2.6 导数光谱放大细节

2.6 导数光谱放大细节

本节摘要：一阶导数把恒定与线性背景清零、以过零点标记峰位；二阶导数更进一步，把肩峰顶成独立的负谷。代价是噪声被急剧放大——同样的平滑窗口下，二阶导的噪声标准差是原始谱的近七十倍。导数是整备车间的最后一道工序，也是"细节与噪声"这场交易的最激进报价。

整备接近尾声，档案还藏着最后一类秘密：叠在强峰肩膀上的小峰。原始谱上它们只是一点不对称，肉眼难辨、寻峰算法也抓不住。导数光谱换一个观察量——不看高度看变化率——肩峰立即现形。它承接 2.5 的标尺工序（在统一度量衡后放大细节才有意义），通往第 3 章的自动寻峰：那里用的特征表，很多就来自本节的负谷位置。

一、导数在谱上看到什么

零阶导就是原谱。一阶导数处处是斜率：峰顶处斜率为零（过零点），左肩斜率为正、右肩为负——过零点精确标记峰位，而且任何恒定或线性变化的背景在求导后直接消失，这是它附送的基线校正能力。二阶导数是曲率：峰顶曲率最大且为负，于是在二阶导谱上每个峰对应一个向下的负谷；肩峰处的曲率变化被放大成独立的谷，两个熔在一起的重叠峰就此分家。更高阶导数理论上更锐，但噪声放大会失控，实践中极少越过二阶。

计算从不直接做差分——差分是噪声放大器。标准做法是 SG 求导：窗口内拟合多项式时直接取多项式的导数值，平滑与求导一步完成，窗口与阶数两个旋钮沿用 2.1 的经验。

二、演练：肩峰现形记

构造一个典型难题：两个高斯峰相距 0.60、半高宽 0.59——间距与峰宽几乎相等，在原始谱上必然熔成一个包：

# 导数光谱：重叠肩峰的分离
import numpy as np
from scipy.signal import savgol_filter, find_peaks
rng = np.random.default_rng(11)
x = np.linspace(0, 10, 400)
clean = 0.8*np.exp(-0.5*((x-5.0)/0.25)**2) + 0.55*np.exp(-0.5*((x-5.6)/0.25)**2)
y = clean + rng.normal(0, 0.01, x.size)          # 信噪比 80:1 的档案

ys = savgol_filter(y, 21, 3)                              # 平滑版原谱
d1 = savgol_filter(y, 21, 3, deriv=1, delta=x[1]-x[0])    # SG 一阶导
d2 = savgol_filter(y, 21, 3, deriv=2, delta=x[1]-x[0])    # SG 二阶导

pk, _ = find_peaks(ys, prominence=0.1)                    # 原谱寻峰
print("smoothed raw peaks:", np.round(x[pk], 3), "(真值 5.00 与 5.60)")

region = (x >= 4.0) & (x <= 7.0)
zc = np.where(region)[0][np.where(np.diff(np.sign(d1[region])) < 0)[0]+1]
print("d1 zero-crossings:", np.round(x[zc], 3))

pk2, props = find_peaks(-d2[region], prominence=1.0)      # 负谷寻峰
print("d2 negative lobes:", np.round(x[region][pk2], 3),
      "prominence:", np.round(props['prominences'], 2))
​

输出：

smoothed raw peaks: [5.038] (真值 5.00 与 5.60)
d1 zero-crossings: [5.038]
d2 negative lobes: [4.987 5.639] prominence: [11.59  5.96]
​

三行输出是一场完整的"翻案"。平滑后的原谱只找到一个峰（5.038）——两个峰熔成了包，表观峰位被次峰拖偏了 0.038；一阶导的过零点同样只有 5.038，它只认"总斜率为零"的地方，救不了重叠；二阶导一次揪出两个负谷：4.987 与 5.639，与真值 5.00、5.60 各差不到 0.04。两个负谷的显著度（11.59 与 5.96）还顺便报出了相对峰高信息——主峰的谷更深。近红外分析里"二阶导加 SNV"被称为黄金组合，原因就在这里：近红外谱峰宽而重叠，不做导数基本没有可用峰形。

三、代价的账单：噪声放大六十九倍

导数放大细节，也放大噪声。定量测一下：同一窗口参数下，对纯噪声逐阶求导：

# 噪声放大定量：同一窗口对纯噪声逐阶求导
noise = rng.normal(0, 0.01, x.size)
for order in [0, 1, 2]:
    dd = savgol_filter(noise, 21, 3, deriv=order, delta=x[1]-x[0])
    print(f"deriv={order}  noise std={dd.std():.5f}")
​

输出：

deriv=0  noise std=0.00304
deriv=1  noise std=0.03314
deriv=2  noise std=0.20975
​

平滑本身把噪声从 0.01 压到 0.00304（约三分之一），一阶导回弹到 0.03314，二阶导冲到 0.20975——相对平滑谱放大了 69 倍，相对原始噪声放大了 21 倍。这笔账解释了三条工程铁律。其一，求导前的平滑不是可选项，是生存必需，且窗口通常要比 2.1 单纯去噪时更宽（本例 21 点，约为肩峰宽度的三分之一）。其二，窗口拉太宽又会抹掉导数想放大的细节——窗口、阶数、导数阶三者构成三角约束，第 6 章参数调优会把这三个旋钮放进同一张网格里搜。其三，信噪比低的档案别上二阶导，先回采集端攒积分时间，账算不平的处理都是自欺。

历史脚注：早期仪器时代没有 SG 算法，工程师用两个盒式滤波器错开做差来近似导数（Norris 导数滤波），思路与 SG 一致——先平滑后差分——只是滤波器形状更粗糙。今天的软件里两个名字都还在，见到 Norris 滤波不必陌生。

⚠️ 常见坑：二阶导谱的负谷常被误读成"倒峰"。它不是倒峰，是曲率信号——比对谱库时务必对同阶导数谱比对，拿二阶导谱去比原始谱库，匹配必然失败。

本节要点回顾

• 一阶导清线性背景、过零点标峰位，但重叠峰的表观过零点会被拖偏；
• 二阶导让肩峰现形：实验里熔成单包的两个峰（表观 5.038）被拆回 4.987 与 5.639；
• 噪声是导数的账单：二阶导下噪声标准差放大到平滑谱的约 69 倍；
• SG 求导平滑与微分一步完成，窗口通常比单纯去噪更宽；
• 导数谱只与同阶导数谱比对，跨阶比对必然失败。

整备车间的六道工序到此走完：噪声画像、频域小波、两派基线、统一标尺、导数放大。下一章档案进鉴定台——先把曲线翻译成"峰位、峰高、峰宽"的特征表，那是自动寻峰的战场。