能谱生成与反卷积处理

这个项目实现了能谱数据的生成和反卷积处理功能。

功能

1. 数据产生模块：

   • 生成长度为8192的序列
   • 生成连续分布的原始能谱，形状为随机光滑连续结构
   • 添加宽度为1道的高强度特征峰
   • 将原始能谱与高斯函数卷积（sigma=rev*sqrt(E)）
   • 为实际能谱增加统计误差（误差值为A*SQRT(Amp_N)）
   • 使用HTML可视化结果

2. 反卷积模块：

   • 支持多种先进反卷积算法
   • 提供多种噪声平滑预处理滤波器
   • 对生成的实际能谱进行反卷积
   • 与原始能谱进行对比
   • 使用HTML可视化结果，支持线性/对数Y轴切换
   • 可配置各算法迭代次数，灵活控制计算精度与执行时间

支持的反卷积算法

1. 混合反卷积（hybrid）：结合自适应反卷积和Richardson-Lucy算法
2. 稀疏反卷积（sparse）：基于ISTA算法，特别适合恢复尖锐峰
3. 盲反卷积（blind）：同时估计点扩散函数和原始信号
4. ADMM反卷积（admm）：基于交替方向乘子法的反卷积
5. 贝叶斯反卷积（bayesian）：利用先验知识改善反卷积结果
6. 自适应反卷积（adaptive）：根据信号局部特性自适应调整参数

支持的预处理滤波器

1. 高斯滤波（gaussian）：使用高斯函数平滑噪声，保留整体形状
2. 中值滤波（median）：去除脉冲噪声，保留边缘
3. 双边滤波（bilateral）：保留边缘的同时平滑噪声
4. FFT滤波（fft）：在频域去除高频噪声
5. Savitzky-Golay滤波（savgol）：使用多项式拟合平滑噪声，保留峰形状

依赖

• numpy
• scipy
• matplotlib
• plotly

安装

pip install -r requirements.txt

使用方法

运行主程序：

python energy_spectrum.py

参数选项

• --num_spectra：生成的能谱数量（默认：10）
• --rev：分辨率参数，影响高斯卷积的宽度（默认：0.01）
• --error_amplitude：统计误差强度参数（默认：1.0）
• --filter：预处理滤波器类型，可选值：gaussian, median, bilateral, fft, savgol
• --filter_sigma：高斯和双边滤波的sigma参数（默认：2.0）
• --filter_size：中值滤波的窗口大小（默认：5）
• --filter_cutoff：FFT滤波的截止频率（默认：0.1）
• --filter_window：Savgol滤波的窗口大小（默认：11）
• --filter_order：Savgol滤波的多项式阶数（默认：3）
• --no_peak_enhancement：禁用峰增强模式（标志参数）
• --algorithm：选择反卷积算法，可选值：hybrid, sparse, blind, admm, bayesian, adaptive（默认：hybrid）
• --peak_intensity：特征峰强度参数（默认：30000.0）
• --output_html：能谱可视化输出文件名（默认：energy_spectra.html）
• --output_results_html：反卷积结果可视化输出文件名（默认：deconvolution_results.html）

算法迭代次数参数

• --iterations_sparse：稀疏反卷积(ISTA)算法迭代次数（默认：50）
• --iterations_blind：盲反卷积算法迭代次数（默认：20）
• --iterations_admm：ADMM反卷积算法迭代次数（默认：50）
• --iterations_bayesian：贝叶斯反卷积算法迭代次数（默认：50）
• --iterations_hybrid_gold：混合反卷积Gold算法阶段迭代次数（默认：100）
• --iterations_hybrid_rl：混合反卷积Richardson-Lucy算法阶段迭代次数（默认：30）

例如：

# 使用稀疏反卷积算法处理2个能谱
python energy_spectrum.py --num_spectra 2 --algorithm sparse

# 使用贝叶斯反卷积算法并启用高斯滤波预处理
python energy_spectrum.py --algorithm bayesian --filter gaussian --filter_sigma 1.5

# 使用ADMM算法和Savitzky-Golay滤波处理高分辨率的能谱
python energy_spectrum.py --algorithm admm --rev 0.005 --filter savgol --filter_window 15

# 调整反卷积算法迭代次数提高精度
python energy_spectrum.py --algorithm sparse --iterations_sparse 100

# 减少迭代次数以加快处理速度
python energy_spectrum.py --algorithm bayesian --iterations_bayesian 20

# 调整混合算法两个阶段的迭代次数
python energy_spectrum.py --algorithm hybrid --iterations_hybrid_gold 50 --iterations_hybrid_rl 20

输出

程序会生成两个HTML文件：

• energy_spectra.html：包含生成的原始能谱和卷积后带噪声的能谱
• deconvolution_results.html：包含原始能谱、卷积后带噪声的能谱、预处理后的能谱以及反卷积结果的对比
• 生成的HTML页面支持线性/对数Y轴切换，可通过左上角下拉菜单操作

算法性能比较

不同算法在处理尖锐特征峰时性能各异：

• 稀疏反卷积：对尖锐峰恢复效果最好，但噪声敏感性较高
• 贝叶斯反卷积：平衡了峰恢复和平滑性，适合信噪比较低的情况
• ADMM反卷积：提供了很好的平衡，但计算速度较慢
• 盲反卷积：当点扩散函数不确定时表现最佳
• 混合算法：综合表现最稳定，是默认选择

预处理滤波器选择指南

• 高斯滤波：适合一般噪声平滑，但会模糊峰边缘
• 中值滤波：适合去除脉冲噪声和离群点
• 双边滤波：适合在保留峰边缘的同时平滑噪声
• FFT滤波：适合去除高频噪声，但可能会引入振铃效应
• Savitzky-Golay滤波：适合保留峰形状的同时平滑噪声，对峰位置影响最小

特征峰强度说明

• 特征峰强度参数控制生成的尖锐特征峰的高度
• 较高的强度值（如50000）可以生成明显的特征峰，更容易被反卷积识别
• 较低的强度值（如10000）可以测试算法对弱特征的恢复能力
• 默认值30000适合大多数测试场景

迭代次数优化建议

• 稀疏反卷积(ISTA)：增加迭代次数(80-100)可提高细节恢复能力，但会增加噪声；减少迭代次数(20-30)处理速度更快但精度降低
• 盲反卷积：通常20-30次迭代已足够，过多迭代可能导致过拟合
• ADMM反卷积：对迭代次数较为敏感，推荐50-100次迭代获得最佳效果
• 贝叶斯反卷积：30-50次迭代通常能达到良好平衡，对噪声较大的数据可适当增加迭代次数
• 混合反卷积：Gold阶段(50-100次)负责恢复主要特征，RL阶段(20-40次)负责精细化，可根据需要分别调整