快速拉曼光谱成像中的光谱重建算法研究 - NEU

分类号密级 ___________

UDC ___________________

学位论文

快速拉曼光谱成像中的光谱重建算法研究

作者姓名：王刚

指导教师：陈硕副教授

东北大学中荷生物医学与信息工程学院

申请学位级别：硕士学科类别：工学

学科专业名称：生物医学工程

论文提交日期： 2017年 11 月论文答辩日期： 2017年 12 月

学位授予日期： 2018年 1 月答辩委员会主席：姜慧研

评阅人：徐礼胜，齐守良，崔笑宇，李晨

东北大学

2017 年 12 月

A Thesis in Biomedical Engineering

Development of spectral reconstruction

algorithms for fast Raman spectroscopic

imaging

By Wang Gang

Supervisor: Assoc. Prof. Chen Shuo

Northeastern University

December 2017

东北大学硕士学位论文声明

－I－

独创性声明

本人声明，所呈交的学位论文是在导师的指导下完成的。论文中取得

的研究成果除加以标注和致谢的地方外，不包含其他人己经发表或撰写过

的研究成果，也不包括本人为获得其他学位而使用过的材料。与我一同工

作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢

意。

学位论文作者签名：

日期：2017 年 12 月 8 日

学位论文版权使用授权书

本学位论文作者和指导教师完全了解东北大学有关保留、使用学位论

文的规定：即学校有权保留并向国家有关部门或机构送交论文的复印件和

磁盘，允许论文被查阅和借阅。本人同意东北大学可以将学位论文的全部

或部分内容编入有关数据库进行检索、交流。

作者和导师同意网上交流的时间为作者获得学位后：

半年 □ 一年□ 一年半□ 两年□

学位论文作者签名：导师签名：

签字日期：2017 年 12 月 8 日签字日期：2017 年 12 月 8 日

东北大学硕士学位论文摘要

－II－

快速拉曼光谱成像中的光谱重建算法研究

摘要

拉曼光谱在各个领域发挥着越来越重要的作用，尤其在生物医学和医疗方面的作

用更是逐渐显现。由于它可以对生物组织分子成分进行无损的定性及定量检测，对于

改善临床诊断和质量方面都能提供了极其有价值的生物医学信息。

但是，目前拉曼光谱仪一般采用点扫描的方式，在测量区域组织的拉曼光谱图像

时会出现空间分辨率低或采集速度慢等问题，所以开发一种快速的拉曼光谱成像系统

是十分必要的。本文对快速的拉曼光谱成像中的光谱重建算法进行了深入的分析。首

先，详细的介绍了国内外通用的几种光谱成像技术：点扫描，线扫描，凝视型光谱成

像和快照光谱成像等。然后，探讨了基于窄带测量及光谱重建的快速拉曼成像方法，

并对传统的光谱重建算法用于生物组织样本的劣势进行了剖析。最后，探讨了我们自

主开发的基于分步式维纳估算的光谱重建方法，并通过计算机仿真和实际测量进行了

验证，并将之前开发的顺序加权维纳估算与分步式维纳估算相结合进一步提高了重建

拉曼光谱的精度。

通过计算机仿真实验以及实际测量数据可以看出，在通常情况下，对于自发光拉

曼光谱和表面增强拉曼光谱而言，分步式维纳估算法和分步式顺序加权维纳估算法在

光谱重建上都表现的相当优异。通过采用分步式顺序加权维纳估算法及四通道宽场拉

曼成像系统采集的拉曼窄带测量，成功地重建了细胞样本的极微弱且较为复杂的拉曼

光谱。在拉曼光谱重建的准确度上，分步式顺序加权维纳估算法要优于分步式维纳估

算法。然而，同分步式顺序加权维纳估算法相比，分步式维纳估算法具有更快的计算

速度。

关键词：拉曼光谱；光谱成像；窄带测量；光谱重建；分步式维纳估算

东北大学硕士学位论文 Abstract

－III－

Development of spectral reconstruction algorithms for

fast Raman spectroscopic imaging

Abstract

Raman spectroscopy plays an increasingly important role in various fields, especially in

biomedical and medical aspects. Since it can be used for noninvasively quanlitative and

quantitative detection of molecular components of biological tissue, it can provide valuable

information in the improvement of clinical diagnosis and quality.

However, the method of point scanning is usually used by the Raman spectrometer now, it

is necessary to develop a fast Raman spectroscopy imaging system because of the low spatial

resolution and slow data acquisition speed when the Raman spectra are collected from a large

area of interest. In this paper, we explore the spectral reconstruction algorithm for fast Raman

spectroscopy in depth. First of all, a detailed description of several commonly used spectral

imaging technologies: point scanning, line scanning, multi-spectral imaging and snapshot

spectral imaging. Then, the fast Raman imaging based on narrow-band measurement and

spectral reconstruction is discussed, and the disadvantages of the traditional spectral

reconstruction algorithm for biological tissue samples are summarized. Finally, we developed

a novel spectral reconstruction method based on stepwise Wiener estimation, which was

verified successfully by numerical simulation and phantom as well as experiments. The

proposed spectral reconstruction method improves the accuracy of the reconstruction of Raman

spectrum combined with our previously developed sequential weighted Wiener estimation.

It can be seen from a large number of experimental data that, it is quite excellent in most

cases, in which the stepwise Wiener estimation and the stepwise sequential weighted Wiener

estimation are performed on the spectral reconstruction for spontaneous Raman spectroscopy

and surface-enhanced Raman spectroscopy. Furthermore, by applying the stepwise sequential

weighted Wiener estimation, the extremely weak and complex Raman spectra of cell samples

were successfully reconstructed from the narrow-band measurement acquired by a four-channel

wide-field Raman spectroscopic imaging system. The stepwise sequential weighted Wiener

estimation is superior to the stepwise Wiener estimation in the reconstruction accuracy of

spontaneous Raman spectra. However, the stepwise Wiener estimation is faster in

computational speed than the stepwise sequential weighted Wiener estimation.

Key words: Raman spectroscopy; spectral imaging; narrow-band measurement; spectral

reconstruction; stepwise Weiner estimation

东北大学硕士学位论文目录

－1－

目录

独创性声明 ..................................................................................................................................................... I

摘要 ............................................................................................................................................................ II

ABSTRACT .................................................................................................................................................. III

第 1 章绪论 ............................................................................................................................................... 1

1.1 光谱 ............................................................................................................................................................ 1

1.2 光谱的分类 .............................................................................................................................................. 2

1.2.1吸收光谱 ................................................................................................................................................ 2

1.2.2发射光谱 ................................................................................................................................................ 2

1.3 拉曼光谱 ................................................................................................................................................... 3

1.3.1 拉曼光谱介绍 ...................................................................................................................................... 3

1.3.2 增强拉曼光谱 ...................................................................................................................................... 6

1.3.3 拉曼光谱的噪声 ................................................................................................................................. 9

1.4 拉曼光谱在生物医学中的应用 ....................................................................................................... 11

1.5本文主要内容及架构 ................................................................................................................................. 12

第 2 章拉曼光谱仪及光谱成像 ............................................................................................................. 15

2.1 拉曼光谱仪介绍 ......................................................................................................................................... 15

2.2 拉曼光谱成像方法 ..................................................................................................................................... 23

2.2.1 点扫描式拉曼光谱成像 ................................................................................................................. 23

2.2.2 线扫描式拉曼光谱成像 ................................................................................................................. 25

2.2.3 凝视型拉曼光谱成像 ...................................................................................................................... 25

2.2.4 快照型拉曼光谱成像 ...................................................................................................................... 26

2.2.5 基于光谱重建的拉曼光谱成像 .................................................................................................... 27

2.3 基于光谱重建的拉曼光谱成像的理论基础 ....................................................................................... 28

2.3.1 维纳估算 ............................................................................................................................................. 28

2.3.2 均方根误差（RMSE） ...................................................................................................................... 34

2.4 本章小结 ....................................................................................................................................................... 34

第 3 章基于分步式维纳估算算法的光谱重建方法研究.................................................................... 37

3.1 介绍 ................................................................................................................................................................ 37

东北大学硕士学位论文目录

－2－

3.2 实验准备 ....................................................................................................................................................... 39

3.2.1 滤光片选择 ........................................................................................................................................ 39

3.2.2 实验样本 ............................................................................................................................................. 40

3.2.3 训练数据集 ........................................................................................................................................ 41

3.3信号采集 ........................................................................................................................................................ 42

3.4 预处理 ........................................................................................................................................................... 42

3.4.1 荧光背景剔除 .................................................................................................................................... 42

3.5光谱重建 ........................................................................................................................................................ 43

3.5.1 顺序加权维纳估算 ........................................................................................................................... 43

3.5.2 分步式维纳估算 ............................................................................................................................... 44

3.6 后处理 ........................................................................................................................................................... 46

3.7实验结果 ........................................................................................................................................................ 47

3.8 本章小结 ....................................................................................................................................................... 52

第 4 章总结与展望 .................................................................................................................................. 55

4.1 总结 ................................................................................................................................................................ 55

4.2未来的工作 ................................................................................................................................................... 55

参考文献 ..................................................................................................................................................... 57

致谢 ............................................................................................................................................................. 61

附录 ............................................................................................................................................................. 62

东北大学硕士学位论文第 1 章绪论

－1－

第 1章绪论

1.1 光谱

在 1666 年，物理学家牛顿做了一个光的色散实验。他在暗室中引入一束太阳光，

让太阳光通过棱镜，在棱镜后面的白色屏幕上，出现了红、橙、黄、绿、蓝、靛、紫七

种颜色的光并且分散在不同的位置上（波长请参考表 1.1），形成了一道彩虹。那么，复

合光借助于分光元件色散成单色光，在一个平面上按照波长的顺序排列成一个谱带，这

个谱带就称作光谱[1]。谱带分布请参考图 1.1。

表 1.1 可见光波长列表

Table 1.1 Wavelength list of visible sight

颜色波长(nm)

