denoising method of mid-infrared spectral signal

Zhao Yuan1， Yang Xuanman1， Wang Xing1， Dong Jian'e2

（1. Faculty of Mathematics and Physics Southwest Forestry University， Kunming， Yunnan 650000， China;

2. School of Big Data and Intelligent Engineering Southwest Forestry University）

Abstract： Infrared spectrum has become a common tool in many modern fields. However， in the analysis of mid-infrared spectroscopy signal， the accuracy of signal analysis is reduced due to its inclusion of noise and various external interference factors. In order to reduce the error， the moving average method， wavelet analysis method， Fourier transform method， SG smoothing filter method， outlier processing method and HHT method are applied to the artificial signal and the actual signal of the mid-infrared spectrum of boletus velutipes， and the better method is selected by comparing its signal-to-noise ratio and root-mean-square error. The experimental results show that the HHT method has the largest signal-to-noise ratio and the smallest root-mean-square error， which shows that the denoising effect is the best.

Key words： infrared spectrum; denoising; HHT method; signal-to-noise ratio; root-mean-square error

0 引言

紅外光譜技術是九十年代以來發展最快，最引人注目的技術之一。在實際應用中，紅外光譜技術具有靈敏度高，非接觸、測量波段寬以及在線多組分實時檢測的優點，因而廣泛地應用于開放環境下的多組分揮發性污染物的實時在線監測[1]。紅外光譜儀所采集到的光譜信號，除了包含自身信息外，在測量中還不可避免地得到來自溫度、天氣、光照以及儀器自身的噪聲信號[2]。這些噪聲種類多、來源廣且隨機性強，給有效光譜信號的提取和高濃度比背景下多種痕量重金屬離子濃度的檢測帶來了極大的困難[3]。

如何降低噪聲對信號的影響，國內外眾多學者已對此進行了很多研究，總結出多種去噪方法及算法。本文主要針對其中六種去噪方法包括滑動平均法、小波分析法[4]、傅里葉變換法[5]、SG平滑濾波器法、處理離群值法與希爾伯特黃變換法對中紅外光譜信號去噪，對比分析得出在這六種方法中最合適的去噪方法。

1 算法介紹

1.1 滑動平均法

滑動平均法（moving average）通常也稱為移動平均法、移動平均值濾波法等，它主要是一種時間域思想上的信號光滑方法。算法的一般思路為：將該點附近的采樣點做算數平均，然后將其值作為這個點光滑后的值，如圖1所示。滑動平均法所用的窗口一般為對稱窗口，防止出現相位偏差。窗口一般為奇數[6]。

我們以3點平均（窗口長度為3）為例，原數據為x（n-1）、x（n）、x（n+1），平滑平均后的數據為y：

[y（n）=13×[x（n-1）+x（n）+x（n+1）]]? ⑴

1.2 小波分析法

“小波”就是小區域、長度有限、均值為0的波形。其在時域和頻域均具有良好的局部化性質，能較好地處理時域和頻域分辨率之間的沖突問題，從而有效地從光譜信號中提取有用信息[7]。小波去噪方法包括三個基本的步驟：先對含噪信號進行小波變換將其分解成不同小波系數；再對經變換得到的小波系數通過合適的閾值以去除其中包含的噪聲；最后對處理后的小波系數進行小波逆變換，得到去噪后的信號。其流程可以用如圖2所示。

該法計算過程簡便，運算量較少，并且去噪效果明顯。但在實際使用過程中仍存在著一些不足，常用的閾值去噪法中原始信號的恢復效果主要依賴于閾值的選取，如果閾值選取過大，就會消去信號的部分信息；閾值選取過小則會保留過多的噪聲。因此在小波去噪法中閾值的選取是十分重要的內容。

1.3 傅里葉變換法

傅立葉變換是一種可逆變換，即它允許原始信號和變換過的信號之間互相轉換。傳統傅里葉的變換去噪過程簡單來說是先將該信號進行傅里葉變換再進行低通濾波，最后再進行傅里葉逆變換。

傅里葉變換中，因為積分是從負無窮到正無窮，所以，積分在所有時間類都是有效的。因此，無論什么時候頻率分量發生了改變都會全局性的影響最終積分的結果。所以，傅里葉變換不適合分析非平穩信號。此外傅里葉變換很難將有用信號的高頻部分和由噪聲引起的高頻干擾有效地區分開。綜上所述，傅里葉變換更適合于去除具有全局特性的噪聲。

