水中有机污染物的近红外光谱快速鉴别，史永刚，，文章讨论了水中有机污染物的近红外光谱，指出不同的有机污染物在近红外光谱区表现出不同的特征，应用该特征结合应用化学计量学技

该软件与海洋光学公司无关。 需要您自担风险使用它。 已停产 我不再使用此模块。 请切换到其后续版本 。 信息 完整的python-oceanoptics PyUSB接口现在已从合并到pyseabreeze后端中。 一旦所有光谱仪都经过python-seabreeze测试，python-oceanoptics模块将被淘汰。 因此，如果您拥有任何未经测试的光谱仪，请使用python-seabreeze测试它，并让我知道它是否有效。 谢谢。 海洋光学python模块 该python模块提供对某些光谱仪的一些基本功能的访问。 他们的光谱仪缺乏python接口的可用性导致了该模块的开发。 光谱仪中使用的USB通信层的规格可在其网站上的OEM手册中免费获得。 该软件是社区的一项工作，旨在为这些光谱仪获得独立于平台的python支持。 如果您不确定自己在做什么，请坚持使用SpectraSuite和Oc

提出一种基于自适应噪声的完备经验模态分解(CEEMDAN)拉曼光谱去噪方法。利用排列熵(PE)作为代表噪声的内在模式分量(IMF)的判据，并对其进行阈值滤波以消除噪声，得到消除噪声的拉曼光谱重构信号。采用该方法对乙醇水溶液的拉曼光谱数据进行去噪研究。结果表明，该方法有效地消除了拉曼光谱中的噪声；与经验模态分解法(EMD)和总体平均经验模态分解法(EEMD)的对比表明，CEEMDAN 去噪法不但在高信噪比的拉曼光谱信号去噪中取得良好的去噪效果，而且在低信噪比的拉曼光谱信号去噪中依然优势明显。

matlab图像均衡化的代码从RGB图像进行高光谱重建以实现静脉可视化 我们提出了一种数据驱动的方法来从RGB图像中重建高光谱图像。 该方法基于残差学习方法，该方法可有效捕获数据流形的结构，并考虑到存在于RGB图像中的空间上下文信息以进行光谱重建过程。 提出的RGB到高光谱的转换方法可以处理在不同照明下拍摄的图像，这对于实际应用来说是重要的功能。 所提出的方法是通用的，并且可以支持各种应用。 为了展示所提出的转换方法的价值，我们设计并评估了静脉可视化应用程序。 我们使用商用高光谱相机收集了该领域最早的高光谱数据集之一； 我们将此数据集提供给其他研究人员。 我们使用此数据集来训练我们的深度学习模型，并作为比较的基础。 我们的实验结果表明，该方法可提供准确的静脉可视化和定位结果。 数据集结构 下载链接 - 该数据集由成对的207张RGB图像及其相应的超立方体组成。 高光谱图像包含从原始数据中提取的Matlab（ .mat ）格式的光谱范围为820-920nm的34个波段。 整个数据集包含来自13个参与者的信息（图像）。 10个参与者的数据用于培训，其余3个参与者的数据用于测试/验证。 文件

高光谱图像分离matlab代码具有光谱可变性的高光谱解混的数据相关多尺度模型 这个包包含作者对论文 [1] 的实现。 我们考虑使用超像素的多尺度策略，以解决具有端元可变性的光谱分离问题。 我们使用关于丰度和端元的空间规律信息（即，这些变量根据基于超像素的多尺度变换是平滑的），以便 1) 引入先验信息以提高丰度估计质量，以及2) 重新制定优化问题以显着降低方法的计算复杂度。 代码在 MATLAB 中实现，包括： example1.m - 比较算法的演示脚本 (DC1) example2.m - 比较算法的演示脚本 (DC2) example3.m - 比较算法的演示脚本 (DC3) demo_houston.m - 比较算法的演示脚本（休斯顿） demo_cuprite.m - 比较算法的演示脚本（Curite） ./MUAV/ - 包含与 MUAV 算法相关的 MATLAB 文件 ./other_methods/ - 包含 ELMM 和 PLMM 方法 ./utils/ - 有用的函数 ./DATA/ - 示例中使用的文件 README - 这个文件 重要的： 如果您使用此软件，请在任

用于从 RGB 图像重建光谱的分层回归网络 NTIRE 2020 团队 OrangeCat 光谱重建挑战的 README 文件：用于从 RGB 图像重建光谱的分层回归网络。 我们的方法在轨道 2 中获得了第一名：真实世界的图像。 论文可下载： : HRNet架构 主网络（不同层通过PixelShuffle和PixelUnShuffle连接）： 主网建议使用的 ResDB 和 ResGB： 文件结构 NTIRE 2020 Spectral Reconstruction Challenge │ README.md │ validation*.py │ test*.py │ ensemble*.py │ └───track1 (saving the trained models of track1) │ │ code1_G_epoch9000_bs8.pth │

可调谐半导体激光吸收光谱（TDLAS）技术结合层析成像（CT）算法能实现流场温度、浓度等信息的二维重建测量。为研究层析成像算法对温度场二维重建质量的影响，实现了两种典型重建算法：代数迭代重建算法（ART）和模拟退火（SA）算法。在不同的射线分布和吸收谱线数目情况下，使用两种算法对给定单峰温度场和双峰温度场分别进行重建仿真，比较分析了两种算法的重建结果。仿真结果表明，影响代数迭代重建算法重建质量的主要因素是射线分布，而模拟退火算法则对吸收谱线数较为敏感；对于单峰温度场，代数迭代重建算法重建结果的最大偏差为5.6%，略好于使用6条吸收谱线时模拟退火算法重建结果的6.2%；对于双峰温度场，模拟退火算法重建结果的最大偏差为5.5%，而代数迭代重建算法的最大偏差则高达22%。

Matlab数据处理文件，包括预处理和建模的文件，是运行过后能用的文件，和大家一起分享，希望能够对大家有用，谢谢大家

化学用软件，红外光谱处理，看谱图，免安装。

针对原油总氢物性回归预测中核磁共振光谱数据不足的问题,结合深度学习相关理论,提出一种光谱数据扩增预处理方法.根据样本输入和标签的相关系数,在原始样本中加入随机噪声以生成虚拟样本;处理样本数据结构以利于卷积神经网络特征提取,并加入数据冗余改进该结构以进一步提高数据特征提取的完整性;搭建实现原油总氢物性回归预测的卷积神经网络(Regression forecasting convolutional neural network,RF-CNN).实验结果表明,对于总氢物性的回归预测,该数据扩增预处理方法不但可以解决原始数据训练中的过拟合现象,而且相比于传统的偏最小二乘(PLS)回归方法,更具稳定性和精确性.