这可以在R或中轻松完成Python。有经过充分测试的功能可用，因此您不必担心任何界限或细微差别。此外，两者都是免费的，并且在科学家中很受欢迎。

R的解决方案

有一个特殊的包来处理光谱数据，称为hyperSpec。橡皮筋基线校正已经在那里实现（功能spc.rubberband）。所有详细信息都在文档中突出显示。用法很简单：

require(hyperSpec)
spc <- read.spe("paracetamol.SPE")
baseline <- spc.rubberband(spc)

corrected <- spc - baseline

Python的解决方案

python 没有（据我所知）开箱即用的解决方案，但您可以使用scipy.spatial.ConvexHull函数来查找在光谱周围形成凸包的所有点的索引。假设频谱包含在x和y数组中：

import numpy as np
from scipy.spatial import ConvexHull

def rubberband(x, y):
    # Find the convex hull
    v = ConvexHull(np.array(zip(x, y))).vertices

数组v包含顶点的索引，排列在逆时针方向，例如[892, 125, 93, 0, 4, 89, 701, 1023]。我们必须提取v上升的部分，例如 0-1023。

    # Rotate convex hull vertices until they start from the lowest one
    v = np.roll(v, -v.argmin())
    # Leave only the ascending part
    v = v[:v.argmax()]

    # Create baseline using linear interpolation between vertices
    return np.interp(x, x[v], y[v])

现在基线被纠正如下：

y = y - rubberband(x, y)

在 python 中使用 Modpoly、Imodpoly 和 Zhang 拟合算法的解决方案。

Python 库 BaselineRemoval 具有 Modpoly、IModploy 和 Zhang 拟合算法，当您将原始值作为 python 列表或 pandas 系列输入并指定多项式次数时，可以返回基线校正结果。将库安装为pip install BaselineRemoval. 下面是一个例子

from BaselineRemoval import BaselineRemoval

input_array=[10,20,1.5,5,2,9,99,25,47]
polynomial_degree=2 #only needed for Modpoly and IModPoly algorithm

baseObj=BaselineRemoval(input_array)
Modpoly_output=baseObj.ModPoly(polynomial_degree)
Imodpoly_output=baseObj.IModPoly(polynomial_degree)
Zhangfit_output=baseObj.ZhangFit()

print('Original input:',input_array)
print('Modpoly base corrected values:',Modpoly_output)
print('IModPoly base corrected values:',Imodpoly_output)
print('ZhangFit base corrected values:',Zhangfit_output)

Original input: [10, 20, 1.5, 5, 2, 9, 99, 25, 47]
Modpoly base corrected values: [-1.98455800e-04  1.61793368e+01  1.08455179e+00  5.21544654e+00
  7.20210508e-02  2.15427531e+00  8.44622093e+01 -4.17691125e-03
  8.75511661e+00]
IModPoly base corrected values: [-0.84912125 15.13786196 -0.11351367  3.89675187 -1.33134142  0.70220645
 82.99739548 -1.44577432  7.37269705]
ZhangFit base corrected values: [ 8.49924691e+00  1.84994576e+01 -3.31739230e-04  3.49854060e+00
  4.97412948e-01  7.49628529e+00  9.74951576e+01  2.34940300e+01
  4.54929023e+01

可能有很多技术。你的想法对我来说似乎很好。

另外两个想法：

1. 对数据进行 FFT 并滤除最低频率。这也消除了基线调制。当然，您必须手动或根据数据的有根据的猜测找到正确的过滤器宽度。

2. 使用具有多个长波长的余弦函数并对数据进行线性拟合。您还可以通过简单的过滤器或通过使用信号强度对数据点进行加权来剔除峰值。

[编辑 2018/03/24] 自从回答以来，已经记录了光谱数据的几种用途

如果您的光谱峰值相对较好，并且在具有更多低频行为的基线之上几乎为正，我建议尝试BEADS (Baseline Estimation And Denoising w/ Sparsity)，一种基于数据稀疏性的算法和它的一些衍生物。它适用于色谱数据。Matlab 代码可用，BEADS 页面收集 R 或 C++ 代码，以及已知用途。在这里，您可以找到拉曼光谱、天文高光谱星系光谱、X 射线吸收光谱 (XAS)、X 射线衍射 (XRD) 和 XAS/XRD 组合测量的用途。