红 780-630

橙 630-600

黄 600-570

绿 570-500

靛 500-470

蓝 470-420

紫 420-380

图 1.1 光的波长范围

Fig. 1.1 The wavelength range of light

光谱从是否可以被肉眼识别来区分，可以划分为可见光和不可见光。在不可见光中

又按波长划分出红外线和紫外线。如图 1.1 所示，红外线排在可见红光的外侧，波长范

围为 0.75 微米到 1 毫米之间。但是它具有很强的穿透能力，在通过一些悬浮粒子的时

候，很容易被物质吸收，使物体变热，因此红外线具有明显的热效应。0.4 微米以下的光

源属于紫外线，当太阳辐射中的紫外线在穿过大气层时候，大部分都被吸收，只有少部

分紫外线能到达地面，而紫外线对人和动物基本没有危害，可以从一定程度上进行杀菌

和消毒作用。可见光谱对人类的生活和生产有极大的帮助作用。自然界的一切物质都可

以与各种频率的电磁波辐射发生相互作用，这种作用表现为对光的吸收或者吸收后再发

射出各种波长的光。根据辐射能量传递的情况可以将光谱分成吸收光谱，发射光谱和散

射光谱。


－2－

1.2 光谱的分类

在自然界中，各种物质都可以与各种频率的电磁波辐射发生相互作用，这种作用表

现为对光的吸收或者吸收后再发射出各种波长的光。根据辐射能量传递的情况可以将光

谱分成吸收光谱[2]，发射光谱[3]和散射光谱[4]。

1.2.1吸收光谱

物体吸收光以后，其内部的电子从比较低的能级跃迁到比较高的能级而产生的光谱，

叫做吸收光谱（Absorption Spectrum）。吸收光谱可以用来探索分子、原子和其他许多

物质的内部结构等。那么，当比较高的温度的光源发出白色的光以后，它们通过相对温

度较低的气体后就可以产生吸收光谱。其实太阳光谱也属于吸收光谱的一种。

利用光谱技术来分析物质内部元素的时候，只要这种元素含量达 10-10 克以上，那么

就可以从光谱中发现这种元素的特征谱线，进而达到识别物质的目的。因此，光谱分析

的应用领域比较广阔。比如在新型的半导体领域，光谱分析的方法可以用来检查半导体

中锗或者硅的含量是否符合要求。在很久以前，铯和铷等一些新元素就是科研人员通过

光谱分析技术发现的。

1.2.2发射光谱

对于自己可以发光的物体，它们发射光以后形成的光谱称作发射光谱。而荧光光谱

就属于发射光谱中的一种。在物质经过波长较短的光照射时，首先将储存一定能量，然

后缓慢释放出波长较长的光，而这种被释放出来的光则成为荧光。而荧光能量与波长的

关系图，通常则称之为荧光光谱，荧光光谱一般都需要靠光谱检测技术得到。

荧光光谱也是科研人员经常使用的分析方法，并已得到了极为广泛的应用。荧光光

谱技术的优点主要包括：灵敏度高，选择性强，工作曲线线性范围宽，能提供激发光谱、

发射光谱、发光强度、发光寿命、量子产率、偏振和各向异性等。其中荧光光谱的灵敏

度比紫外可见分光光度法高 2-3 个数量级，现在荧光光谱检测已经作为一种非常重要和

常用的分析技术。目前，生物、药物、医学、食品和环境等领域都有荧光光谱分析技术

的应用。然而，并非所有吸光物质都能够发射荧光，这主要是由于在激发态分子释放激

发能的过程中除了能发射荧光外，还可以有辐射和非辐射跃迁的过程，这些过程都将与

荧光发射相竞争，其中荧光量子产率与每一个过程的发射速率常数都有关系。


－3－

1.3 拉曼光谱

1.3.1 拉曼光谱介绍

在散射光中，从组织样本的分子和入射光的光子相互作用的角度，可以将散射分成

弹性碰撞和非弹性碰撞。当一部分入射光子和样本分子在碰撞过程中没有发生能量交换，

入射频率和散射频率都没有改变，波长也没有发生任何改变，只是这些光子的运动方向

改变了，这属于弹性碰撞，在光谱上称作瑞利散射（Rayleigh）。瑞利散射的光谱是和入

射频率相同的强散射谱线，占散射光的主要部分，其散射光的强度大约是入射光的 10-5

倍[5]。

当入射光的光子和组织样本分子非弹性碰撞时，有一部分入射光子和组织样本分子

之间进行了能量交换，这些入射光子不但改变了运动方向，并且，同时它们也改变了能

量。它们的频率也发生了变化，这样的散射在光谱上被称作拉曼散射。拉曼散射的强度

大约是入射光线的 10-7，比瑞利散射弱了大约 100 倍。请参考图 1.2。

图 1.2 拉曼散射

Fig. 1.2 Raman scattering

在检测拉曼散射的时候，由于散射光线的强度非常弱而入射光非常强，通常为了排

除入射光的干扰，一般都选择与入射光线垂直的方向来接收拉曼散射。在接收拉曼散射

的时后，散射谱线都围绕着瑞利散射的光线对称分布。在拉曼散射中，入射光的频率高

于散射光的频率时，这样的散射线被称为斯托克斯（Stokes）线，而入射光的频率低于

散射线的频率时，这样的散射线被称作反斯托克斯线（Anti-Stokes）[6]。斯托克斯线是由

于分子吸收能量后跃迁到较高能级，而反斯托克斯线是分子吸收能量后跃迁到较低能级。

在通常情况下，分子总是处于振动基态，因此拉曼散射中总是以斯托克斯线为主，反斯

托克斯线的强度则很低。斯托克斯线和反斯托克斯线统称为拉曼光谱。


－4－

通过散射光和入射光在频率上的变化，往往用拉曼光谱来测定和分析分子内部的结

构信息，散射光相对于入射光在频率上的移动幅度，则取决于分子的能级特征[7]。入射

光子的频率和分子跃迁所涉及的能量差同拉曼光谱没有对应关系。理论上，拉曼光谱对

入射光没有要求，只要能量够就可以。但是在实际应用中，通常使用能量比较高的紫外

或可见光源来取得拉曼光谱。这样就等同于把原来在红外或者远红外检测的光谱移到了

紫外或可见区来研究。

拉曼光谱产生于光子的非弹性碰撞，属于光的散射技术。当光线入射被检测的样本

时，光子与样本的分子间产生了相互作用，激发出不同波长和频率的散射光。然而，这

个散射出来的光，包含了非常丰富的微观世界的信息，随着科学技术的进步目前已知的

信息有：化学成分鉴别信息，分子结构信息，分子键的互相作用信息，还有样本的环境

与内部承压信息等等[8]。

散射光与激发光或者入射光在频率上的差值通常称作拉曼位移（Raman Shift），即

入射光与斯托克斯线、反斯托克斯线的频率差。另外，瑞利线和拉曼线的波数差也被称

作拉曼位移。拉曼位移的幅度与分子振动能级的变化相关，与入射光源的频率没有任何

关系，其值的大小取决于物质分子振动激发态和振动基态的能级差。

在分子体系中，斯托克斯（Stokes）、反斯托克斯（Anti-Stokes）和瑞利散射（Rayleigh）

主要同分子的振动、旋转和电子跃迁息息相关。散射光在各个方向上都存在，随着波长

的不同，其偏振的方向通过观察也会发现有很大的不同。在拉曼散射时，光子可以携带

更高或者更低的能量，这种情况取决于分子的振动状态。

图 1.3 拉曼散射能级图

（a）斯托克斯拉曼散射（b）反斯托克斯拉曼散射

Fig. 1.3 Energy level for Raman scattering

(a)Stokes Raman scattering (b) anti-Stokes Raman Scattering

如图 1.3 所示，拉曼散射用能级图来表达。当一个光子的分子能量从基态（Initial

State）跃迁到虚态（Virtual State）时，分子将立刻从虚态发射一个光子到原始电子态。


－5－

如果光子回到比它原来还高的振动能级，如图 1.3 中（a）所示，发射光子具有较小的能

量，即比入射光子波长

到目前为止，在两个过程中较强的是斯托克斯散射，其中光子以比较低的能量进行

散射。因为通常在室温下，分子的群体状态主要处于其最低的振动状态，这些是较大的

拉曼散射效应。同时，只有少量分子处于更高的振动水平，所以散射的光子可以用更高

的能量进行散射，能量增益也向高能量移动，这种现象就形成了更弱一点的反斯托克斯

拉曼散射。

入射光子同时将与分子相互作用，并且通过光子的能量变化（损失或增加）的数量

来找到每个振动键的本质特征。当然，并不是所有的振动都可以用拉曼光谱来观察到的，

这取决于分子的对称性，通常存在足够的信息以实现分子结构的精确表征。

因此，C-H 键的能量移动量与用 C-O 键观察到的能量移动量不同，并且与用金属-

O 键观察到的量也不同。通过观察所有这些各种波长的散射光，就可以检测不同键和振

动相关的波长范围。

拉曼光谱现在已经变成非常重要的科学研究与分析工具，它适用于各个领域，比如：

生物医学、医疗、制药、司法物证、半导体和薄膜等，还可以用于物质的化学结构和纳

米材料的分析等。拉曼光谱可以对物质做定性和定量分析，可以获得分子的振动、转动

方面的内部信息，同时也能取得分子结构信息。拉曼光谱还可以提供便利、高速，可重

现并且更重要的无创伤性的分析。甚至，不需要进行样本制备就可以通过光纤探针或玻

璃、石英或者光纤等进行拉曼测量。拉曼光谱的特点主要有以下几点：

(1).拉曼位移频率通常在拉曼光谱图的横坐标，用波数来表示；纵坐标为谱带强度。

(2).拉曼位移的波长在 3000-6000nm 的中红外区，常规扫描范围为 40-4000cm-1。

(3).具有红外及拉曼活性的分子，同一振动方式产生的拉曼位移频率（波数）和红外

吸收频率（波数）近似相等。

但是拉曼散射信号比较弱，这个是其固有的并且不能改变的特性。因此，在实验过

程中，拉曼散射检测灵敏度低的话，对接收到的弱的散射信号影响就更大。所以，在低

浓度溶质分析方面，拉曼光谱检测技术的优势不明显，特别是在微量和痕量分析时，因

为被检测物质量少而体现的更明显。但是可以通过其他技术手段来弥补这个不足。

拉曼光谱在优点方面，主要包括以下几点：


－6－

(1).因为水对拉曼散射基本没有影响，所以，拉曼光谱是研究水溶液中化学化合物和

生物组织样本的有效工具。

(2).拉曼光谱在图像上，峰清晰尖锐，容易辨识，更适合定量研究，数据查询，还有

利用差异分析做定性研究。

(3).拉曼测量波数范围比较广，可以同时对 50-4000 波数的范围进行全面覆盖，不但

可以对有机物进行分析，对无机物也可以进行分析。这比红外线有先天的优越性，不需

要改变光栅、光速分离器、滤波器和探测器就可以完成。

(4).激光的聚焦点的直径都比较小（通常只有 0.2-2 毫米），所以拉曼测量只需要少

量的样本就可以完成检测。如果将拉曼显微镜的物镜进一步聚焦到焦点更小，则可以分

析更小面积的样本。

1.3.2 增强拉曼光谱

拉曼光谱尽管优点有很多，很适合科研和临床使用，但是也有很多不完美的地方，

信号弱是它的一个固有缺陷，从上文可知拉曼光谱的强度是瑞利散射的 0.01 倍左右。这

就增加了拉曼光谱的捕捉难度。为了便于识别和捕捉拉曼光谱，产生了以下三种增强拉

曼信号的技术。

(a) 表面增强拉曼光谱术（SERS）

在分析和实验中，为了提高拉曼散射信号的质量，很多情况下需要人为的设计实验

模型来增强样本的拉曼光谱强度。当在金属颗粒或者凹凸不平的金属表面作用下，直

接吸附在金属表面上物体的拉曼横截面会比正常情况扩大一千万倍。这种效应就是表

面增强拉曼光谱术（Surface enhanced Raman spectroscopy）[9]，如图 1.4 所示。通常实

验中经常采用的金属有金、银和铜等，其中增强效果最好的是银，铜比金弱一些。

图 1.4 表面增强拉曼光谱

Fig. 1.4 Surface enhanced Raman spectroscopy

表面增强拉曼光谱术通常有两种增强机制：


－7－

(1).增强的电磁场发生在金属表面上。当入射光的波长和金属的等离子体波长相同

或者相近时，金属表面中的传导电子受到能量激发，转变成等离子体共振的电子激发

态。在大的电磁场的作用下，极大的增强了垂直于表面的振动模式，分子被吸附住或

者直接靠在表面上。因此，激发光源和金属表面发生了相互作用，这导致被分析物质

的电场强度增大。这种电场强度只维持在金属表面，随着离表面距离的增加，则衰减

严重。

(2).物质表面和被检测组织样本分子间形成电荷转移复合物，他们的电子跃迁处于

可见光区，因此发生共振增强。最强的表面增强拉曼光谱是具有孤对电子或π云的分

子产生的。当样本与金属波函数重叠产生的表面增强拉曼光谱时，其作用范围比电磁

效应更短，只与被分析物质相关。为了取得更强的表面增强拉曼光谱，最好式金属的

表面具有适当的粗糙程度，越凹凸不平越好。

表面增强拉曼光谱术的一大优点是能很好的抑制荧光背景[10]。尽管从一定程度上

提高了拉曼光谱的强度，比常规拉曼光谱的范围更广，但是检测过程要求样本必须和

金属接触，这样很容易发生化学反应，影响检测结果。

表面增强拉曼光谱虽然因为信号增强为分析带来了便利，但是在实际的实验和临床

应用中也存在一些缺点：(1).在分析的过程中，要求被检测的样本必须和基衬紧密接

触，这就让拉曼光谱的无创性受到损害，而且拉曼光谱的非接触式检测的优点也荡然

无存。同时，基衬的稳定性又很难控制，这个是未来需要解决的基本问题。(2).SERS

要求对检测的分子必须含有磷、硫、氨基、氮原子硝基、芳环等其中之一的成分，这

就对样本的范围有了很严格的界定。这种限制导致被检测样本很有可能和基衬发生化

学反应，失去其本质的成分，让检测变得失去意思。

(b) 共振增强拉曼光谱术（RRS）

共振拉曼散射发生时，被检测组织样本分子的电子跃迁波长和其激发光的波长相等

或者相近。共振拉曼散射比自发光拉曼散射强度要高很多，通常是一百万倍以上，用

这个特点可以确定更加丰富的拉曼光谱特征信息，也可以观察到泛音和组合振动光

谱。因此共振拉曼光谱是自发光拉曼光谱的一个变种，常规拉曼光谱采用任意波长的

激光作为激发光源，但是共振拉曼光谱的激发光源光子能量与某个跃迁的电子的能量

相等或者相近。

共振拉曼光谱（Resonance enhanced Raman spectroscopy）[11]可以用于检测低浓度溶

液和微量的组织样本，特别是生物医学中大分子的组织样本检测。比如，在不对样本


－8－

进行预处理的情况下，获取各个时间段人体体液的拉曼光谱。另外，分子对称性的信

息通过共振拉曼偏振测量技术完成的。在实验方面，共振拉曼散射通常比拉曼散射更

难获取，实验模型中需要掌握激发光的波长，还要知道样本电子发色团的吸收区的波

长。这些只能通过样本厚度来控制，增加了实验的复杂度，使定量分析变得困难。另

外，对激发光的控制，使共振拉曼光谱的强荧光背景更强，更难于处理。

拉曼散射中包含的荧光背景和拉曼光谱检测技术较低的灵敏度，这些式导致常规拉

曼光谱的广泛应用的主要原因。但是，紫外拉曼光谱技术有效的解决了以上问题。共

振拉曼光谱以紫外共振拉曼光谱（UVRRS）为代表，它是负责生物系统分子分析的强

有力工具。当大多数生物系统吸收紫外线的辐射后，它们就具有与紫外拉曼激发共振

的能力。这导致了高度选择性的共振拉曼效应，从而增强了重要的生物学靶标，如蛋

白质或者 DNA。例如，波长 200nm 左右的入射光，可以激发并增强了酰胺基振动引起

的拉曼峰; 在 220nm 附近的激发增强了来自某些芳族残基的峰。来自水的拉曼散射很

弱，允许分析非常弱的含水体系。如图 1.5 所示，紫外拉曼光谱的共振能力使其可以避

开荧光背景的干扰。波长在 300 nm-700 nm 的范围或者更长的波长区域，往往会出现

荧光背景。但是，从若干的实验中可以看出，荧光背景却很少出现在紫外区的波长区

间。

图 1.5 紫外拉曼光谱避开荧光背景的原理图

Fig. 1.5 Schematic for UV Raman spectroscopy to avoid fluorescent background

(c) 混合增强拉曼光谱术(SERRS)

当将共振增强拉曼光谱和表面增强拉曼光谱叠加利用时，可以使拉曼横截面比自发

光拉曼散射提高了 1014 - 1015 倍，比单独采样表面增强拉曼光谱技术，拉曼横截面积提

高了 2 倍。因此，混合技术使得拉曼光谱强度和灵敏度大大提升。


－9－

混合术的使用使得单分子拉曼光谱术成为可能。它虽然增强了拉曼光谱的灵敏度，

同时也具备 SERS 和 RRS 的共同弱点，都丧失了拉曼光谱的非侵入和非接触检测的基

本优点。

1.3.3 拉曼光谱的噪声

任何信号在采集的时候都会有或多或少的噪声，拉曼光谱也不例外。拉曼光谱的强

度和噪声强度的比值，被称为信噪比（Signal to Noise Rate），简写成 SNR[12]。信噪比

（SNR）是衡量拉曼光谱质量的一个主要因素。良好的拉曼信号值就应该是拉曼信号

的强度大，而噪声的强度比较小，即信噪比越高的拉曼光谱质量越好，相反 SNR 越低

则噪声强度大，拉曼信号的质量就越差。

对拉曼噪声进行深入的研究，不但可以提高拉曼信号质量，而且可以为选择正确的

分析方法和手段奠定基础。对于拉曼信号和噪声的分析会根据不同的研究方向有很大

的差别。比如对溶剂的分析，当检测溶解度的时候，可以把溶剂的光谱作为主要分析

成分。当要分析溶质的时候，它就成为噪声。通常，我们认为光谱中没有用处的谱线

强度都是噪声，而有用信息的谱线强度都属于信号。

从形态上噪声可以分为规律噪声和无规律噪声。有规律噪声就是在每次检测中获取

的光谱都相同或者大致相同。因为信号固定，所以规律噪声剔除比较容易。无规律噪

声则每次检测到的都不一样，如果把多次检测的光谱叠加的话，则无规律噪声随着叠

加噪声的增多而增长的比较缓慢。因此，利用这种不断增加重复光谱次数的方法，不

但可以有效的改善信噪比，而且还可以用这种方法来剔除噪声。

通常情况下，拉曼光谱的背景有荧光背景、磷光背景和其他背景等三种：

（a）荧光背景

拉曼光谱中荧光背景是最常见的一种噪声，如图 1.6 所示。荧光光谱从外观上看，

拉曼光谱的峰都比大部分的荧光光谱的峰要窄一些，荧光光谱的峰就和拉曼光谱的基

线差不多。从样本本身来分析，很多样本并不具备多强的荧光。但是，很多物质都可

以将激发光源中的光子吸收，吸收后将其转化成荧光光子。转化后的荧光横截面通常

是正常的拉曼横截面的 1010 倍，极具放大。如果这样的物质在样本中的含量高的话，

那拉曼光谱的强度会被荧光的强度完全压制。因此拉曼光谱实验又多了一个步骤，对

于未知样本，最好先进行这种荧光转化物质的检测。这样做的好处是可以有效的降低

实验中拉曼光谱的荧光背景。


－10－

从另一个角度看，电子从激发态返回到基态可以通过很多种方式，当电子返回基态

是通过非辐射的方式时，它就不会发光，不会对光谱产生任何影响。如果通过荧光的

方式返回基态时，则产生了荧光背景。对于有机分子而言，当它的化学键受到破坏

时，产生的化学反应大部分都属于非辐射的方式，即不发光。这种几率虽然不是固定

的，但是这种不发光的返回基态的方式破坏了荧光分子，从而消除了荧光背景。基于

这个原理，对于在实验室中对组织样本检测拉曼光谱时，通常都用激光对样本进行照

射一段时间，这样可以一定程度的破坏荧光分子，从而减弱实验过程中的荧光背景。

图 1.6 带荧光背景的拉曼光谱

Fig. 1.6 Raman spectroscopy with fluorescence background

除了通过上述实验的方法剔除荧光背景以外，还可以通过控制激发光源来有效减少

拉曼光谱的荧光背景。通过控制激发光源的波长，使其不被荧光物质吸收，或者产生

拉曼光谱范围外的荧光，对正常信号不产生任何影响。

（b）磷光背景

和荧光背景类似，磷光的发光过程也在拉曼光谱的谱带中产生相应的背景。电子返

回基态时，以辐射的方式进行，发光的时间可以达到数秒钟。由此，在采集拉曼光谱

的同时也产生了强大的磷光背景。

通常情况下，液相的磷光比较微弱，从拉曼光谱中很容易剔除。但是固态的磷光通

常吸收几乎所有的光子，在拉曼光谱中呈现极强的光谱强度。

（c）其他

除了常见的荧光背景和磷光背景外，还有许多其他因素也会给拉曼光谱带来一些噪

声。比如组织样本本身的杂质，他们会带来相应的噪声。仪器中经常含有的氖光灯就

是近红外原子谱线的来源。而我们自然界的太阳光也体现出基本的背景光的谱线形

状。


－11－

1.4 拉曼光谱在生物医学中的应用

由于拉曼光谱可以用于鉴别组织成分并可以确定细胞、组织和器官内部的病理变

化，对于医生在解释疾病发展和病理研究，以及在提高临床诊断的准确性、精准的临

床治疗方面都提供了非常有价值的数据和信息。因此，在过去的几十年中，拉曼光谱

在生物医学领域和临床方面都有大量的实际应用[13,14]。

拉曼光谱在生物医学领域使用的基础是其对生物分子振动特性的解释，以及样本采

集的无创特性等。采用拉曼光谱做病理分析，生物样本可以在原有的生理学条件下完

成（不需要做预先的样本准备和预处理等环节），所以，拉曼光谱显示了在临床应用

上的广阔前景。

在生物医学领域，拉曼光谱的应用和其他诊断技术相比，拉曼光谱术具有以下几个

方面的优越性：

(1).拉曼光谱术适用于各种样本形态。

(2).拉曼光谱不但可以处理单晶，多晶或无定型的固体外，薄膜、纤维、凝胶、悬

浮液和沉淀物也可以处理。这样样本比较符合生物医学的样本特征，生物医学的样本

大多是液体和软组织等，或者是混合物。拉曼光谱术样本准备的要求更简单。

(3).常规的病理学检测需要对样本做比较复杂的准备处理，这些处理过程可能引起

样本发生结构变化，或者分解等不期望结果的出现。而拉曼光谱术没有这些复杂的准

备工作，它甚至可以直接在生物体上做检测，这种活体样本的检测可以在医疗过程中

做实时诊断和测量。这个特性是其他检测手段无法完成的，拉曼光谱术同其他诊断手

段相比做到真正的无创性。

(4).拉曼光谱可以对组织样本的化学成分进行鉴别，对其分子结构进行分析，还可

以对动力学过程和分子相互间作用进行检测。拉曼光谱术比其他诊断手段需要的样本

量更少。

(5).拉曼光谱的激发光通常聚焦成几个微米的光点，在原位测试中能对感兴趣区域

（ROI）进行精确的定位，极少的样本量就可以做完整的检测。拉曼光谱术能对样本进

行定性表征和定量或半定量检测。

(6).拉曼光谱可以检测蛋白质、类脂体、血液和核苷酸的特征拉曼峰，可以检测出

每种成分的绝对浓度和相对比例，并可以将其与病理变化相联系。


－12－

在具体的应用方面，拉曼光谱术不但可以识别生物组织样本的基本成分，还可以将

其与疾病状态相联系。利用拉曼光谱可以很容易识别出核酸的空间结构，利用拉曼峰

还可以跟踪核酸分子的变化或核酸与其他物质相互作用的过程；拉曼光谱还可以检测

出蛋白质的结构，对研究多肽和蛋白质的二级结构具有很高的的参考价值。比如，普

通的影像技术可以识别出结石，但是无法确认结石的化学成分，利用拉曼光谱可以轻

松探测到结石的化学成分，指导临床精准治疗。

拉曼光谱的非侵入和无创检测等特性，非常适用于药物分析。另外，拉曼光谱还可

以透过玻璃对样本进行检测，这就使得其应用范围扩大到液体和溶液，可以分析药物

在水中的分子结构信息。拉曼光谱在实时临床上也有很多应用，如图 1.7 所示，采用拉

曼光谱诊断皮肤癌的系统应用。

图 1.7 拉曼光谱诊断皮肤癌系统图[15]

Fig. 1.7 Raman system for skin cancer diagnosis[15]

