一种基于机器视觉的色谱峰自动识别与积分方法与流程

本发明属于分析测试，尤其涉及一种基于机器视觉的色谱峰自动识别与积分方法。

背景技术：

1、色谱技术作为化学分析的重要手段，广泛应用于成分分离和定量分析。现代色谱仪器通常配备数字采集系统，能够直接输出数值型色谱数据，便于后续处理和定量分析。然而，在实际应用中，仍存在大量历史色谱数据仅以色谱图像形式保存，例如纸质记录、热敏打印记录、扫描图片或拍摄照片等，而缺乏对应的原始数字信号数据。造成这一问题的原因包括：早期色谱仪器不具备数字信号输出功能；历史样品数据保存不完整；仪器存储介质损坏或数据格式过时无法读取；以及实验记录仅保留了纸质图谱等。

2、这些老旧色谱图像由于缺乏原始数字信号，无法直接进行常规的色谱数据处理，严重制约了历史数据的再利用和深度分析。尤其是在开展长期环境监测、历史样品回溯研究或药品生命周期数据分析时，如何从仅有的色谱图像中准确提取峰位置、峰面积、保留时间等关键定量信息，成为亟待解决的技术难题。

3、目前，对于色谱图像中的信息提取主要依赖人工读取方式，操作人员通过肉眼观察色谱峰形、手动标记峰起点和终点，并利用求积仪或网格法估算峰面积。这种方法存在以下显著缺陷：（1）效率低下，处理大量历史图谱时需要耗费大量人力；（2）主观性强，不同操作人员对同一图谱的判读结果差异较大；（3）精度有限，人工估算峰面积的误差可达10%以上；（4）可重复性差，同一操作人员在不同时间对同一图谱的判读结果可能存在不一致。

4、现有自动化色谱数据处理技术多基于数字信号处理架构，直接对数值型色谱数据进行峰检测和积分计算。这些方法普遍假设输入数据为一维离散信号序列，对二维图像形式的色谱数据缺乏有效的处理手段，无法直接应用于老旧色谱图像数据的处理。部分研究者尝试采用通用图像处理软件提取色谱曲线，但缺乏针对色谱图像特征的专用算法，识别精度难以满足定量分析要求。

5、因此，迫切需要一种基于色谱图像的自动识别与积分方法，能够从老旧色谱图像中自动提取峰顶轨迹、准确划分峰区间，结合动态基线修正实现高精度自动化的峰积分，为历史色谱数据的数字化再利用提供有效的技术支撑。

技术实现思路

1、本发明实施例的目的在于提供一种基于机器视觉的色谱峰自动识别与积分方法，旨在解决上述背景技术中提出的问题。

2、本发明实施例是这样实现的，一种基于机器视觉的色谱峰自动识别与积分方法，包括以下步骤：

3、步骤1：对原始色谱图像进行灰度转换、自动裁剪边缘区域、多尺度自适应直方图均衡化、高斯滤波降噪、自适应阈值二值化以及形态学闭操作，得到二值化色谱图像；

4、步骤2：从二值化色谱图像中提取每一列对应的峰顶像素位置，形成连续且平滑的峰顶轨迹曲线；

5、步骤3：根据峰顶轨迹的像素坐标，结合预设的峰顶和基线像素位置，将所述峰顶轨迹映射为信号强度值，并结合图像对应的时间区间，获得峰信号在实际时间坐标的分布；

6、步骤4：对信号的反向进行谷底检测，谷底点作为峰间分隔，结合峰顶检测结果，确定每个峰的积分区间；

7、步骤5：对每个峰的积分区间，采用局部基线拟合策略估计峰底基线，基于校正后的信号计算峰面积；

8、步骤6：绘制色谱曲线、全局基线和峰顶点，对每个积分区间绘制局部基线及填充峰面积，输出峰面积及峰起止时间边界。

9、本发明实施例提供的一种基于机器视觉的色谱峰自动识别与积分方法，具有以下有益效果：

10、（1）准确的峰区间划分：利用动态谷底检测替代固定阈值划分，能够自适应地确定峰间边界，避免峰间空白及重叠问题，提高积分区间划分的准确性，特别适用于峰形复杂或峰重叠的分析场景。

11、（2）动态局部基线拟合：采用基于峰区间最低点邻域端点的线性基线拟合策略，能够跟随色谱基线的局部变化趋势，避免固定全局基线带来的积分误差及峰翻转现象，显著提高了非平坦基线下峰面积计算的准确性。

12、（3）图像信号融合处理：将先进的计算机视觉图像处理技术与色谱信号分析方法有机结合，通过多尺度增强、自适应滤波、全局最优轨迹提取等手段，有效提升了峰识别的鲁棒性和准确率，解决了传统数字信号处理方法无法直接处理图像数据的问题。

13、（4）自动化程度高：整个识别与积分过程无需人工干预，能够自动适应多样化色谱图形，大幅提升历史色谱数据的分析效率，降低人力成本。

14、（5）适用范围广：本发明方法适用于多种来源的色谱图像，包括纸质扫描图、照片、热敏打印图等，对峰形复杂、峰重叠、基线漂移等各种实际分析场景均具有良好的适应性。

1.一种基于机器视觉的色谱峰自动识别与积分方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于机器视觉的色谱峰自动识别与积分方法，其特征在于，所述步骤1包括以下具体步骤：

3.根据权利要求2所述的基于机器视觉的色谱峰自动识别与积分方法，其特征在于，所述步骤2包括以下具体步骤：

4.根据权利要求3所述的基于机器视觉的色谱峰自动识别与积分方法，其特征在于，所述步骤3包括以下具体步骤：

5.根据权利要求4所述的基于机器视觉的色谱峰自动识别与积分方法，其特征在于，所述步骤4包括以下具体步骤：

6.根据权利要求5所述的基于机器视觉的色谱峰自动识别与积分方法，其特征在于，所述步骤5包括以下具体步骤：