1.4 SG平滑濾波器法

SG平滑濾波是一種卷積滑動窗口加權平均算法，在濾除噪聲時能夠保證信號的形狀、寬度不變，使得到的數據波形盡可能逼近原數據波形[8]，廣泛應用于數據平滑降噪。

設一個以x（i）為中心包含2M+1個數據點的窗口，構造一個p階多項式q（n）擬合該數組[9]，如下：

[qn=m=0Pamnm，? -M≤n≤M，p≤2M+1]? ⑵

其中，a0，a1，…，am為擬合系數。經過最小二乘擬合得到殘差C：

[C=n=-MMqn-xn2=n=-MMm=0Pamnm-xn2] ⑶

當殘差C最小時，濾波效果最佳。首先求得C最小時的多項式系數，得到擬合曲線；然后，取數據中心點處的擬合值作為濾波后的值；最后，通過移動窗口得到原數據的擬合點[10]。

首先選取五個點：依次為x[-2]，x[-1]，x[0]，x[1]，x[2]，根據這五個點，構造一條二次拋物線f（i）：

[f（i）=a20+a1?i+a2?i2] ⑷

這里i=-2，-1，0，1，2。要尋找最優的a0，a1，a2，使得最小二乘擬合最小。最小二乘擬合的函數E為：

[E=（f（i）-x（i））2]

[=（f（-2）-x（-2））2+（f（][-1）-x（-1））2]

[+（f（0）-x（0））2+（f（1）-][x（1））2+（f（2）-x（2））2] ⑸

最小二乘E最小，即使其導數等于0：

[?E?ap=0]? ⑹

由此即可求得a0、a1和a2。對于無相位差的濾波，我們希望窗口是對稱的。所以用五個點，去估計f（0）的值。因此只需要a0。由于

[f（0）=a0+a1?0+a2?0=a0]? ⑺

可以得到結果：

[a0→135-3x-2+12x-1+17x0+12x[1]-3x[2]] ⑻

SG平滑濾波器可以在同一曲線上的任意位置選擇不同的窗寬，以滿足不同平滑濾波的需要。特別是在處理時序數據時，對于不同階段的序列處理具有明顯的優勢。

1.5 處理離群值法

處理離群值法的方法有很多種類，本文主要以中位值法為例。其思想一般是將窗口內的數據取中位數作為輸出結果，如圖3所示。

其主要優點是，一般在數據采樣點密集，且比較平滑的情況下，中位數法可以很好地剔除離群值。但它的缺點是不適用于噪聲比較大的情況。經過中位值法處理后，極值點一般會丟失，造成數據嚴重失真。

1.6 HHT（希爾伯特黃變換法）

希爾伯特黃變換變換首先進行EMD（經驗模態分解），再進行希爾伯特譜分析，其中經驗模態分解（EMD）是將原始信號進行自適應分解，得到一系的固有模態函數（IMF）。EMD分解出一系列的從高頻到低頻只有一種頻率的固有模態函數，然后對這些IMF進行處理，從而得到瞬時頻率，最終將特征量繪制成時間-頻率的關系曲線，此過程叫做希爾伯特譜分析。

在傅里葉變換的基礎上，希爾伯特變換作為一種解析信號的手段，常用來分析信號的幅頻特性和相頻特性。

連續信號x（t）的希爾伯特變換[x（t）]定義如下：

[x（t）=1π-∞+∞x（τ）t-τdτ=1π-∞+∞x（t-τ）τ=x（t）*1πt]? ⑼

濾波信號為[x（t）]；濾波器的單位沖擊響應[h（t）=1πt]，*表示卷積，τ為積分變量，t為響應時間。

參照[jh（t）=j1πt]的傅里葉變換為[sgn（w）]，（其中sgn（w）為符號函數）希爾伯特頻率的瞬時響應為H（jw）：

[Hjw=-jsgnw=-j，? w>0j，? w<0]? ⑽

若記[H（iw）=|H（jw）|ejφw]，其中[φ]為幅角，則

[φw=-π2，? w>0π2，? w<0][11]? ? ⑾

2 實驗與分析

2.1 人工構造信號實驗

為了比較滑動平均法、小波分析法、傅里葉變換法、平滑濾波器法、處理離群值法與希爾伯特黃變換法這6種方法的去噪效果，將

[y=2×e-（x-22+4）2×abs（cos（x）-1.2）]

[f=y+0.05×randn（size（y））]? ⑿

（x為任意實數，y為原信號，f為原信號疊加噪聲）作為人工構造仿真信號，如圖4所示，其中[0.05×randn（size（y））]為噪聲部分。利用上述六種方法去噪，圖5給出了經過六種方法去噪后的波形。

將原始曲線與濾波去噪后的曲線進行比較發現，經傅里葉變換法去噪的結果信號失真較明顯，其余方法的信號大部分可以傳輸至收端。為了驗證上述算法的有效性 ，引入信噪比作為評價指標。信噪比越大，算法去噪效果越好。輸出信噪比的定義如下：