1.5 本文主要内容及架构

文本以拉曼光谱为主线，从拉曼光谱的基本概念开始，讨论了光的散射基本理论。

从分子运动的角度探讨了拉曼光谱对分子运动的影响，以及可以获取的信息。从概念

上区分了瑞利散射，斯托克斯散射和反斯托克斯散射等，详细介绍了拉曼光谱在生物

医学领域的应用和优势。同时引入了我们团队之前研发的新的维纳估算法、顺序加权

维纳估算法和分步式顺序加权维纳估算法。最后对快速拉曼光谱成像中的光谱重建算

法进行了深入的研究和探讨，并对拉曼光谱成像的展望进行了一系列的阐述。

第一章主要介绍了光谱，以及光谱的分类，从散射光谱为入口引出对拉曼光谱的介

绍。因为拉曼光谱本身的信号比较弱，对其的采集比较困难，所以在实际的使用过程


－13－

中或者实验过程中大部分使用增强的拉曼光谱（包括表面增强拉曼光谱、共振增强拉

曼光谱和表面与共振混合的拉曼光谱）。表面增强拉曼光谱提供增强的拉曼信号，通

过吸附在粗糙金属表面上活纳米结构的分子来增强拉曼散射的，强度通常是自发光拉

曼散射的好几个数量级。有两个主要的机制促进表面增强拉曼光谱的产生：电磁理论

和化学理论。前者提出激发局域表面等离子体，只能应用到那些只有物理吸附到表面

的情景。后者主要提出了，电荷转移复合物的形成。化学理论只适用于表面形成化学

键的组织样本，并不能解释所有的增强现象。

在实验室检测组织样本的拉曼光谱时，由于实验条件的限制或者样本、仪器等因素

导致光谱中夹杂噪声。拉曼光谱的噪声有很多种，典型的噪声有荧光噪声，磷光噪声

以及其他噪声等。对这些噪声的剔除有很多种方法，但是实验室经常采用的方法会对

样本进行激光不定时照射，可以有效减少组织样本的荧光背景。

在第一章的最后部分，介绍了拉曼光谱术在生物医学中的应用，给出了一套用拉曼

光谱来诊断皮肤癌的系统结构。

第二章以拉曼光谱仪和拉曼光谱成像技术为核心进行综述。

拉曼光谱仪从原理上分滤光型拉曼光谱仪、分光型拉曼光谱仪和迈克尔逊干涉仪型

拉曼光谱仪三种。早期的拉曼光谱仪从结构上来看都比较简单，操作平台基本都暴露

在外面，而随着技术的改进，新型的拉曼光谱仪都通过计算机终端进行全自动监控。

拉曼光谱成像技术从原理上可以分五种：点扫描式拉曼光谱成像、线扫描式拉曼光

谱成像、凝视型拉曼光谱成像、快照型拉曼光谱成像和基于重建的拉曼光谱成像。点

扫描式出现的最早，通过逐点的方式采集拉曼散射，速度慢、耗时长，效率比较低。

线扫描逐行采集拉曼散射，在速度上比点扫描式提高了很多倍。凝视型拉曼光谱成像

可以一次将特定的波长的拉曼光谱和空间信息采集到，比前两种成像方式从技术上改

进了很多，但是无法一次采集到多种波长的拉曼光谱。基于光谱重建后的拉曼光谱成

像技术，同时结合了凝视型拉曼光谱成像和快照型拉曼光谱成像的优点，通过获取窄

带测量光谱，进而重建每个点的拉曼光谱，它大大降低了对 CCD 探测器的需求，也加

快了数据后处理的速度。

在基于光谱重建的拉曼光谱成像中因为维纳估算效率比较好，故成为我们研究的主

要算法。在光谱重建的拉曼光谱成像理论基础中，详细阐述了传统维纳估算法和改进

的维纳估算法。在第二章的最后部分，文章详细阐述了相对均方根误差（RRMSE）的


－14－

概念，它是用来检测拉曼光谱重建效果的有效手段，目前逐渐成为衡量拉曼光谱重建

值与观测值之间差异最常用的标准。

第三章以快速光谱成像算法为重点，详细介绍了我们自主开发的基于分步式维纳估

算算法的光谱重建方法。通过计算机仿真及多通道宽场拉曼成像系统测量的数据，验

证了分步式维纳估算算法的可行性。通过实验结果得出：分步式维纳估算（WE）法和

分步式顺序加权维纳估算（WE）法在拉曼光谱的重建上具有速度和质量双重优越性。

同时又证明了基于窄带测量后进行光谱重建的多通道宽场拉曼光谱成像系统具有较高

的可行性。

最后，在第四章中，描述了拉曼光谱的现实意义，并对未来的应用场景加以期望。

借助于现代仪器的发展，拉曼光谱的在医学上的应用潜力越来越大。采用分步式维纳

估算算法重建的拉曼光谱成像技术，在速度上比其他算法有极大的优势，因此可以应

用于术中肿瘤边缘界定方面，拉曼光谱的无创性，又可以让其在辅助生殖领域辅助诊

断男性精子质量。

东北大学硕士学位论文第 2 章拉曼光谱仪及光谱成像

－15－

第 2章拉曼光谱仪及光谱成像

2.1 拉曼光谱仪介绍

2.1.1 拉曼光谱仪

拉曼光谱被科学证实后，随着新技术的出现，拉曼光谱仪在不断的发展和改良，实

验困难的局面早已经彻底被打破。普通的实验人员就可以在实验室完成全部的实验过程。

图 2.1 拉曼光谱仪

Fig. 2.1 Raman spectroscopy instruments

（图 2.1 来自于雷尼绍公司网站 http:// www.renishaw.com）

如图 2.1 所示，早期的拉曼光谱仪处于半自动化状态，操作台、样本台都暴露在外

面。随着技术的发展，目前最新的拉曼光谱仪已经全自动化，通过计算机终端来进行

监控和管理。如图 2.2 所示，雷尼绍公司的 RA802 药物分析仪是一款灵活小巧的台式

拉曼成像系统。它操作简单，能在极短的时间内分析出大量的药物相关信息。它利用

拉曼光谱一些独特的技术，提前不需要做任何的样本制备，就通过实时聚焦追踪技

术，能够在极短的时间内对粗糙的组织样本表面进行高效的光谱分析。

图 2.2 雷尼绍 RA802 药物分析仪

Fig. 2.2 Renishaw RA802 pharmaceutical analyser

（图 2.2 来自于雷尼绍公司网站 http:// www.renishaw.com）


－16－

从内部结构上来看，拉曼光谱仪通常由三个部分组成：激发光源、样本光线传递

与收集和带探测器的色散元件（如图 2.3）。在检测时，系统将给定的激光光源通过光

纤探针或者光传送系统，照射到被检测样本的感兴趣区域；然后，通过光纤探针或者

相同的光纤传送系统来采集拉曼散射光，并将其输送到探测器。

图 2.3 拉曼光谱仪结构

Fig. 2.3 Raman spectroscopy instruments structure

在检测组织样本的拉曼散射时，散射光随着频移分散开来，我们通常根据分散开的

方式不同，将拉曼光谱仪分成三种类型：分别为滤光器型拉曼光谱仪、分光仪型拉曼光

谱仪和迈克尔逊干涉仪型拉曼光谱仪。

(1).滤光型拉曼光谱仪

结构比较简单，并由单色光源、单一波长滤光片和一组光学检测器这三个部件组成

的滤光镜就是滤光型拉曼光谱仪。拉曼散射的发现就是通过这种类型的光谱仪发现的。

它的结构也最简单，在实验过程中，人眼就可以充当检测器。因此，这也导致这种类型

的光谱仪制造容易，设备小巧，成本也相对低廉。滤光型拉曼光谱仪的波段非常窄，只

能检测到拉曼光谱的单一波长。

鉴于单滤光型的弱点，多滤光型拉曼光谱仪在保留了单滤光器拉曼光谱仪的各项优

点的同时，波段改进更宽，并可以检测多种波长的拉曼光谱。现在已经投入使用的多滤

光型拉曼光谱仪能在 0.2 秒内，同时检测出 6 种气体的拉曼波长。

由于实际生产的需求，在多虑光型拉曼光谱仪之后又出现了可变波长滤光型拉曼光

谱仪，能检测更多的波长。它通过依次检测相邻频移的拉曼强度，就可以获取某一个波

段或者整个波段的拉曼光谱。

总之，使用滤光型拉曼光谱仪做检测时，只有很窄的波段可以接收到，大部分拉曼

散射都损失。为了克服这个弱点，出现了分光型拉曼光谱仪。

(2).分光型拉曼光谱仪


－17－

将不同波长的光分离开，并将分离开的不同波长的光成像到一个平面的不同位置上，

如果在成像平面上同时安装上多元探测器，就可以同时捕获到不同波长光的强度，这就

是分光型拉曼光谱仪。这种类型的拉曼光谱仪具备多通道的特点，可以同时测得多种波

长的拉曼散射，可以明显缩短检测的时间，效率上比滤光型拉曼光谱仪要高很多。

图 2.4 是分光型拉曼光谱仪的基本原理图。当入射光经过反射镜后，其准直入射于

平面反射光栅上，另一个反射镜将光栅的衍射光反射到成像平面上。

分光型拉曼光谱仪在成像平面上的探测器可以同时检测不同波长的拉曼光谱，可以

明细缩短检测时间。而成像平面上的探测器通常会选择 CCD 阵列探测器，他们通常是

具有二维排列的探测元件。假设 CCD 分辨率为 600×600，从理论上讲，在相同的光谱

分辨率下，其检测的时间要比单滤光型拉曼光谱仪快 600 倍左右。多通道检测的优势从

这里可以完全体现出来。

拉曼光谱的获取效率往往会在检测的过程中发生这样或者那样的改变，假如在检测

过程中，样本位置发生了变化，使感兴趣区域偏离了激光的焦点位置，这时，由分光型

拉曼光谱仪的 CCD 探测器采集到的光谱的每个波段都受到相同的影响。排除收集到的

拉曼光子减少导致信噪比减小外，两个拉曼峰的面积比并不受影响。因此，即使来自样

本的拉曼散射强度变化很大时，依然可以做出很准确的定量测量。这个是可调谐滤光器

很难做到的。

图 2.4 分光型拉曼光谱仪光路示意图

Fig. 2.4 Optical schematic for spectrometer-type Raman spectroscopy instrument


－18－

(3).迈克尔逊干涉仪型拉曼光谱仪

迈克尔逊干涉仪型拉曼光谱仪是样本的拉曼散射光透过干涉仪后进入探测器，然后

得到拉曼散射的干涉图，接着用傅里叶变换将拉曼散射干涉图转换成拉曼光谱。如图 2.5

所示，通常用于拉曼光谱仪的迈克尔逊干涉仪光路示意图。在入射光通过分光镜后被分

为两束入射光，一束变为透射光，它入射到固定反射镜（右下方）；另一束反射光投射

到移动反射镜（右侧中间位置）。透射光和反射光经过反射镜 B 反射后射到同一个分光

镜上，最后聚焦于探测器上。这两束光是同一光源发射出来的，他们具有相同的频率，

相同的振动方向，恒定的相位差，因此属于相干光，所以左下方的探测器检测到的光的

强度是两束入射光干涉的结果。平移平面镜将导致两束光的光程差的变化，这就可以引

起入射到探测器上的光的强度有变化。当光程差发生从波峰到波谷一个波长的变化时，

这时光的强度将从最大值变到 0，然后再从 0 变到最大值。因此，光的强度和光程差之

间符合余弦函数的关系，再加上不改变的偏置值就可以得出光的干涉图。

因为许多样本对此类设备激发光的光波的吸收比对可见光的要小，那么，使用迈克

尔逊干涉仪型拉曼光谱仪在检测样本时对样本的损伤就变得更小了，不会发生因为强功

率的入射光，将样本损坏的情况。另外，此类光谱仪允许激发光源大面积的透射到组织

样本的表面上，拉曼散射的收集效率也不会降低，也就是可以散焦入射组织样本，样本

不至于因为入射光源而发生热损伤。

图 2.5 迈克尔逊干涉仪型拉曼光谱仪光路示意图

Fig. 2.5 Optical schematic for Interferometer-type Raman spectroscopy instrument


－19－

但是在使用迈克尔逊干涉仪型拉曼光谱的时候，需要注意样本移动对采集光谱的影

响。在检测过程中，如果样本连续移动，并离开焦平面很大的时候，就会导致拉曼峰的

宽化和形状变化。比如，检测表面比较粗糙的样本时，它的快速移动会导致拉曼散射的

强度在短时间内快速的变化，采集的光谱质量会下降。

2.1.2 拉曼光谱仪的发展

从拉曼光谱仪器的发展与改进过程来区分，它主要经历以下四个阶段：

第一阶段，以电子管为主要代表的拉曼光谱仪，光源主要为弧汞灯。

早期捕获拉曼光谱通过照相底片记录光谱，在光电倍增管出现以后，对光谱的捕获

出现了转机。它可以将强度很小的光信号转换成电信号，完全可以覆盖拉曼光谱的波长

范围。弧汞灯成为这个阶段拉曼光谱实验的主要激发光源。弧汞灯的结构请参考图 2.6。

图 2.6 弧汞灯结构

Fig. 2.6 Arc mercury lamp structure

在二十世纪五十年代初，第一台商业的拉曼光谱仪出现了，为以后对拉曼光谱的分

析和科学研究，以及在工业上的使用奠定了基础。

第二阶段，以激光作为光源。

在以弧汞灯为激发光源的时期，分析拉曼光谱存在严重的缺陷，因为样本产生的散

射谱线强度极其微弱，虽然有光电倍增管增强，但是在分子结构分析中也受到限制。到

二十世纪六十年代，激光作为新生的光源出现了，它具有以下三个优点：

(1).单色性好，

当频率范围大的光波在传输过程总，就会引起很大的噪声。通信距离变短，通信容

量也小。激光是单色光，激光的频率范围极窄，它的发散角也很小，只有几个毫弧，发

射出来的激光束就是一条直线。激光在传输中噪声小，传输的距离很远，损耗却很小。

(2).相干性高

和普通光源相比，激光的频率很单一，从激光光源发射出的激光完全向同一方向传

播，同时可以利用透镜把它们聚焦到一点，这样就把能量高度集中起来，送入光纤进行

传输。这就是相干性高的表现。


－20－

(3).方向性强

当激光从激光器发射出去以后，它完全以一条平行线的方式传输。一些科学实验证

明，如果把激光发射到 40 万公里以外，在目的地激光的光斑直径也不超过 2km。如果

换成其他光源，几万公里后大部分光源都耗尽能量而消失。

激光的采用，使利用非线性拉曼光谱分析成为可能，可以对 1μm2 的小面积和 1μ

m3 的小体积范围内做分子振动分析。随着超短激光脉冲技术的发展，为开展光谱学方面

的实验研究提供了有力的条件，在 1981 年，脉冲碰撞锁模激光器的发明，使得光学脉

冲宽度第一次进入了飞秒量级。随后，掺钛蓝宝石激光器的出现，使飞秒激光源得到了

广泛的应用，极大推动了光谱技术的进步和飞速发展。

但是，如果作为更为严格的医疗设备而言，激光源的选择也有很多要求。比如激光

的稳定性等因素就很重要，特别是使用多模激光时，对于给定的振动模式，拉曼光谱的

谱线会非常狭窄，而且具有高度的特异性。这意味着拉曼光谱的谱线位置和宽度需要激

发光源波长更稳定。

对于检测样本的性质是用于临床拉曼一起激发光源选择的主要标准之一。因为拉曼

位移和瑞利散射光线相关，从理论上可以从都不同的仪器中取得相同的结果。但是样本

的光学性质是重点要考虑的因素，比如散射和总衰减系数，以及样本中存在的任何内源

性荧光激发、发射和其他性质等。每个参数都同波长有一定的联系，具有高衰减系数的

样本将限制光传递和收集。因此可见，当把激光作为临床拉曼光谱的激发光源时，也需

要同时考虑被检测样本的组织特性，不能单单从激发光源自身特征出发。

第三阶段，纤维光学探针的引入。

二十世纪八十年代，纤维光学探针[16]引入拉曼光谱术中。探针的使用可以简化拉曼

光谱仪对样本的对光程序，并可以对实验室外面远离拉曼光谱仪的样本进行检测。九十

年代，由于科技的进步，又研发出了很多种纤维光学探针，又扩大了拉曼光谱技术的应

用范围。纤维光纤探针的结构请参考图 2.7。

纤维光学探针的主要作用是在检测样本时，向样本输送光源，同时收集样本的散射

光。它们通常由低 OH 二氧化硅制成的光纤，这种光纤在临床上被广泛用于许多光学应

用。二氧化硅具有固有的惰性，易于杀菌，且成本相对较低，因此在设计光纤探头时成

为首选材料。但是不幸的是，二氧化硅有具有强大的拉曼信号，有几个频带可以压倒样

本信号。这种光纤信号的强度通常大于被研究样本的大小，有时甚至更大，因此任何探

针设计都需要考虑到这种行为。光纤信号可以通过激发光在输送光纤芯和包层中产生。

另外，还可以通过返回到收集光纤中的任何激发波长的光在收集光纤中产生背景信号。


－21－

由于二氧化硅信号强度取决于样本的反射和散射特性以及由于光纤弯曲导致的光子损

失，所以数学技术通常不能将样本信号中的不需要的光纤信号去卷积。因此，使用二氧

化硅纤维的可行的探针设计必须防止在输送光纤中产生的二氧化硅信号照射样品，并且

防止弹性散射的激发光进入收集光纤并产生该信号。

到目前为止，已经提出了几种不同的设计方案，用于使用基于二氧化硅的光纤探针，

来采集临床应用的拉曼光谱。从最早的设计来看，大多数光纤设计都是基于相似的概念

进行修改的。通常，拉曼探针设计利用放置在激发光纤透镜之后的带通滤波器，从而仅

允许激发光的透射。如果采用高质量的光学涂层和微型光学元件，这将简化用于生物医

学中的拉曼光谱学所需的紧凑型光纤探头的设计。

图 2.7 纤维光学探针结构

Fig. 2.7 Fiber optic probe structure

纤维光学探针的出现极大的推动了拉曼光谱仪的使用场景，使被检测的样本不再局

限在样本池内或者试验台上。而且还可以对高温高压下的管道和其他容器进行检测，对

有有毒材料的检测也不会对实验人员有任何影响。另外，纤维光纤探针使用起来比较简

