在一些物理化学方法中，基线可以通过闭合线形建模。色谱通常不是这种情况，根据色谱的类型（气体、液体），情况可能更糟。

所以你必须依赖一些你认为对你的信号类型有效的形态属性。您可以通过给定的多项式对背景进行建模，假设峰值的可导性等。然后拟合或优化成本函数。

在最近的一项工作中，我们将高斯峰建模为具有稀疏导数的稀疏。我们补充说，峰值通常是正的。然后我们假设基线足够平滑，可以在使用低通滤波器后保持不变。最后，我们考虑高斯噪声，但它也适用于泊松噪声。

描述了 BEADS（Baseline Estimation And Denoising w/ Sparsity）方法，并在“Chromatogram baseline estimation and denoising using sparsity (BEADS)”中与其他两种方法进行了比较，作者：Xiaoran Ning、Ivan W. Selesnick、Laurent Duval，在 Chemometrics 和智能实验室系统，2014 年 12 月，http://dx.doi.org/10.1016/j.chemolab.2014.09.014。

我们在 Matlab 中提供了相关的 Matlab 工具箱。C++、R和Python的贡献版本可通过配套的BEADS页面获得。

我在 python 中实现了 BEADS 并使用 Matlab 代码进行了验证。这是功能：https ://github.com/hsiaocy/Beads 。希望使用时不会出现很多问题。