[SNR=10log10n=1N（y（n））2n=1N[y（n）-y（n）]2]? ⒀

其中，n為采樣點數，N為總采樣點數，[y（n）]為含噪信號，[y（n）]為純凈信號。得出如表1所示。

表1表明數據經過傅里葉變換法去噪后的SNR為-33.0103，信噪比為負數，說明噪聲功率大于有用信號功率，數據已經嚴重失真，說明其不適用于非平穩信號，此外，經希爾伯特黃變換法去噪后的SNR為22.7766，大于其他方法的SNR值，說明其去噪效果較好。

2.2 實測信號實驗

在對光譜信號去噪實驗中，所取的光譜信號為絨柄牛肝菌的中紅外光譜，所有中紅外光譜實驗數據由傅立葉變換中紅外光譜儀采集，滿足朗伯比爾定律測量原理。

對于取得的數據，依次用滑動平均法、小波分析法、傅里葉變換法、平滑濾波器法、處理離群值法與希爾伯特黃變換法進行去噪。得到如圖6所示的去噪結果。

圖6中將原始曲線與濾波去噪后的曲線比較，可以發現經傅里葉變換法去噪的結果信號失真仍較明顯，其余方法去噪效果較為類似。為了驗證上述算法的有效性，我們仍然采用信噪比作為評價指標。

圖7所示為通過不同方法進行光譜信號去噪處理后的SNR值對比圖，從中可見希爾伯特黃變換法優于其他5種方法。其中滑動平均法，小波分析法，平滑濾波器法去噪效果相似，處理離群值法的信噪比較低，其原因是部分極值的數據被當作離群值刪去，造成較大的誤差，而傅里葉變換法的信噪比為負值，主要是因為其不適于非平穩信號以及含有高頻信號的信號，導致信號嚴重失真。

為了進一步判斷去噪方法的優劣性，引入RMSE（估計信號同原信號的均方根誤差）來判斷其余的方法。RMSE的計算值越小則表示去噪效果越好。RMSE的定義如下：

[RMSE=1Nn（f（n）-s（n））2]? ⒁

其中，n為采樣點數，N為總采樣點數，[f（n）]為降噪后的信號，[s（n）]為純凈信號。得出如下表2：

由表2數據可知，希爾伯特黃變換的RMSE值為0.0445，相比其余方法的RMSE為最小值，說明此方法去噪效果優于其余方法。該方法適用于紅外光譜的去噪。

3 結束語

本文提出了六種適應于中紅外光譜的去噪算法。首先利用Matlab對人造信號進行去噪，再由Matlab對用傅立葉變換中紅外光譜儀采集的絨柄牛肝菌的中紅外光譜數據進行去噪，然后將SNR作為評價指標。實驗結果顯示，對于中紅外光譜信號，經過希爾伯特黃變換法處理后的SNR值依次為22.7766、20.85，其結果優于其他五種方法，用RMSE進一步篩選優質性的去噪方法，結果顯示，希爾伯特黃變換的RMSE為0.0445，小于其余方法，因此該方法適用于紅外光譜數據的去噪。

參考文獻（References）：

[1] 洪鋒，魯昌華，劉茹茹，等.基于遞推最小二乘和擴展卡爾曼濾波的開放光路紅外光譜去噪[J].池州學院學報，2019，33（3）：40-43.

[2] 翟哲，李偉凱，李長凱，等.EMD在葉綠素光譜信號去噪中的應用[J].江蘇農業科學，2015，43（4）：392-396.

[3] 鄭國梁，朱紅求，李勇剛.改進LMS的光譜信號去噪算法[J].光譜學與光譜分析，2020，40（2）：643-649.

[4] 武劍.小波分析的閾值去噪方法研究[J].電子測試，2022（3）：84-85.

[5] 劉慶杰，藺啟忠，王欽軍，等.基于連續統快速傅里葉變換的紅外光譜處理技術[J].光譜學與光譜分析，2009，29（12）：3279-3282.

[6] 牟志鵬，蔣陵平，王琳.基于單點激光的螺旋槳葉片型面測量及輪廓處理[J].新型工業化，2022，12（1）：186-190.

[7] 章志濤，丁芳，羅宇，等.小波閾值去噪在偏濾器光譜信號處理中的應用[J].量子電子學報，2022，39（3）：307-315.

[8] 位秀雷，劉樹勇.多級奇異值分解和SG的通信雷達信號降噪方法[J].武漢理工大學學報（交通科學與工程版），2020，44（4）：658-662.

[9] Gorry P A. General least-squares smoothing anddifferentiation by the convolution （Savitzky-Golay） method[J]. Analytical Chemistry，1990，62（6）：570-573.

[10] 孫波，王新志，陳發源，等.利用SG平滑濾波優化GNSS-R潮位反演[J].南京信息工程大學學報（自然科學版），2022（12）：1-16.

[11] 宋重霄.基于HHT和APSO-RBF的電壓暫降檢測與定位方法研究[D].遼寧：遼寧工程技術大學，2021.