便，可以提前将激发光和收集光的光路都调整好，一般情况下，不需要在样本和和探针

间对光，这些都可以提前完成。

纤维光纤探针通常又分为不成像纤维光纤探针和聚焦纤维光纤探针两种：

(1).不成像纤维光学探针

如图 2.8 所示，两根并排在一起的平行光纤，其中一根纤维将激发光源的激光传送

出去，并以一定的锥角入射被检测的样本；另外一根纤维负责收集拉曼散射光，并将其


－22－

送回到拉曼光谱仪中。当采用大直径的光纤后，拉曼光谱的收集效率非常高。在激发光

纤维和收集光纤维形成的锥形叠加区域，检测到的拉曼信号会比其他地方更强。

不成像纤维光学探针可以根据双纤维的特点改进出很多其他的类型。围绕一根激发

光纤维可以缠绕多根相同直径的多根收集光纤。通常的形式是采用 1 根激发光纤维，围

绕 6 根收集光纤维，这样的探针叫做“6@1 探针”或者“6 绕 1 探针”。从理论上讲，

在收集的强度上 6@1 探针是 1@1 探针的 6 倍。

请参考图 2.8，当激发光纤维和收集光纤维形成一定的角度时，叠加区则变得更大，

此时收集拉曼散射的效果比平行时候更好。但是，不成像纤维光学探针由于缺少光谱滤

光，则难以去除二氧化硅的拉曼散射和荧光背景。因此，带有滤光器的探针应用场景更

广阔。

图 2.8 不成像纤维拉曼探针示意图

Fig. 2.8 Non-Imaging Raman probe schematic

(2).聚焦纤维光学探针

当激发光纤维发出的光源聚焦于样本的小范围区域时，该区域的拉曼散射被另一根

收集光纤维采集到并返回拉曼光谱仪，这类探针则属于聚焦纤维光学探针。此类探针可

以排除不是样本本身散射的拉曼光，只接收样本上聚焦点的光，这种共焦特性的探针被

称作聚焦纤维光学探针。

很多的聚焦纤维光学探针都采用可以替换的聚焦光学透镜。如果将透镜拿走，探针

的激光输入出则变成平行光，无法聚焦。这套透镜系统的作用既可以将激光束聚焦，又

能收集聚焦的拉曼光。样本与透镜的距离可以通过更换适当的透镜来决定，距离的大

小可以达到数米而不影项采集的效果。同时，这也提高了拉曼光谱仪的灵活性。

聚焦纤维光学拉曼探针比不成像纤维光学探针对二氧化硅的拉曼散射光和荧光背景

的过滤能力更强，另外聚焦纤维光学探针的空间分辨率更好。但是聚焦纤维光学探针系


－23－

统比较复杂，成本则比不成像纤维光学探针更高。当不成像纤维光学探针使用直径比较

大的光纤作为收集光纤时，则光纤的价格就比较昂贵。因此在需要更大距离的检测时，

不成像纤维光学探针的拉曼光谱仪往往会比聚焦纤维光学探针拉曼光谱仪的总的成本

更高一些。

纤维光学探针的出现有两个突出的贡献:

(1).从这个阶段开始，拉曼光谱真正投入到工业生产中，很多生产线后取得的参数进

行调整，从而做到控制工业生产过程。

(2).拉曼光谱仪可以在线远程监控化学危险品泄露的实验或生产，或者对其他物质进

行识别和分析等。

第四阶段，先进技术的运用。

二十世纪九十年代后，引入了傅立叶变换（Fourier Transform，FT）拉曼光谱术和

CCD（Charge-Coupled Device）检测器的使用[17]。FT 拉曼光谱仪的作用是可以明显降低

绝大多数样本的荧光背景；CCD 的引入可以快速获取组织样本的拉曼光谱，之前需要

很长时间的检测过程，现在需要几秒或者更短的时间就可以得到完整的拉曼光谱。CCD

探测器既有相机底片的多通道的优点，又兼备光电倍增管易用的特性，同时又将信号进

行数字化存储与管理。

随着光学技术的飞速发展，现在已经研发出更好的滤光器、激光器、光栅和分光光

谱仪。随之而来的是高性能，结构紧凑而且还便于使用的拉曼光谱仪，并且这些光谱仪

已经不仅仅在实验室使用，在各个领域的应用正以更快的速度在蔓延。

2.2 拉曼光谱成像方法

从拉曼光谱成像的原理上来分，拉曼光谱成像技术可以分为：点扫描式拉曼光谱成

像[18]、线扫描式拉曼光谱成像[19]、凝视型光谱成像[20]，快照型光谱成像[21]和基于光谱重

建的拉曼光谱成像[22]。

2.2.1 点扫描式拉曼光谱成像

在采集拉曼光谱的时候，通常将波长为 785nm 的激光作为激发光源，在照射样本时

会聚焦成一个点，成为入射点。点扫描式拉曼光谱成像是将入射点照射到被检测的组织

样本上，通过移动振镜来接收这个点上的散射光谱。振镜随着入射点在感兴趣区域中进

行位置的移动，这时采集设备逐点同步接收到所有想要的散射光谱。另外一种方式是入


－24－

射点和振镜都固定不动，采用移动样本台的方式，同样可以使入射点在样本上逐点移动，

这同样会将感兴趣区域的光谱都逐一捕获到[23]。

如图 2.9 所示，点扫描式拉曼光谱成像沿着 x 轴或者 y 轴的方向逐点扫描散射光谱，

当散射光线穿过接收散射光的设备后，光谱信息由线性阵列探测器转换成数字信号，随

后这些数字信号被保存起来。在点扫描式拉曼光谱成像中，由于需要沿着 x 轴和 y 轴的

方向连续的一个点接着一个点的扫描，每个点（x，y）空间坐标信息和其光谱信息都被

完整的记录下来，而处理完每个点所用的时间都在秒级以上，整个光谱都扫描完成，会

需要几十秒或者更多。如果光谱分辨率大的话，那耗时不可估计。所以，点扫描式拉曼

光谱成像采集光谱信息和空间信息的效率极其低下。

点扫描的方式采集拉曼散射的速度比较慢，比如要采集 300×300 像素的感兴趣区

域时，同四通道宽场拉曼光谱成像系统相比，慢了 90,000 倍。

图 2.9 点扫描简图[24]

Fig. 2.9 Schematic of point scanning[24]

图 2.10 点扫描空间图[25]

Fig. 2.10 Schematic of point scanning in space[25]

点扫描从三维空间来更直观的描述可以参考图 2.10。扫描沿着箭头的方向在二维空

间进行（沿着 x 轴和 y 轴的方向），灰色的柱状代表通过一次扫描来获取光谱数据和空

间数据。这种通过逐点扫描的方式，可以将感兴趣区域的散射光谱全部捕获到。

点扫描式拉曼光谱成像技术出现的比较早，它通过移动振镜或者移动样本台的方法

逐点采集光谱信息和空间信息，当要采集的光谱信息面积比较大的时候，数据采集将

非常耗时。另外，发射光源聚集在一个点上，温度会比正常情况稍高，对于高温敏感

的样本，会有热分解或者光化学反应等。这对于检测样本的选择上有了一定的限制。

尽管点扫描式拉曼光谱成像具有以上的弱点，但是点扫描式拉曼光谱成像对样本的

表面没有任何要求，平整或者凹凸不平的样本都可以采用点扫描式拉曼光谱成像技术

来进行检测。相对其他的扫描方式，点扫描式对应用更广泛。


－25－

2.2.2 线扫描式拉曼光谱成像

线扫描式拉曼光谱成像在点扫描式拉曼光谱成像技术的基础上发展而来，线扫描式

拉曼光谱成像的入射光不是以点的形式入射样本，而是改进成以直线的形式入射样

本，如图 2.10 所示。在检测样本时，线性激发光源沿着 Y 轴方向以函数 y=n（n 为累

加的自然数）的方式照射在样本表面上，采用二维的 CCD 阵列可以同时将多个散射光

转换成多条光谱的数据，沿着 y 轴进行逐行扫描，就可以采集到组织样本感兴趣区域

完整的拉曼光谱。

图 2.11 线扫描简图[26]

Fig. 2.11 Schematic of line scanning[26]

图 2.12 线扫描空间图[27]

Fig. 2.12 Schematic of line scanning in space[27]

为了更直观的展现线扫描式拉曼光谱成像的原理，请参考图 2.12。线扫描只沿着箭

头的方向运动即可获取到光谱的空间信息和光谱信息。运动方向只在 x 轴（或者 y

轴）一个方向即可。从运动轨迹上来看，这比点扫描式拉曼光谱成像路线大大缩短，

从而节省了大量的检测时间，成像速度比点扫描式拉曼光谱成像提高了很多。

2.2.3 凝视型拉曼光谱成像

激发光源照射到组织样本的感兴趣区域以后，散射光谱被摄像机的 CCD 完全捕获

到，被转换后的信号可以直接形成拉曼图像。但是摄像机的 CCD 不能将所有波长的信

号进行区分，也就是说它没有办法识别散射光的波长，每次只能捕获一个波长的光谱

[26,27]。那么，如果需要捕获多个波长的拉曼光谱就需要在摄像机的 CCD 镜头前面增加

特定波长的滤光片，比如可以通过使用滤光片转轮[28]或者采样可调谐滤光片来进行控

制，从而每次获取一个波长的光谱信息。

从结构上来看，如图 2.13 所示，它比点扫描式拉曼光谱成像和线扫描式拉曼光谱

成像系统多了波长选择设备。一般情况下，凝视型光谱成像系统由以下几个部分组

成：激发光源，高效的 CCD 摄像机，波长选择设备，还有控制与数据分析的计算机。


－26－

通过滤光片转轮或者是可调谐滤光片对每个波长的光谱进行逐一采集，例如声光可调

式滤光片 AOTF（Acousto-optic tunable filter）和可调液晶滤光片 LCTF（Liquid crystal

tunable filter）[29]等。基于精密光学仪器的迈克尔逊干涉仪的傅里叶变换（FT）也可以

用作波长选择设备，以选择适当波长的拉曼光谱。

同线扫描式拉曼光谱成像技术一样，凝视型光谱成像的优点是可以同时记录样本的

光谱信息和空间信息。为了获取不同波长的大量的拉曼光谱，就需要增加对光谱波长

的多次滤光调整，这会导致图像的获取速度变慢，采集效率低下。这个是凝视型光谱

成像的一个很大的弊端。

图 2.13 凝视型光谱成像系统简图[26]

Fig. 2.13 Schematic of multispectral imaging system[26].

2.2.4 快照型拉曼光谱成像

快照型拉曼光谱成像通过采用二维的 CCD 阵列，一次将组织样本的感兴趣区域的

拉曼散射以及空间信息全部收集到，请参考图 2.14。该方法不需要移动振镜，更不用

逐行扫描拉曼散射，也不需要有额外的滤光片来选择特定波长的拉曼散射，因此在速

度上比其他几种拉曼光谱成像方式更具优势。我们通常使用的快照型拉曼光谱成像技

术有多焦点技术[30,31]、编码孔径拉曼光谱成像技术[32]等。

但是，当要采集的拉曼散射光谱分辨率较高的时候，不但空间数据量增长，而且采

集光谱的数据量也变大，数据量的增长导致数据的后处理就变得非常缓慢。还有一

点，为了获取足够数量的三维信息，快照型拉光谱成像技术往往需要更大的探测器阵

列，以捕获更大范围的光谱信号。


－27－

图 2.14 快照型光谱成像空间图

Fig. 2.14 Schematic of snapshot imaging in space

2.2.5 基于光谱重建的拉曼光谱成像

为了更好的进行拉曼光谱的采集，由点扫描式拉曼光谱升级成线扫描式。线扫描式

拉曼光谱成像在扫描速度上有了很大的提升，CCD 不但可以接收到所有的波数，同时

还可以记录扫描线上的空间位置信息。凝视型拉曼光谱成像系统也采用相同的方法，

二维的光纤阵列在线扫描时，用其中的一维的阵列来快速接收光谱信息。但是在 CCD

上，光纤的尺寸限制了空间分辨率，光纤的数量限制了像素的数量，所以光纤的质量

直接决定了 CCD 的水平。另外，通过获取少量的拉曼峰的波数来加速数据获取的方法

也不可取，这样做的一个直接结果就是获取的数据信息量不足，导致数据不精确。

因此，点扫描式拉曼光谱成像、线扫描式拉曼光谱成像和凝视型拉曼光谱成像技术

受自身设计影响，对拉曼信号的采集速度比较慢，往往用很长时间才能获取足够的信

息。快照型拉曼光谱成像技术采集速度有所提升，但是遇到分辨率高的光谱时，数据

量的增长使后处理速度又不能满足实时需求。

那么，为了达到更好的拉曼成像效果，基于窄带测量后进行光谱重建的方法可以完

全解决以上问题。通过在波长方向上对拉曼信号进行积分，窄带测量可以极大地提高

采集到的拉曼信号的信噪比[33]。窄带测量仅仅需要选定的窄带滤光片来获取拉曼图

像，所以，窄带测量实现了快速拉曼光谱成像。用窄波滤光片来获取部分感兴趣波长

的图像，代替传统设备逐个波长的采集，可以明显提高数据读取速度，减少数据读取

时间。通过窄带测量可以将图像中的每一个像素的拉曼光谱重建出来。

通过测量窄带拉曼散射并利用测量结果重建每个像素点的拉曼光谱，不但降低了对

CCD 探测器的要求，而且减少了后处理的数据量，所以基于光谱重建的拉曼光谱成像

中窄带测量后进行拉曼光谱重建的方法使用的比较广泛。当激发光源照射组织样本


－28－

后，CCD 探测器则可以检测到样本的窄带测量信号，然后用窄带测量的光谱重建方法

来还原光谱信息。请参考图 2.15，这个过程就是窄带测量后进行光谱重建的拉曼光谱

成像过程。

图 2.15 窄带测量后进行光谱重建的过程

Fig. 2.15 Procedure for narrow-band measurements followed by spectral reconstruction

通过窄带测量后进行光谱重建有多种方法，比如伪逆转（pseudo-inverse）、有限

维模型（finite-dimensional modeling）和维纳估算（Wiener estimation）。在这些方法中

基于维纳估算的重建方法使用频率最高，因为它具有较高的处理速度。

2.3 基于光谱重建的拉曼光谱成像的理论基础

在基于光谱重建的拉曼光谱成像中因为维纳估算效率比较好，故成为我们研究的主

要算法。在传统的维纳估算基础上，我们对其进行改进，又提出了改进的维纳估算法

[34]。那么，对重建效果的检查我们通常采样是相对均方根误差（Relative Root Mean

Square Error），它是通常是检测拉曼光谱重建效果的有效手段，已经成为衡量拉曼光

谱重建值与观测值之间差异的一种最常用的标准。

2.3.1 维纳估算

在基于光谱重建的拉曼光谱成像中维纳估算(Weiner estimation)法被广泛使用。维纳

估算的目的是从低维数据估算成高维数据，例如用三个滤光片的摄像机拍照估算成反

射光谱。维纳估算是非常传统的估算方法之一，它不但非常简单，而且估算结果还准

确。窄带测量后进行光谱重建的方法包括有限维建模和维纳估算等。维纳估算因为其

具有较高的计算效率而被大量应用在拉曼光谱成像中。

同时，在彩色成像中，有很多技术被应用到光谱重建中，其中维纳估算也是最广泛

使用的估算方法之一，它涉及三个矩阵，即光谱响应度，反射率的自相关矩阵和成像

噪声矩阵。光谱图像是具有若干个分量的图像，而传统的 RGB 图像只有三个分量：红


－29－

色、绿色和蓝色。对可见光谱（380-780nm）以合适的波长进行逐个的采样，就可以用

数字的形式更准确的还原颜色。现在，光谱相机对光谱图像的获取速度比较慢，而且

设备的灵活性差。这些因素导致我们从数字 RGB 摄像机采集 RGB 图像，然后来估算

光谱图像。

那么，随着拉曼光谱在各个领域应用逐渐扩大，但是其固有的问题仍旧没有解决：

对样本信号采集速度比较慢。为了提高获取效率，先后出现了几种技术，在线扫描之

后又通过感兴趣拉曼峰的选取等，来弥补以上的不足。通过窄带测量后进行重建的方

法在一定程度上改善了问题，提高了数据获取效率。在众多的定量分析方法中，维纳

估算脱颖而出。基于维纳估算的方法不但速度有提升，而且准确性也有很大的提高。

维纳估算的过程一般分两个阶段：

(1).训练阶段：训练阶段根据拉曼光谱和相应的窄带测量来创建维纳矩阵；

(2).测试阶段：测试阶段使用维纳矩阵将窄带测量转换成相应的拉曼光谱。

通常来讲，维纳估算涉及两种数据集：训练数据集和测试数据集。在训练数据集

中，可以使用相同样本的窄带测量和相应的光谱。然而，在测试数据集中，仅仅可以

使用窄带测量。首先，从训练数据集中抽取维纳矩阵，然后，在窄带测量中使用维纳

矩阵来重建光谱。从计算上来看，窄带测量后进行光谱重建的方法比快照型光谱成像

技术更简单。同凝视型光谱成像技术比，窄带测量后进行光谱重建的方法具有更高的

光谱分辨率。

（a）传统维纳估算

如上所述，传统维纳估算由两个阶段组成，训练阶段和测试阶段。如图 2.16 所

示，在训练阶段，维纳矩阵被构建，该矩阵涉及训练集样本最初拉曼光谱的窄带测

量。在测试阶段，维纳矩阵用于重建拉曼光谱的未知样本的窄带测量。

假设将预处理光谱定义成 s 并且 s 是 n1 阶矩阵，n 是每个光谱的波数。滤光片

组的透射光谱用 F 表示。F 是 m n 阶矩阵，m 代表滤光片数目。窄带测量的噪声用

e 表示，e 是 m1 阶矩阵。用滤波器组 F 产生的相应的窄带测量光谱 S 用 c 表示，表

达式

c = Fs + e (2.1)


－30－

c 是 m1 阶矩阵。在维纳估算中，维纳矩阵 W（n m 阶矩阵）用于将窄带测量

c （m1 阶矩阵）转化成相应的拉曼光谱 š（n1 阶矩阵），最初和估算的光谱的均

方差都最小。

š = Wc (2.2)

维纳矩阵 W 假设为：

W = KsFT(FKsFT+Ke)-1 (2.3)

而

Ks = E[ssT], Ke = E[eeT] (2.4)

在公式（2.3）和（2.4）中，上角标 T 代表矩阵转置，上角标-1 代表逆矩阵，E[]代

表整体平均值。将（2.4）带入（2.3）后并忽略噪声，则有以下公式（2.5）

W = E[scT][E[ccT]]-1 (2.5)

维纳矩阵在训练阶段创建（如图 2.16），在测试阶段就可以用于窄带测量，然后

结合窄带测量就重建出相应的纯拉曼光谱。

图 2.16 维纳估算过程

Fig. 2.16 Procedure of Wiener estimation

（b）改进的维纳估算

线扫描比点扫描的方式在拉曼光谱的采集速度上有了一定的提升。而凝视型光谱

成像方法可以同时获取多个波长的慢反射图像，在数据的采集上比线扫描又提高了一

个数量级，但是如果要采集的拉曼光谱的分辨率很高的情况下，它的速度也明显不

足。快照型成像方法虽然采集速度加快了，但是后期的数据处理比较慢，尤其是数据

维数比较多的情况下，快照型成像技术的处理速度离期望值的差距比较大。那么快速

光谱成像技术的开发就显得十分必要，在保证采集光谱的实时性以外，还不能降低光

谱的分辨率或质量。

训练阶段

滤镜

测试阶段

窄带测

量

最初的拉

曼光谱

窄带测

量

重建的拉

曼光谱

转换矩阵


－31－

用彩色摄像机拍摄漫反射光谱的颜色值，并对光谱进行重建是解决以上问题的可

行方案。彩色摄像机可以捕获的颜色通常由红色（Red）、绿色（Green）和蓝色

（Blue）组成，这个可以简称为 RGB 值。在检测时，白色的激发光源照耀下的组织区

域，彩色摄像机可以实时捕获。这时彩色摄像机中完整保存光谱，它的每个色带保存

了相对宽的波长范围，这些信号可以保证快速成像。而对于成像方法中，维纳估算是

时间效率最好的方法中的一个。但是维纳估算也存在一个问题：为了图像重建的准

确，往往需要三个以上的色带。因为在一个光谱中，摄像机采集到的 RGB 值映射到漫

反射强度，每一个都有几十个或几百个波长。因为维纳估算不足，因此在估算的这个

漫反射光谱的误差就会传递，导致估算的光学特征具有较大的误差，有可能对组织样

本造成误诊。

另外，在拉曼信号中，荧光背景一直存在的，有时其强度往往比拉曼信号还大。

为了剔除荧光背景可以采用一些复杂的技术，比如移位激发拉曼差谱，傅里叶变换拉

曼光谱或者时间门控等。在缺少比较简单实用又不降低重建精度的算法的背景下，改

进的维纳估算法[35]的出现成为必然。

在传统的维纳估算基础上出现的改进的维纳估算方法由两个阶段和一个后处理过

程组成的，他们是训练阶段，测试阶段和选择步骤。它是通过在训练阶段合成新的窄

带测量来完成改进的，同传统的维纳估算法相比，改进的维纳估算法除了训练阶段和

测试阶段以外，还增加了一个后处理的选择过程。

如图 2.17 所示，改进的维纳估算首先使用训练数据计算系统矩阵和维纳矩阵，其

中训练数据中包含彩色摄像机测量得到的 RGB 颜色值还有相应的测量的漫反射光谱。

因为漫反射光谱比 RGB 颜色值包含了更多的数据点，因此系统矩阵更准确。漫反射光

谱通过采用初始的维纳矩阵，从测量的 RGB 颜色值估算得出。然后，通过使用不同于

三个 RGB 滤光片，合成吸收滤光片应用于系统矩阵，随后创建出改进的系统矩阵。这

个矩阵用来从测量和估算的漫反射光谱中，产生独立的两套三种颜色值（RGB 值）。

这三种合成吸收滤光片的透射谱由高斯函数确定，中心波长 500，550 和 600nm，标准

偏差为 100nm。为了获取更多信息，中心波长被选择为偏离 RGB 滤光片的中心波长。

因为系统矩阵是准确的，所以从测量的漫反射光谱估计出的新色度值应该是准确的，

可以被看成是参考新的颜色值。通过以下两种方法，可以找到估算的新颜色值和参考

新颜色值之间的关系：

将每个参考新颜色值建模为估计的新颜色值的二阶多项式函数；

计算出两组间每个像素值的差异。


－32－

所以，结合初始 RGB 值的参考新颜色值，被用于测试阶段漫反射光谱的下一轮改

进维纳矩阵的估算中，这个比单独采用 RGB 值来估算更准确，是因为可用的色带数量

的增加。

图 2.17 训练阶段示意图

Fig. 2.17 Schematic of the calibration stage

总而言之，在训练阶段，建立了二阶多项式和色差的窄带校正关系。通过合成的

和初始的窄带测量的结合，创建了维纳矩阵。估算的光谱由具有初始窄带测量的传统

维纳估算重建。而且，他们的关系通过以下两种策略，就可以找到窄带校正：

(1).将参考窄带测量与估算窄带测量拟合为二阶多项式函数；

(2).记录参考窄带测量与估算窄带测量的差别。

在测试阶段，如图 2.18 所示，用先前测量 RGB 值的初始维纳矩阵，计算出初始

估算的漫反射光谱，这通常不太准，因为初始的维纳矩阵仅仅从 RGB 值计算得到的。

估算新颜色值来自于初始估算的漫反射光谱，而这个光谱是在训练阶段从改进的系统

矩阵得到的。然后通过估算的新颜色值与训练阶段得到的参考新颜色值之间的关系，

来校正估计的新颜色值。这个过程通常也叫做颜色校正。采用在训练阶段得到的改进

的维纳矩阵，结合校正的新颜色值与测量的 RGB 值一起，可以估算更为精准的漫反射

光谱。


－33－

图 2.18 测试阶段示意图

Fig. 2.18 Schematic of the test stage

那么，用于找到估算的新颜色值和参考新颜色值之间关系的两种方法有：

(1).二阶多项式函数，将估算的新颜色值代入在训练阶段得到的二阶多项式函数，

计算得出新的颜色值；

(2).记录用于修改估算新颜色值的差值，可以通过以下公式来计算：

D = ∑ 𝑤𝑖𝑑𝑖

𝑛

𝑖=1

(2.6)

在公式 2.6 中，D 代表用于修改估算新颜色值的差值，wi 代表训练数据集中第 i

个像素的权重，di 代表训练数据集中第 i 个像素的差值；wi 通过公式 2.7 计算得到。

𝑤𝑖 =

𝑙𝑖−1

∑ 𝑙𝑖−1𝑛

𝑖=1

(2.7)

在公式 2.6 中，𝑙i 代表测试数据中和训练数据中第 i 个像素 RGB 颜色空间的距离。

从公式 2.2 和 2.3 来看，如果公式 2.3 中 wi 的和是 1，那么公式 2.2 中 di 到 D 的贡献

度，与测试数据集中的测量颜色值和训练数据集第 i 个颜色间的相似性成正比。

综上所述，在测试阶段主要通过训练阶段获取的窄带校正，合成新的窄带测量，

并加以校正。然后，基于校正的新窄带测量和原始窄带测量联合起来，建立改进的维

纳矩阵，进而更为精确地重建拉曼光谱。

因为上述的两种用于校正估算新颜色值的新颜色校正方法会产生不同的漫反射光

谱，通过简单的选择步骤，就可以挑选出重建效果更准确的光谱。那么，在选择的步

骤中，将用上述两种方法的估算光谱乘以初始系统矩阵，来计算出估算的 RGB 值，从

而得到更接近测量值的漫反射光谱。


－34－

2.3.2 均方根误差（RMSE）

相对均方根误差（Relative Root Mean Square Error）用来检测拉曼光谱重建效果的

有效手段，它已经成为衡量拉曼光谱重建值与观测值之间差异的一种最常用的标准。

相对均方根误差（RMSE）来自于均方根（RMS）。

请参见公式 2.8，均方根值（RMS）也被称作效值，它的计算方法分四个步骤：首

先将检测值平方；然后求所有检测值平方的和；接着求所有检测值平方的平均数；最

后将平均数开方。

𝑋𝑟𝑚𝑠 = √∑ 𝑋𝑖

2𝑁𝑖=𝑖

𝑁 = √𝑋1

2 + 𝑋22 + ⋯ + 𝑋𝑁

2

𝑁

(2.8)

请参见公式 2.9，均方差（MSE）是方差的算术平方根，也称为标准差（Standard

Deviation）。它代表了一个数据集的离散程度，也是各个数据和平均值的差的平均

数。

𝑆 = √

∑ (𝑋𝑖 − 𝑀)2𝑁𝑖=1

𝑛

(2.9)

在实际的实验测量过程中，实际测量的次数总是有限值（我们用 n 来表示），真

实值只能用最可信的值来充当。在实际的拉曼光谱测量中，方根误差对每次测量中，

离中心点距离的极大或者极小值反应的非常灵敏，因此，在拉曼测量中，用均方根误

差能够更好的反映出拉曼测量的精度。

参考公式 2.10，均方根误差就是实验值和真实值偏差的平方和的平均数，再开平

方取得。当对某一个变量进行多次测量时，取这一个测量值误差的均方根差（真误差

平方的算数平均值再开方），这个就是标准偏差σ。在拉曼测量中，σ反映了拉曼散

射强度偏离真实值的程度，σ越小，表示拉曼测量的精度越高，因此可以用σ作为评

定拉曼测量过程精度的标准。通常，均方根误差（RMSE）也称作标准误差。

𝑅𝑀𝑆𝐸 = √∑ (𝑋𝑜𝑏𝑠,𝑖 − 𝑋𝑚𝑜𝑑𝑒𝑙,𝑖)

2𝑛𝑖=1

𝑛

(2.10)

在公式 2.10 中，Xobs,i 代表测量值，而 Xmodel,i 代表真实值，n 代表测量的次

数。

2.4 本章小结


－35－

本章以拉曼光谱的理论为中心，首先介绍了拉曼光谱仪的发展和拉曼光谱仪的类

型，然后阐述了拉曼光谱成像的主要技术方法。最后描述了基于光谱重建的拉曼光谱

成像的一些基本理论。

拉曼光谱仪的成型产品中，早期都是以半自动的产品为主，随着技术的发展，逐

渐演变成全自动的拉曼光谱分析仪，比如雷尼绍的 RA802 药物分析仪等。根据拉曼散

射随频移分散开的方式不同，可以将拉曼光谱仪分成滤光型拉曼光谱仪、分光型拉曼

光谱仪和迈克尔逊干涉仪型拉曼光谱仪三种。分光型拉曼光谱仪只能采集到单一波长

的拉曼散射，分光型拉曼光谱仪可以将不同波长的拉曼散射剥离开，并成像到平面的

不同位置，多元 CCD 探测器一次可以将光谱全部捕获到。迈克尔逊干涉仪型拉曼光谱

仪是样本的拉曼散射光透过干涉仪后进入 CCD 探测器，然后得到拉曼散射的干涉图，

接着用傅里叶变换将拉曼散射干涉图转换成拉曼光谱。

本章中主要讨论了五种拉曼成像方法，包括点扫描式拉曼光谱成像，线扫描式拉

曼光谱成像，凝视型拉曼光谱成像、快照型拉曼光谱成像和基于光谱重建的拉曼光谱

成像。

基于点扫描式的拉曼测量属于逐点采集，以为采集时间长，无法应用到实时性要

求高的实际生活和生产中，只能存在于实验室的理论研究上。线扫描的方法进行光谱

重建，沿着直线从各个方向同时获取拉曼光谱。它采用圆柱形透镜聚焦激光，或者沿

直线扫描激光点来产生直线焦点。直线焦点产生的拉曼光源被散射成栅格并投射到

CCD。一维的 CCD 包括了所有的波数，其他的维度可以记录所有的直线焦点上的空间

位置。这种方式，数据获取显著提速了。然而，空间分辨率受光纤容量限制，而像素

数量受映射到 CCD 的光纤数量限制。尽管如此，线扫描比点扫描在速度上也有很大的

提升。

凝视型光谱成像可以同时采集到拉曼信号的光谱信息和空间信息，并记录下来。

但是它每次只能获取一个波长的拉曼散射。那么，为了获取不同波长的大量图像，就

需要增加对光谱的采集次数，因此图像的获取速度依然会变得很慢。这就出现和点扫

描，线扫描一样的问题，速度依然成为光谱获取的主要的障碍。

快照型光谱成像同凝视型光谱成像相比，能一次性的将所需的图像都通过二维的

探测器阵列捕获到，在图像数据获取上速度更快，质量更高。当需要捕获的光谱分辨

率较高时，数据量就明显变大，这时快照光谱型拉曼光谱成像技术的后处理就变得速

度无法满足实际需要。另外，快照型光谱成像技术需要面积更大的探测器阵列才能处


－36－

理高分辨率或者大范围的光谱，因此快照光谱成像技术的设备成本也比其他技术更高

昂。

快照型光谱成像可以一次采集一个平面的光谱图像，采集的数据量比点扫描，线

扫描多了很多，所以后处理的数据量就很大。为了提高重建光谱后处理的速度，就需

要更多优秀的算法，来提高计算速度，让光谱重建速度向实时靠近。

基于重建的拉曼光谱成像中，通过采用窄波滤光片来获取部分感兴趣波长的拉曼

散射。窄带测量指采集到的拉曼散射光信号经过滤光片后被 CCD 探测器采集到的信

号。窄带测量的出现解决了拉曼光谱的几个固有问题，比如图像获取时间长，获取图

像速度慢等。而在定量分析上，维纳估算脱颖而出，它不但速度快，而且图像重建的

准确性也有大幅度的提升。

改进的维纳估算法在训练阶段合成窄带测量，并且同传统的维纳估算相比，在训

练阶段和测试阶段后新增加了一个后处理的过程。在训练阶段中，测量的拉曼光谱和

相应的窄带测量都用于创建维纳矩阵。在测试阶段中，维纳矩阵用于将实验样本的窄

带测量转换成相应的拉曼光谱。

基于拉曼光谱窄带测量的维纳估算法，可以进行快速拉曼光谱重建，不但克服了

点扫描式，线扫描式，凝视型拉曼光谱成像和快照拉曼光谱成像的数据获取慢的弱

点，而且还显著提高了影像重建的精度。

相对均方根误差（RRMSE）是用来检测拉曼测量和拉曼光谱重建质量的有效手

段，它已经成为衡量拉曼光谱重建值与观测值之间差异的一种最常用的标准。本文第

三章讨论的拉曼光谱重建算法就是用相对均方根误差（RRMSE）分析的方法来检测实

验质量的。

东北大学硕士学位论文第 3 章基于分步式维纳估算算法的光谱重建方法研究

－37－

第 3章基于分步式维纳估算算法的光谱重建方

法研究

（注：本章节内容源自 Shuo Chen, Gang Wang, Xiaoyu Cui, Quan Liu, Optics

Express 25(2): 1005-1018, 2017，已获得版权许可[36]）

本章将拉曼光谱重建的整个实验过程进行分解，根据实验的过程将其分成实验准备

阶段，信号采集阶段，预处理阶段，重建阶段和后处理五个关键步骤，请参考图 3.1。

图 3.1 拉曼光谱重建实验过程

Fig. 3.1 Process for Raman spectral reconstruction experiment

在实验准备阶段重点分析了样本和信号以及滤光片的选择，并突出了通用训练数据

集的重要性；在信号采集过程中着重介绍了窄带测量的四通道窄带宽场系统的使用；

预处理过程突出描述了从光谱中剔除荧光背景所采用的算法；重建过程介绍了我们团

队研发的分步式维纳估算算法的光谱重建方法，同时也对比了顺序加权维纳估算算法

等；在后处理中介绍了对各种维纳估算算法产生的结果数据的分析与比对，以及如何

对整个实验过程中产生的中间数据的处理。

3.1 介绍

基于窄带测量的拉曼光谱重建方法，比其他方法更快速地重建出高空间分辨率和

高光谱分辨率的拉曼光谱。因此，同其他方法相比该方法具有以下两个优点：


－38－

(1).拉曼散射数据获取速度更快；

(2).高空间分辨率和高光谱分辨率的光谱重建。

在之前的研究中，已经成功的证明了用维纳估算进行窄带测量的生物样本的拉曼光

谱重建的可行性。实验中，拉曼光谱从有荧光背景或者无荧光背景的窄带测量中都可

以成的功重建出来。而且，为了克服对训练数据集需求的限制，采用了通用训练数据

集，以简化重建所需的训练数据集。在通用训练数据集中，只有测试样本的基本生物

化学成分被测量，而不是拉曼特征术语中类似于实验样本的训练样本。由于通过添加

或者删除一个或更多的基本生物化学成份，通用训练数据集可以用于具有新的拉曼特

点的样本中，只有少量的拉曼测量需要产生这种通用的训练数据集，这样一来又可以

避免不同类型的实验样本的重复测量。在光谱重建和通用训练数据集技术的基础之

上，我们最近又建立了多通道宽场拉曼光谱成像系统，每个带有不同滤光镜的四个窄

带通道可以同时捕捉影像，并行工作。系统采用化学混合物来进行评测，实验结果显

示全区域的拉曼光谱被成功重建。在样本有限的情况下，这种多通道宽场拉曼成像方

法比点扫描的方法快了约 90,000 倍，比迈克尔等人开发的基于光纤阵列的拉曼成像技

术快了大约 1400 倍。目前，多通道宽场拉曼光谱系统的主要限制是，同时最多只能获

取四个包含拉曼光谱和荧光背景的窄带图像信息。通过以前我们的研究来看，在荧光

背景存在的情况下，用传统的维纳估算进行光谱重建时，如果要准确的进行光谱重

建，通常需要四个以上的滤光片。所以，用多通道系统进行生物样本光谱重建不可或

缺基于多通道窄带测量的更精确的重建算法。

图 3.2 纯拉曼光谱重建步骤

Fig. 3.2 Pure Raman spectrum reconstruction steps

本研究中，我们提出了分步光谱重建法，它能结合早期开发的顺序加权维纳估算来

提高光谱重建的准确性。受我们之前的研究的启发，分步光谱重建法在无荧光背景的

拉曼测量光谱重建的准确性上总是好于有荧光背景的拉曼测量。同传统光谱重建的

WE 法相反，我们提出的重建纯拉曼光谱的方法分两步（请参考图 3.2）：纯拉曼窄带

测量估算和纯拉曼窄带光谱测量重建。我们的研究结果表明：同传统的 WE 法相比，

当结合顺序加权 WE 法时，分步光谱重建法可以显著提高光谱重建的准确性。此外，


－39－

实现可比的光谱重建精度时，所提出方法的变体方法比传统 WE 法具有更明显的优

势。另外，采用四通道宽场拉曼光谱成像系统，窄带测量后进行分步光谱重建法可以

完成细胞的拉曼成像。我们所提出的方法可以促进采用光谱拉曼成像研究生物样本快

速变化的现象。

3.2 实验准备

3.2.1 滤光片选择

自发光拉曼光谱和表面增强拉曼光谱（SERS）数据合成窄带测量是滤光片的透射

光谱和拉曼光谱强度间的内积运算。因为滤光片具有透射光谱的特性，所以窄带测量

可以完全用滤光片模拟获取拉曼光谱的真实测量。在我们的研究中共用到了四种类型

的滤光片：商业滤光片，高斯滤光片，主成分（PC）滤光片和非负的主成分（PC）滤

光片。

商业滤光片至少有部分与波数范围 600 到 1800cm-1 重叠，激发光波长为 785nm，

分别来自五个不同的滤镜生产商，请参见表 3.1。

表 3.1 滤光片列表

Table 3.1 List of Filters

生产商滤光片型号

Chroma Technique D850/20m，D805/40m

Edmund Optics NT 84-790，NT 84-791

Semrock FF 01-830/2-25， FF 01-832/37-25，FF 01-835/70-25，

FF 01-840/12-25, FF 01-857/30-25, FF 01-910/5-25

Omega Filters 3RD850LP，3RD900LP，XB 142，XB 143，XB 146，

XB 149，XF 3308，XL 19，XL 40，XLK 18，XLK 20

Thorlabs

FB 830-10，FB 840-10，FB 850-10，FB 850-40，FB 860-

10，FB 870-10，FB 880-10，FB 880-40，FB 890-10，FB

900-40，FB 910-10，FL 830-10，FL 850-10，FL 880-10，FL

905-10，FL 905-25

高斯滤光片通过高斯函数实现，合计有 72 种，高斯滤波器并被定义成公式 3.1。中

心波长处于 830nm 到 910nm 间，以 10nm 为单位递增。标准偏差从 2.5nm 到 20nm 间

浮动，以 2.5nm 为单位递增。


－40－

𝐺(𝜆) = 𝑒𝑥𝑝 (

−(𝜆 − 𝜇)2

2𝜎2)

(3.1)

以上公式中 G（λ）表示波长 λ处的透射率，μ表示中心波长，σ表示标准偏差。

使用主成分分析（PCA）的方法导出主成分（PC）滤光片和非负主成分（PC）滤光

片。

主成分滤光片通过主成分分析的方法获得；非负的主成分滤光片通过采用论文中相

同的方法获得。表 3.2 说明对于不同 PC 数，自发光拉曼光谱和 SERS 光谱的累积贡献

率。在实验过程中，在选择滤光片的时候该表具有极高的参考价值。

表 3.2 不同 PC数对自发光拉曼光谱和 SERS光谱的累积贡献率

Table 3.2 Cumulative contribution ratio of different PC numbers for spontaneous Raman spectra and

SERS spectra

PC 数自发光拉曼光谱(%) SERS(%)

2 99.69 99.96

3 99.89 99.98

4 99.95 99.99

5 99.99 99.99

6 99.99 99.99

7 99.99 100.0

3.2.2 实验样本

本研究中的光谱数据分两种：自发光拉曼光谱数据和表面增强拉曼光谱数据。自发

光拉曼光谱的样本取自白血病细胞，细胞分活体细胞，凋亡细胞和坏死型三种。每种

类型的样本取 10 个拉曼光谱，光谱范围 600cm-1 到 1800cm-1，光谱分辨率 2cm-1。激发

光波长为 785nm，积分时间为 120 秒。

表面增强拉曼光谱数据来自于血清样本，采集于福建肿瘤医院 50 个鼻咽癌患者。

血清样本通过 2000 转的离心机 15 分钟的离心操作获取，移除血细胞，然后用 34nm 的

胶体银纳米例子混合而成。20 倍物镜共焦显微拉曼光谱仪用于测量光谱，范围 600 到

1800cm-1，光谱分辨率 2cm-1。激发光波长为 785nm，积分时间为 10 秒。

另外，构建训练数据集的样本来自于生物细胞的基本生化组成（肌蛋白，白蛋白，

DNA，RNA，卵磷脂和唐元），而不是真正的细胞样本。在训练步骤中，从基本成分

中取得的拉曼光谱和窄带测量用于创建维纳（Wiener）矩阵。实验步骤中，用训练中

的维纳矩阵，白血病细胞样本的实验窄带测量用于估算相应的纯拉曼光谱。基本生化


－41－

组成的拉曼光谱来自于微型拉曼系统的测量。采用 785 纳米的二级管激光发生器。20

倍物镜的发光区直径大约 125 微米。基本生化组成的激光能量为 64 毫瓦，曝光时间 5

秒。白血病细胞样本的拉曼光谱的测量也作为同曝光时间为 30 秒的进行比较的目的。

3.2.3 训练数据集

如前文所述，拉曼光谱自身信号比较弱，所以表面增强拉曼光谱（SERS）可以显

著的提高拉曼光谱强度，但是如果用 SERS 的话，就需要更复杂的样本制备。由于

SERS 在光谱特征上同相应的普通光谱不同，光谱解释常常很困难。另外，也可以通过

窄带测量来重建拉曼光谱，通过在波数维度上进行积分，窄带测量也可以弥补微弱的

拉曼信号。基于维纳估算的窄带测量方法可以快速重建拉曼光谱，只是采用维纳估算

法时，需要有训练数据集，并且训练样本在拉曼特征上需要和实验样本相似。

为了避免不同种类的实验样本的重复测量，我们开发出通用的训练数据集[37]，它

可以简化光谱重建过程中使用的维纳矩阵。因为许多生物样本具有相同的成分，或者

说都具有一套基本的生物化学组成（比如人类细胞，动物蛋白等等），那么基于这些

基本成分的训练数据集就可以运用到所有具有这些成分的样本上，比如 DNA，RNA 的

通用训练数据集就可以用在人类细胞的样本上。因此，有了通用训练数据集以后，每

次实验仅仅用少量的拉曼测量就可以重新创建新的训练数据集，而大部分的样本都可

以重复使用通用训练数据集来构建维纳矩阵。当这些新的训练数据集被其他样本共享

后，这些新的训练数据集则变成通用训练数据集，又可以被重复使用。采用这种新的

方法，创建训练数据集所需的资源明显减少，整体上大大加快了实验进度，提高了实

验效率。

窄带测量虽然可以完成快速光谱重建，但是它在训练数据集方面有很大的约束，那

就是训练样本必须和实验样本相同。因此每种样本都需要新的训练数据集，这导致处

理训练数据集的工作量加大，提高了实验周期，阻碍了拉曼光谱的广泛应用。

通用训练数据集就是利用最基本的生化成分进行的拉曼光谱测量，而得到的相应的

拉曼光谱数据。因为大部分的样本种类都是由基本的生化成分组成，或者说是具有相

同的生化成分。这些生化成分的训练数据集可以重复应用用于同类的所有样本中，相

同成分的通用数据集创建一次即可，而只有少量的拉曼测量需要创建通用训练数据

集。我们的通用训练数据集来自于三种基本生化成分混合的 27 种液相。同测量的拉曼


－42－

光谱比较，用通用训练数据集进行拉曼光谱的重建具有更好的性能。通用训练数据集

和传统训练数据集的不同数目的基于滤光片的主成分的相对 RMSE 值请参考表 3.3。

表 3.3 通用训练数据集和传统训练数据集的不同数目的基于滤光片的主成分的相对 RMSE值

Table 3.3 Relative RMSE for different numbers of PCs based filters by using the universal calibration

dataset and traditional calibration dataset

主成分数通用训练数据集相对 RMSE 传统训练数据集相对 RMSE

2 0.0920 0.0449

3 0.0851 0.0259

4 0.0256 0.0063

5 0.0127 0.0060

6 0.0116 0.0035

7 0.0119 0.0030

通过实际的实验检测，可以将估算的拉曼光谱和最初的拉曼光谱的拉曼峰的位置和

强度都完美匹配。因此，通用训练数据集适用于精确重建拉曼光谱。

在实验前将通用训练数据集准备齐全，可以提高实验的工作效率，也可以保证重建

的准确性。

3.3 信号采集

回顾前文，拉曼光谱本身固有的特性是信号强度弱，当需要测量多个位置或者区域

时对其信号的采集速度又很慢。为了增强信号强度出现了表面增强拉曼光谱

（SERS）、共振拉曼光谱（RRS）和混合增强拉曼光谱（SERRS）。

为了更加有效率的采集高质量的光谱，除了采用仿真的方法外，还可以采用多通道

宽场光谱采集系统。在我们研发的实际实验中，典型的以四通道宽场窄带成像系统为

代表。传统的点扫描和线扫描依然可以对拉曼信号进行采集，但是速度远远不够，没

有办法及时准确的观察到样本的生物化学变化。同点扫描相比，一维多焦距扫描技术

可以将速度提高 40 倍，二维的可以提高 100 倍。但是，当拉曼光谱的每个像素的光谱

分辨率高的时候，使用普通的采集方法速度就无法保证了。同时，在高光谱分辨率的

情况下，拉曼光谱的信号也相应的变得更弱，采集的难度就变得更大了。

3.4 预处理

3.4.1 荧光背景剔除


－43－

若要从拉曼散射中获取可靠的光谱信息，不单单要能采集到有效的拉曼散射信号，

还要关注信号中的噪声。当光谱中包含的噪声少，光谱重建的效果就相对好。获取信

息的准确性通常随信噪比（SNR）线性增强。因此高质量的拉曼光谱需要使拉曼信号

强度最大，使噪声达到最小。

拉曼光谱的噪声可能来自于样本本身，容器或者样本的周边环境等。另外，在拉曼

光谱测量的过程中，对于仪器的精确度和实验人员的技术熟练程度要求很高，因为拉

曼光谱信号很弱，设备精度或者操作的不当都能引入拉曼噪声。噪声中可以利用的信

息基本没有，但是它们会对拉曼光谱的重建质量产生很大的影响。

荧光背景是拉曼光谱中最受关注的一种，而激光引起的荧光是拉曼光谱中最普遍遇

到的背景光来源。荧光光谱的外观通常比拉曼峰宽很多，从外观来看就像拉曼光谱缓

慢变化的基线。因此在进行拉曼光谱重建时，对荧光背景的剔除显得十分必要。

荧光背景对拉曼光谱重建和从中提取必要的分析信息有掩盖和模糊的作用，一般在

光谱重建前都要对其进行剔除。对荧光背景的剔除有两种方法：第一种是通过提高实

验仪器的灵敏度或者提高实验条件，比如改进激发光光源，使用更长波长的激发光，

可以有效降低荧光背景，或者对于不同的样本选择不同的实验条件；第二种方法是利

用计量学方法剔除拉曼荧光背景。第一种方法采用先进仪器的成本明显提高，实验成

本难以控制。当不同样本用不同的实验方法时，这些方法又不通用，因此导致实验时

间长等效率问题。因此，采用算法来剔除荧光背景是比较合适的剔除荧光背景的方

法。目前比较通用的剔除拉曼背景的算法有多项式拟合法，小波变换法和求导三种。

3.5 光谱重建

3.5.1 顺序加权维纳估算

顺序加权维纳估算[38]从维纳估算发展而来，它通过优化训练数据集来提高重建的

精确度。同传统的维纳估算相比，顺序加权维纳估算有很大的改进，在信号的采集和

重建的质量上都有质的飞越，尤其在血红蛋白氧含量的估算中表现的最为明显。在传

统的维纳估算中，如果不考虑噪声，维纳矩阵可以表达为公式 2.1，因为公式 2.1 是基

础公式，其他的估算类型都是由它推导而来，故此重新引用如下：

𝑊 = 𝐸(𝑠𝑐𝑇)[𝐸(𝑐𝑐𝑇)]−1 (3.2)


－44－

上角标“T”代表矩阵转置，上角标“-1”代表矩阵反转，E[]代表总体平均，s 代

表组织参数，c 代表宽带测量。在加权的维纳估算中，权重平均值替换总体平均值，得

到如下公式 3.3：

𝑊 = ∑ 𝑤𝑖𝑠𝑖𝑐𝑖𝑇 ∑ (𝑛

𝑗=1 𝑤𝑗𝑐𝑗𝑐𝑗𝑇)−1𝑛

𝑖=𝑖 (3.3)

本公式中 wi 代表具有 i 个元素的训练数据的集合，wj 代表具有 j 个训练数据的集

合。权重的计算公式如下：

𝑤𝑖 = 𝐷𝑖𝑚

∑ 𝐷𝑖𝑚𝑛

𝑖=1 (3.4)

公式中 Di 是实验数据的组织参数值和有 i 个元素的组织参数的训练数据相应参数

值间的相似度，m 是调整 Di 贡献度的权重。Di 相似度由公式 3.4 计算取得：

𝐷𝑖 = 𝑑𝑖−1

∑ 𝑑𝑖−1𝑛

𝑖=1

(3.5)

当权重体系中包含多种组织参数时，由公式 3.5 分别计算相应的相似度值，然后根

据平均数产生单个相似度值。估算的准确度可以通过采用和实验数据高度相似的大量

的训练数据来完成。根据公式 3.4 和公式 3.5，任何不同于实验数据且有一套组织参数

值的训练数据都会产生小的权重，这些权重对于公式 3.3 形成的权重维纳矩阵都可以忽

略不计，影响因子非常小。在公式 3.4 中，m 的值越大，训练数据集将越有效。如果

m 取值太大的时候，权重将会变得很小。对于和实验数据差异大的训练数据和中度类

似于实验数据的训练数据都是如此。因此，有效的训练数据将很少，因为只保留与实

验数据非常相似的数据。当训练数据或实验数据包含了不确定的数据或者噪声的时

候，在估算中，少量的训练数据也可能会产生大量的错误。因此，当全部的训练数据

都被修正后，m 值的调整成为有效的训练数据群体规模和训练数据与实验数据间相似

性的权衡。当 m 取值为 5 的时候，研究结果显示基本满足权衡的条件。由公式 3.3 到

公式 3.5，wi 的和是 1，训练数据集对维纳矩阵的贡献和实验该数据及估算组织参数与

训练数据 i 个元素的组织参数集间的相似度成正比。

顺序加权的维纳估算法由多个估算步骤组成，每个步骤都可以经过迭代的过程来完

成。在进行传统维纳估算的时候，每个单独的参数的估算错误都会减少训练阶段的顺

序，所以这个顺序可以防止早期的估算错误传递给以后的估算。如果估算结果不满

意，可以继续进行下一轮迭代。各个步骤都可以循环执行，直到最终得到满意的估算

结果。

3.5.2 分步式维纳估算


－45－

不同于传统维纳估算和顺序加权维纳估算，分步式维纳估算在训练阶段和测试阶段

中用两个步骤完成光谱重建。

图 3.3 传统维纳估算

Fig. 3.3 Traditional Wiener estimation

(注意：输入变量在无背景方框内，中间变量在点阵背景的方框内，结果数据在有背景方框内)

如图 3.3 所示，在训练阶段，涉及荧光背景光谱和最初窄带测量（其中包括纯拉曼

光谱和荧光背景）的第一个维纳矩阵 A 被构建，其中荧光背景光谱由上文提出的多项

式拟合，小波变换或者求导的荧光背景剔除算法抽取。其后，由纯拉曼光谱和纯拉曼

光谱的窄带测量构成了第二个维纳矩阵 B，其中拉曼光谱的窄带测量通过计算每个滤

光片透射光谱的内部产物获取。此处的滤光片透射光谱由传统的维纳估算法估算出，

在计算的时候采用最初带有荧光背景的拉曼光谱产生的窄带测量。

图 3.4 分步式维纳估算

Fig. 3.4 Stepwise Wiener estimation

(注意：输入变量在无背景方框内，中间变量在点阵背景的方框内，结果数据在有背景方框内)


－46－

在训练阶段，通过实验获取带有荧光背景的拉曼光谱和光谱的窄带测量，这两个因

素为创建维纳矩阵做好准备。

如图 3.4 所示，在测试阶段，第一个维纳矩阵 A 用于重建最初窄带测量的荧光背景

光谱，然后通过拟合五阶多项式来修正重建的荧光背景光谱。训练后，通过计算每个

滤光片的透射光谱和重建的荧光背景光谱的内积，来估算出相应的重建的荧光背景的

窄带测量。到此第一步的测试阶段的计算完成，随后进入第一步的后处理阶段。

在后处理阶段，从最初的纯拉曼光谱的窄带测量中减去重建的荧光背景的窄带测

量，则得到估算的纯拉曼光谱的窄带测量。最后，第二个维纳矩阵 B 用于从估算的纯

拉曼光谱的窄带测量中构建无荧光背景的纯拉曼光谱。注意，在本步骤中已经剔除荧

光背景，所以，不需要再次剔除荧光背景了。分步式维纳估算的维纳矩阵可以使用传

统维纳估算来构建，或者采用顺序加权维纳估算来构建，但是从我们以前的研究结果

来看，顺序加权维纳估算在光谱重建上的性能更好。既然通过窄带测量，使用维纳估

算法来重建最终的拉曼光谱，那么光谱分辨率完全依赖于训练数据集中的拉曼光谱。

3.6 后处理

本论文探讨的后处理分两种，第一种是在重建过程的后处理（请参见图 3.6）；第

二种是整个实验的后处理。在后者中，主要完成对各种实验结果的计算分析与比对，

还要对实验的原始数据，必要的中间数据和最终的实验结果数据的存储等。

本研究中，我们提出的基于分步式维纳估算的光谱重建法，在合成窄带拉曼测量和

实验窄带测量上都测试通过。合成窄带拉曼测量用于测试我们提出的光谱重建方法的

性能。传统的维纳估算法只是用于和我们提出的新方法的比较测试。重建拉曼光谱

（剔除荧光背景）和相应的测量拉曼光谱（剔除荧光背景后）之间的平均相对均方根

误差用于说明光谱重建的准确性。在这个过程中荧光背景的剔除采用的是五阶多项式

拟合的方法，实验效果很好。

实验拉曼光谱测量用于评估使用多通道窄带影像重建白血病细胞样本的拉曼光谱的

可行性，其中窄带测量用之前我们报道的四通道宽场拉曼光谱成像系统完成。它包括

传统维纳估算法，分步式维纳估算法和分步式顺序加权维纳估算法。所有这些光谱重

建的方法都在 Matlab 下编码、测试和运行的。


－47－

各种算法的源代码通过本地构建的开源版本管理系统 subversion 进行管理。进行管

理后的源代码，每一笔变动系统都有记录，任何时间点的版本都可以通过系统的使用

自动进行恢复。真正做到对源代码进行全程监控和管理。

原始的测量数据和计算结果，都被压缩保存到以 Hadoop[39]为基础框架的大数据存

储[40]平台中。

3.7 实验结果

通过以上实验，我们已经证明了，同传统 WE 法相比，分步式顺序加权 WE 法在

拉曼光谱重建的准确性上有显著提升，并且这些已经在自发光拉曼光谱和表面增强拉

曼光谱 SERS 数据上得到确认。而且，由于分步式顺序加权 WE 法在光谱重建准确性

上有显著提升，在白血病细胞和血液样本光谱重建的合成窄带测量方面，本研究的实

验结果证明了使用多通道宽场拉曼光谱成像系统测量生物组织样本的可行性。今后完

全可以利用我们自己研发的多通道宽场拉曼光谱成像系统做类似的实验。

表 3.4 显示了在不同类型和数量的滤光片下，通过传统 WE 法，分步式 WE 法和分

步式顺序加权 WE 法重建荧光背景剔除后的自发光拉曼光谱的平均相对均方根误差的

对比。商业滤光片数依次从 3，4，5 到 6 改变后，从传统 WE 法到分步式顺序加权

WE 法的平均相对均方根误差的递减值分别为 30.5%，32.8%，32.7%和 23.8%。

高斯滤光片从 3 到 6 的平均相对均方根误差递减值分别为 17.0%，34.5%，28.1%

和 33.1%。基于 PC 的滤光片分别为 25.6%，26.6%，16.2%和 16.6%。图 3.7 显示了在

一般情况下，由传统 WE 法重建和分步式顺序加权 WE 法重建的自发光拉曼光谱的比

较。典型的情况是指重建的自发光拉曼光谱，其相对均方根误差接近平均相对均方根

误差值。典型情况下，相对均方根误差对于传统 WE 法和分步顺序加权 WE 法分别是

4.39×10-2 和 2.95×10-2。一般情况下，四个商业滤光片的最佳组合透射光谱如图 3.5

（b）。注意：在图 3.5 中用于比较的拉曼光谱的荧光背景已经被剔除。


－48－

表 3.4不同类型和数目滤光片下，比较传统 WE法、分步式 WE法和分步式顺序加权 WE法重建的荧

光背景剔除后的自发光拉曼光谱的平均相对误差平方根

Table 3.4 Comparison in the mean relative RMSE of spontaneous Raman spectra (after fluorescence

background removal) reconstructed using the traditional WE, stepwise WE and stepwise sequential

weighted WE with different types and numbers filters

滤

光

片

数

商业滤光片高斯滤光片

传统分步式分步式顺序

加权传统分步式

分步式顺序

加权

3 5.61×10-2 5.42×10-2 3.90×10-2 5.18×10-2 4.82×10-2 4.30×10-2

4 4.91×10-2 3.75×10-2 3.30×10-2 5.07×10-2 3.70×10-2 3.32×10-2

5 4.01×10-2 3.29×10-2 2.70×10-2 4.37×10-2 3.44×10-2 3.16×10-2

6 3.49×10-2 2.98×10-2 2.66×10-2 3.54×10-2 2.94×10-2 2.37×10-2

滤

光

片

数

主成分滤光片非负的主成分滤光片



分步式顺序

加权

3 7.10×10-2 7.31×10-2 5.28×10-2 7.10×10-2 7.31×10-2 5.28×10-2

4 6.06×10-2 6.12×10-2 4.45×10-2 6.06×10-2 6.12×10-2 4.45×10-2

5 3.51×10-2 3.16×10-2 2.94×10-2 3.51×10-2 3.16×10-2 2.94×10-2

6 2.89×10-2 2.53×10-2 2.41×10-2 2.89×10-2 2.53×10-2 2.41×10-2

图 3.5(a)测量的自

发光拉曼光谱、一般情况下传统 WE 法和分步式顺序加权 WE 法重建的自发光拉曼光谱间的比较

（b）一般情况下最佳组合的四组商业滤光片的透射光谱

Fig. 3.5 (a) Comparison of the measured spontaneous Raman spectrum, the spontaneous Raman spectrum

reconstructed by the traditional WE and stepwise sequential weighted WE in the typical case.

(b) Transmittance spectra of the best combination of four commercial filters used in the typical cases


－49－

表 3.5 不同类型和数目滤光片下，比较传统 WE法、分步式 WE法和分步式顺序加权 WE法重建的荧

光背景剔除后的增强拉曼光谱的平均相对误差平方根

Table 3.5 Comparison in the mean relative RMSE of SERS spectra (after fluorescence background

removal) reconstructed using the traditional WE, stepwise WE and stepwise sequential weighted

滤

光

片

数

商业滤光片高斯滤光片



分步式顺序

加权

3 2.65×10-2 2.27×10-2 2.25×10-2 2.64×10-2 2.31×10-2 2.29×10-2

4 2.57×10-2 2.04×10-2 1.99×10-2 2.57×10-2 2.21×10-2 2.19×10-2

5 2.54×10-2 2.04×10-2 2.00×10-2 2.47×10-2 2.10×10-2 2.09×10-2

6 2.16×10-2 2.01×10-2 1.97×10-2 2.22×10-2 1.99×10-2 1.98×10-2

滤

光

片

数

基于主成分的滤光片非负的主成分滤光片



分步式顺序

加权

3 2.55×10-2 2.58×10-2 2.46×10-2 2.55×10-2 2.58×10-2 2.46×10-2

4 2.46×10-2 2.51×10-2 2.44×10-2 2.46×10-2 2.51×10-2 2.44×10-2

5 2.09×10-2 2.24×10-2 2.13×10-2 2.09×10-2 2.24×10-2 2.13×10-2

6 2.03×10-2 2.09×10-2 2.04×10-2 2.03×10-2 2.09×10-2 2.04×10-2

图 3.6(a)测量的表面增强拉曼光谱、一般情况下传统 WE 法和分步式顺序加权 WE 法重建的表面增

强拉曼光谱间的比较（b）一般情况下最佳组合的四组商业滤光片的透射光谱

Fig. 3.6 (a) Comparison of the measured SERS Raman spectrum, the SERS reconstructed by the traditional

WE and stepwise sequential weighted WE in the typical case (b) Transmittance spectra of the best

combination of four commercial filters used in the typical cases

表 3.5 显示了在不同类型和数目的滤光片下，采用传统 WE 法，分步式 WE 法和分

步式顺序加权 WE 法进行荧光背景剔除后表面增强拉曼光谱重建的平均相对误差平方


－50－

根的对比。在 3，4，5 到 6 组商业滤光片中，从传统 WE 法到分步式顺序加权 WE 法

的平均相对误差平方根的递减值分别为 15.1%，22.6%，21.3%和 8.8%。在 3，4，5 到

6 组高斯滤光片中，从传统 WE 法到分步式顺序加权 WE 法的平均相对误差平方根的

递减值分别为 13.3%，14.8%，15.4%和 10.8%。基于 PC 的滤光片的平均相对误差平方

根分别为 3.5%，0.8%，-1.9%和-0.5%。

图 3.6（a）显示测量的表面增强拉曼光谱，用传统 WE 法和分步式顺序加权 WE

法重建的表面增强拉曼光谱间对比。在一般情况下，传统 WE 法的平均相对误差平方

根为 2.66×10-2，而分步式顺序加权 WE 法的平均相对误差平方根是 2.05×10-2。通常

情况下，四组商业滤光片的最好组合的透射光谱请参考图 3.6（b），比如最好的一组

商业滤光片的组合为 FF 01-830，FL 830-10，XB 142，XF 3308。

在表 3.4 中，对于普通拉曼测量，除了使用 3 或 4 个基于 PC 的滤光片外，同传统

WE 法相比，在大部分情况下，分步式 WE 法显现了更好的准确性。这个主要是因为

自发光拉曼光谱中，荧光背景很多。在这种情况下，自发光拉曼光谱荧光背景的变化

幅度比拉曼信号大。基于对 PCA 结果的分析，开始的 3 或 4 个基于 PC 的滤光片经常

从光滑的荧光背景中捕捉到更多的信息，而从带荧光背景的拉曼信号中捕获更少的信

息。尽管可以从分步式 WE 法的第一步取得更准确的荧光背景光谱，但是因为从纯拉

曼信号中取得的信息不足，评估的纯拉曼光谱的窄带测量同样不准确，这样就导致分

步式 WE 法的第二步的光谱重建准确性很差。对于商业滤光片和高斯滤光片而言，在

使用 3 或 4 套滤光片时，尽管荧光背景重建不如基于 PC 滤光片的重建效果，但是可以

在第一步的后处理中通过多项式拟合来训练重建的荧光背景。同时，这些滤光片仍旧

可以捕获所有的拉曼信号。所以，来自于同训练的荧光背景结合的纯拉曼光谱的充足

信息保证了拉曼光谱重建的准确性。此外，分步式顺序加权 WE 法同传统 WE 法相

比，在光谱重建上展现了显著的提升，其中四套商业滤镜的分步顺序加权 WE 法比六

套商业滤镜的传统 WE 法重建的准确性更好。请参考图 3.6（b），用分步式顺序加权

重建的拉曼光谱体现了同光谱形状和振幅具有非常好的一致性。

在表 3.5 中，对于 SERS 测量而言，同传统的 WE 法相比，采用商业滤光片和高斯

滤光片，分步式 WE 法和分步式顺序加权 WE 法进行光谱重建准确度更好，当使用基

于 PC 的滤光片时，这种说法就不对了。这可能因为在分步 WE 法和分步顺序加权 WE

法产生的有用和无用的信息导致的。自发光拉曼光谱测量从分步式 WE 法到分步式顺

序加权 WE 法改进的不同体现的比较显著，请参见表 3.4，表面增强拉曼光谱测量改变

更小一些，请参见表 3.5。这个明显的区别的原因是分步式 WE 法的第一步和第二步的


－51－

对荧光背景和纯拉曼信号重建的足够准确，相对于自发光光谱的大的提升空间而言，

顺序加权 WE 法的提升空间已经很小了。从图 3.5 中可以发现，同传统 WE 法相比，

分步式 WE 法进行拉曼光谱的重建时,在一些重要的峰的上（比如：640cm-1，810cm-1

和 1120cm-1）效果更好。

图 3.7 （a）白血病细胞四通道窄带实验影像（b）商业拉曼光谱仪测量的拉曼光谱及传

统 WE 法和顺序加权 WE 法重建的拉曼光谱。

Fig. 3.7 (a)Four-channel narrow-band images experimentally acquired from leukemia cells

(b) Experimental Raman spectrum measured by a commercial Raman spectrometer and representative

Raman spectrum reconstructed using the traditional WE and stepwise sequential weighted WE

图 3.7 表示，我们的多通道宽场拉曼光谱成像系统完全可以捕获到窄带拉曼信号，

尽管视野很小，但也能产生拉曼激发的足够的功率密度。此外，用分步式顺序加权

WE 法，不带荧光背景的细胞纯拉曼光谱可以从四通道窄带图像中有效的重建出来。

在图 3.7（a）中，虽然在通道 3 中捕获的平均像素强度比其他三个通道的像素强度

低，但是他仍然比黑暗背景强好几倍。通道 3 中的较低的读数可能是由于通道 3 的低

荧光背景信号和滤光片的透射率低的缘故。在图 3.7（b）中，通过分步式顺序加权

WE 法重建的包括拉曼峰位置的光谱形状与测量的拉曼光谱相似，而传统 WE 法重建

的效率明显很差。这个观察结果表明，同传统 WE 法相比，使用分步式顺序加权 WE

法完成相同精度的重建需要更少的通道。因此，可以减少由于多通道划分引起的信号

衰减。不过，实验结果证实了使用多通道窄带成像重建拉曼光谱的可行性。

总而言之，大部分情况下，对于自发光拉曼光谱和表面增强拉曼光谱而言，分步式

WE 法和分步式顺序加权 WE 法在光谱重建上都表现的非常优秀。甚至，采用分步式

顺序加权 WE 法，在用四通道宽场拉曼光谱成像系统采集拉曼窄带测量时，细胞的拉

曼光谱被成功重建出来。在自发光拉曼光谱重建的准确度上，分步式顺序加权 WE 法


－52－

要优于分步式 WE 法。然而，分步式 WE 法比分步式顺序加权 WE 法具有更快的计算

速度，相同的重建准确率，实验证明它更适用于表面增强（SERS）拉曼光谱的重建。

在窄带测量的拉曼光谱重建上，同传统的维纳估算法相比，当结合顺序加权维纳估

算法时，分步式光谱重建法可以显著提升光谱重建的准确度。而且，同传统维纳估算

法相比，没有荧光背景修正的分步式维纳估算法在计算速度和光谱重建精度上都具有

更大的优越性。因此，分步式光谱重建法和它的变体，在重建的准确性和重建速度

上，为光谱重建提供了更多更自由的选择。另外，实验结果证实了：采用多通道宽场

拉曼光谱成像系统，结合分步式光谱重建方法，在每个像素点上重建生物样本的拉曼

光谱是可行的。

3.8 本章小结

本章根据实验室处理拉曼光谱的过程，将实验划分成五个关键步骤：

(1).实验准备阶段

实验准备阶段重点介绍商业滤光片的具体型号，以及在拉曼测量中将滤光片根据主

成分分类成以下四种：商业滤光片，高斯滤光片，主成分滤光片和非负的主成分滤光

片。在此阶段除了准备滤光片以外，还要将实验的样本准备好。本文算法讨论的主要

拉曼光谱信号采集于两种样本，一种是血清样本，另外一种是白血病细胞。

为了提高实验效率，避免每次实验都测量相同成分的光谱，实验准备阶段需要提供

训练数据集。我们将一些基本成分的训练数据集经过加工和处理，制作成通用训练数

据集，保证一次测量可以同其他样本共享，可以被重复使用。

(2).信号采集阶段

拉曼光谱信号弱是其本身固有属性，为了增强分析样本的拉曼效应，我们通常可采

用表面增强拉曼光谱术（SERS）、共振增强拉曼光谱术（RRS）和混合增强拉曼光谱

（SERRS）三种技术手段。他们能让样本的拉曼散射强度提高若干个数量级。正是因

为这几种技术的使用，推动拉曼光谱向更实用的方向发展，以至于可以应用于实时的

临床检测和手术中。

通过多通道宽场拉曼光谱采集设备，可以将以往只能从一个感兴趣区域采集光谱变

成同时采集多个感兴趣区域，在效率上提高了几倍甚至几十倍。在采集速度上比传统

的点扫描、线扫描有了质的飞跃。经过我们的实验证明，再结合分步式维纳估算法进

行重建，在重建准确性上改善明显。


－53－

(3).预处理阶段

荧光背景的剔除是拉曼光谱重建的重要的组成部分，一般情况都会在预处理阶段将

拉曼光谱中的荧光背景通过技术手段剔除掉。除了实验手段以外，经过验证通常采用

软件算法的方式将其从拉曼光谱中剔除，经常采用的算法有多项式拟合法，小波变换

法和求导法三种。

(4).光谱重建阶段

光谱的重建方法有很多，本文主要分析了基于窄带测量的维纳估算（Wiener

estimation）法及其变体。维纳估算法的变体有分步式维纳估算法（stepwise WE）和分

步式顺序加权维纳估算（stepwise sequential weighted WE）法等。在自发光拉曼光谱重

建的准确性上，分步式顺序加权维纳估算法比分步式维纳估算法更具有优越性。而在

表面增强拉曼光谱的重建上，分步式维纳估算在重建速度和重建准确性上，比分步式

顺序加权维纳估算法更好。

(5).后处理阶段

在实验的后处理中，需要将各种情况的实验结果数据进行分析和进一步的比对；实

验的原始数据、必要的中间数据和最终的实验结果数据都需要进行存储备份，以备下

一次使用和调阅。

另外，在实验过程中采用的算法和程序需要逐一备份和管理，以便于今后对算法的

继续研究和改进等。

总之，分步式 WE 法和分步式顺序加权 WE 法在拉曼光谱的重建上具有速度和质

量双重优越性。因此证明基于窄带测量后进行光谱重建的多通道宽场拉曼光谱成像系

统具有较高的可行性。从实验的角度完全可行，已经没有问题，那么今后就需要在实

践中逐渐发现问题并加以改进。


－54－

东北大学硕士学位论文第 4 章总结与展望

－55－

第 4章总结与展望

4.1 总结

综上所述，我们开发了基于分步式维纳估算的光谱重建算法，并通过计算机仿真

及多通道宽场拉曼成像系统对拉曼成像进行了验证。通过计算机仿真实验数据可以看

出，在窄带测量后进行拉曼光谱的重建上，同传统的维纳估算算法相比，当结合顺序

加权维纳估算法时，我们提出的分步式光谱重建法可以显著提高光谱重建的准确度。

在自发光拉曼光谱重建的准确性上，分步式顺序加权维纳估算法比分步式维纳估算法

更具有优越性。而在表面增强拉曼光谱的重建上，分步式维纳估算在重建速度和重建

准确性上，比分步式顺序加权维纳估算法更好。

在实际的使用中，只要根据具体情况，采用合适的算法重建拉曼光谱，就可以在

一定程度上解决实际的应用问题。当需要实时结果的时候，就需要选择重建速度更快

的重建算法。此外，在没有荧光背景修正过程时，同传统维纳估算法相比，分步式维

纳估算在计算速度和光谱重建准确度上具有显著优势。另外，通过将多通道宽场拉曼

成像系统与分步式维纳估算算法相结合，我们成功地实现了对于细胞的极微弱拉曼信

号的采集并获得了其拉曼光谱图像。对比于传统的基于点扫描的光谱成像方法，该新

方法的光谱成像速度提高了近 90000 倍。因此，本文研究的方法可以应用于生物样本

快速变化现象的拉曼光谱成像测量中，并具有极大地潜力投入到实际的临床应用当

中。

4.2 未来的工作

本文主要关注分步式维纳估算拉曼光谱快速成像算法的研究，未来还有许多工作要

做，具体包括以下几个方面：

(1).提高拉曼光谱重建准精度

目前拉曼光谱重建的算法有很多，维纳估算的效果从实验结果数据来看非常好。因

此，我们团队将继续努力，争取在分步式顺序加权维纳估算的基础上改进出其他新的

算法。

东北大学硕士学位论文第 4 章总结与展望

－56－

在取其精华的同时，还要将拉曼光谱的噪声有效剔除，目前采用的是多项式拟合的

方式剔除荧光背景，未来要开发小波变换和求导的方式剔除拉曼光谱的荧光背景，并

和多项式拟合的效果进行对比，选出优秀的背景剔除算法为以后的实验服务。

(2).有效缩短计算时间

我们目前的算法都是在基于 CPU 的平台上运行的，计算指令完全依赖算数运算单

元（ALU）完成。而 GPU 在一个芯片上设计了很多的 ALU 和非常多的线程

（Thread），可以让程序真正意义上的并行运行，尤其在处理图像和光谱这类大数据

量的应用，GPU 的效率是 CPU 效率的 1000 倍以上[41]。

未来，我们计划将现有的维纳估算法，改进的维纳估算法，顺序加权维纳估算法和

分步式顺序加权维纳估算的算法都逐步迁移到 GPU 平台上，利用 GPU 多核心并行计

算的特点来提高后处理的速度，从而缩短整个重建过程的时间周期。

(3).实际临床应用

拉曼光谱成像速度的提升，使其在临床应用方面潜力无限。不但可以用于癌症的筛

查，同时也可以用于临床手术，秒级的图像重建速度，完全可以用于术中肿瘤边缘界

定[42]。在辅助生殖领域，快速的重建以及无创性，拉曼光谱成像技术适用于检测精子

质量检测[43]。

东北大学硕士学位论文参考文献

－57－

参考文献

1. 张洋，杨增鹏，孟祥月等. 太阳光栅光谱仪方案设计[J]. 光学仪器. 2017, Vol.39:82-

89.

2. 孙天予，韩烁，李霞. 用自制光谱仪观察光和色素提取液吸收光谱[J]. 生物学通报,

2017, Vol.52:27-28.

3. 岳小金. 电感耦合等离子体发射光谱法测定页岩微量元素[J]. 中国锰业, 2017,

Vol.35:113-115.

4. Raman C V, Krishnan K S. A change of wave-length in light scattering[J]. Nature, 1928,

121(3051): 619

5. Tunnell J W, Haka A S, Mcgee B A, et al. Diagnostic tissue spectroscopy and its

applications to gastrointestinal endoscopy[J]. Techniques in Gastrointestinal Endoscopy.

2003, Vol.5(2): 65-73.

6. 杨序纲，吴琪琳. 拉曼光谱的分析与应用[M], 北京: 国防工业出版社, 2008.

7. 徐斌，林漫漫，姚辉璐等. 拉曼光谱技术测量单个红细胞的血红蛋白浓度[J]. 中国

激光,2016,43(1): 225-229.

8. Xu B, Lin M M, Yao H L, et al. Measurement of Hemoglobin Concentration of Single Red

Blood Cell Using Raman Spectroscopy[J]. Chinese Journal of Lasers, 2016，43(1): 0115003.

9. 王明栋，王宗廷，王凤英. 表面增强拉曼光谱技术研究进展[J]. 化学分析计量. 2016,

Vol.25(1):104-107.

10. 陈珊，李晓宁，梁逸曾等. 拉曼光谱的荧光背景扣除及其用于药物聚类分析[J]. 光

谱学与光谱学分析, 2010, Vol. 30(8):2157-2160.

11. 张莹莹，张锦. 共振增强拉曼光谱技术在单壁碳纳米管表征中的应用[J]. 化学学报,

2012,(22):2293-2305

12. 范贤光，王秀芬，王昕等. 基于特征提取的低信噪比拉曼光谱去噪方法研究[J]. 光

谱学与光谱分析, 2016.12, Vol.36(12):4082-4087

13. 邵丽婷，肖瑞，王升启. 超滤法分离人血清后的表面增强拉曼光谱研究[J]. 生物技

术通讯, 2016,(6):769-772

14. 伍子同，刘翼振，周晓东，沈爱国，胡继明. 表面增强拉曼光谱在 DNA 检测中的

应用[J].分析科学学报, 2014,(6):829-839


－58－

15. Harvey Lui, Jianhua Zhao, David McLean, and Haishan Zeng. Real-time Raman

Spectroscopy for In Vivo Skin Cancer Diagnosis[J]. Cancer Research. 2012, 10.1158/0008-

5472.CAN-11-4061.

16. 杜怀超，陈振宜，陈娜等. 新型凹锥形表面增强拉曼散射光纤探针的制备[J].中国

激光, 2017,(2):330-336.

17. Douglas Skoog et al. Principles of instrumental analysis[M]. Thomson Learning

Inc,1998, :436-437.

18. Dhakal S, Chao K, Qin J, Kim M, Peng Y, Chan D. Identification and evaluation of

composition in food powder using point-scan Raman spectral imaging[J]. Applied Sciences,

2016, 7(1): 1.

19. Qin J, Kim M S, Chao K, et al. Line-scan Raman imaging and spectroscopy platform for

surface and subsurface evaluation of food safety and quality[J]. Journal of Food Engineering,

2016, 198:17–27.

20. Pappas D, Smith B W, Winefordner J D. Raman imaging for two-dimensional chemical

analysis[J]. Applied Spectroscopy Reviews, 2000, 35(1-2): 1-23.

21. Samuel A Z, Yabumoto S, Kawamura K, et al. Rapid microstructure characterization of

polymer thin films with 2D-array multifocus Raman microspectroscopy[J]. Analyst, 2015,

140(6): 1847-1851.

22. Chen S, Ong Y H, Liu Q. Fast reconstruction of Raman spectra from narrow‐band

measurements based on Wiener estimation[J]. Journal of Raman Spectroscopy, 2013, 44(6):

875-881.

23. Opilik L, Schmid T, Zenobi R. Modern Raman imaging: Vibrational spectroscopy on the

micrometer and nanometer scales. Annual Review of Analytical Chemistry, 2013, 6(1): 379-

98.

24. Shuo Chen. Development of Fast Spectroscopic Imaging Techniques for Biomedical

Applications[J]. NANYANG Technological University, 2015.

25. M. Bowden, D. J. Gardiner, G. Rice, and D. L. Gerrard. Line‐scanned micro Raman

spectroscopy using a cooled CCD imaging detector[J]. Journal of Raman spectroscopy 21,

1990:37-41.

26. Papour A, Jin H K, Taylor Z, et al. Wide-field Raman imaging for bone detection in

tissue[J]. Biomedical Optics Express, 2015, 6(10): 3892.


－59－

27. Puppels G J, Greve J, Grond M. Direct imaging Raman microscope based on tunable

wavelength excitation and narrow-band emission detection[J]. Applied Spectroscopy, 1993,

47(8): 1256-1267.

28. Baronti S, Casini A, Lotti F, et al. Multispectral imaging system for the mapping of

pigments in works of art by use of principal-component analysis[J]. Applied Optics, 1998,

37(8): 1299-1309.

29. Turner J F, Treado P J. LCTF Raman chemical imaging in the near infrared[C].

Aerosense. International Society for Optics and Photonics, 1997,:280-283.

30. Schmälzlin E, Moralejo B, Rutowska M, et al. Raman imaging with a fiber-coupled

multichannel spectrograph[J]. Sensors, 2014, 14(11): 21968-21980.

31. Okuno M, Hamaguchi H. Multifocus confocal Raman microspectroscopy for fast

multimode vibrational imaging of living cells[J]. Optics Letters, 2010, 35(24): 4096-4098.

32. McCain S T, Gehm M E, Wang Y, et al. Coded aperture Raman spectroscopy for

quantitative measurements of ethanol in a tissue phantom[J]. Applied Spectroscopy, 2006,

60(6): 663-671.

33. Chen S, Lin X, Yuen C, et al. Recovery of Raman spectra with low signal-to-noise ratio

using Wiener estimation[J]. Optics Express, 2014, 22(10): 12102-12114.

34. Chen Shuo., Liu Quan., Modified Wiener estimation of diffuse reflectance spectra from

RGB values by the synthesis of new colors for tissue measurements[J]. Biomed. Opt, 2012,

17(3):030501

35. Shuo Chen, Yi Hong Ong, Xiaoqian Lin, and Quan Liu. Optimization of advanced Wiener

estimation methods for Raman reconstruction from narrow-band measurements in the

presence of fluorescence background[J]. Biomed Opt Express, 2015, 6(7): 2633–2648.

36. Shuo Chen, Gang Wang, XiaoYu Cui, Quan Liu. Stepwise method based on Wiener

estimation for spectral reconstruction in spectroscopic Raman imaging[J]. Optics EXPRESS,

2017,Vol. 25(2):1005-1018.

37. Shuo Chen,Yi Hong Ong,and Quan Liu. A Method to Create a Universal Calibration

Dataset for Raman Reconstruction Based on Wiener Estimation[J]. Quantum Electronic,

2016, Vol 22(3):.


－60－

38. Shuo Chen, X. Lin, C. Zhu, and Q. Liu, Sequential weighted Wiener estimation for

extraction of key tissue parameters in color imaging: a phantom study[J]. Biomed. Opt., 2014,

19(12):127001.

39. T White. Hadoop: The Definitive Guide[M].O'Reilly Media, Inc., 2011, 215(11):1- 4.

40. 费贤举,王树锋.基于云环境下的海量大数据存储系统设计[J].计算机测量与控制,

2014, 22(7):11-17.

41. 胡君杰,马晨欣.利用 GPU 实现三维图像重建方法研究[J]. 世界科技研究与发展,

2008, 30(1):24-26.

42. Barroso EM, Smits RW, van Lanschot CG, Gaspers PJ. Water Concentration Analysis by

Raman Spectroscopy to Determine the Location of the Tumor Border in Oral Cancer

Surgery[J]. Cancer Research, 2016, 76(20):5945-5953.

43. Huser T, Orme CA, Hollars CW, Corzett MH, Balhorn R. Raman spectroscopy of DNA

packaging in individual human sperm cells distinguishes normal from abnormal cells[J]. J

Biophotonics, 2009,2(5):322-32.

东北大学硕士学位论文致谢

－61－

致谢

在东北大学几年的在职研究生生活就要结束了，有过迷茫，有过喜悦，但是最多

的还是收获。东北大学作为我人生重要的转折点，在这里想要感谢所有曾经给予帮助

和支持的老师、同学和家人。

首先要感谢陈硕老师，在中荷学院几年的时间里我学到了很多，陈老师给予了我

很多帮助，他对中荷学院实验室倾注了很多心血，对实验室的每位同学在学术上都给

予了很多建议和指导。不但在课题上给予我指导，同时还教会了我很多人生道理，陈

老师知识渊博，极大地拓宽了我的知识面，他对学术的孜孜以求，让我看到了作为一

个科研人员的学术热情，对学生的缺点和不足，他会很认真的指出并帮我改正。尤其

让我感动的是陈老师帮我反反复复修改了八次论文，每一次都提出非常有意义的整改

意见。

感谢曾经并肩学习与工作的所有同学和同事，在我论文撰写过程中给予我的帮

助。

感谢四川大学国家重点实验室谢丹教授为我的论文进行外审！

感谢沈阳航空航天大学孟庆实教授为我的论文进行外审！

最后还要感谢所有参加答辩的专家老师，你们辛勤的劳动为国家创造了一批又一批的

优秀人才！

东北大学硕士学位论文

－62－

附录

硕士在读期间发表的论文

1. Shuo Chen, Gang Wang, Xiaoyu Cui, Quan Liu. Stepwise method base on Wiener

estimation for spectral reconstruction in spectroscopic Raman Imaging[J]. Optics

Express, 2017, Vol.25(2) : 1005-1018 (SCI,一区,影响因子>3.5)

2. 王刚，李岭. 霍夫变换在 PCR-反向点杂交检测结果自动化判读中的应用[J]. 生物医

学工程研究, 2015, 34(3):158-163 (中文核心)

3. 侯江龙，董鑫，王玉庆，王刚. 非遗传因素与基因多态性对华法林临床用药稳定剂

量的影响[J], 中华医学遗传学杂志, 2015, 32(5):629-634 (中文核心)

硕士在读期间发表的会议摘要

1. 孔令敏，王刚，崔笑宇，陈硕，基于分步式维纳估算算法的快速拉曼成像技术，

2017 中国生物医学工程大会，PO-096（2017.4.21，壁报）

作者的学习经历

1. 1991 -1994 辽宁省瓦房店高级中学

2. 1994 - 1998 辽宁师范大学计算机与应用专业

3 . 2014 -2017 东北大学中荷生物医学与信息工程学院生物医学工程专业

附录

Documents

快速拉曼光谱成像中的光谱重建算法研究 - NEU