我曾经询问过如何通过程序判断频谱带，@detly建议使用FWHM（半峰全宽）来确定峰的宽度。我四处搜索后发现，FWHM可用于拟合模型(我对此几乎一窍不通!)，特别是高斯模型。具体来说，2.354 * sigma是高斯模型的宽度。
我正在查看一个高斯拟合由于存在糟糕的峰值。 图中有4个形态良好的峰值。 然后是“双”峰（虽然两者都可能重要）和两个分散的峰。 对于一个单纯的FWHM，它们将表现出无法解决的难题。
您能帮助生成Scip/Numpy中峰的高斯拟合（用于计算FWHM），给定其x坐标的近似位置吗？如果高斯不是一个好选择，那么可以采用其他方案。
拟合高斯曲线是一个不错的方法。如果你对初始参数值有一些大致的猜测，可以尝试同时猜测它们。一个大问题是噪声，你可能希望分别拟合每个峰（即一次只考虑给定峰所在范围），或者得到数据中的基线噪声曲线并将其减去。
这里有一些代码尝试拟合多个高斯曲线。我输入了一些相对宽松的参数，用于捕捉8个最突出的峰以及一个额外非常宽泛的高斯曲线，以尝试捕捉背景噪声。处理之前，我稍微清理了您发布的图像，以帮助提取其中的数据（去除了鼠标指针和轴边缘，并反转了图像）。
代码：
import Image
from scipy import *
from scipy.optimize import leastsq
import numpy as np
im = Image.open("proc.png")
im = im.convert('L')
h, w = im.size
#Extract data from the processed image:
im = np.asarray(im)
y_vals, junk = np.mgrid[w:0:-1, h:0:-1]
y_vals[im < 255] = 0
y_vals = np.amax(y_vals,axis=0)
def gaussian(x, A, x0, sig):
return A*exp(-(x-x0)**2/(2.0*sig**2))
def fit(p,x):
return np.sum([gaussian(x, p[i*3],p[i*3+1],p[i*3+2])
for i in xrange(len(p)/3)],axis=0)
err = lambda p, x, y: fit(p,x)-y
#params are our intitial guesses for fitting gaussians,
#(Amplitude, x value, sigma):
params = [[50,40,5],[50,110,5],[100,160,5],[100,220,5],
[50,250,5],[100,260,5],[100,320,5], [100,400,5],
[30,300,150]] # this last one is our noise estimate
params = np.asarray(params).flatten()
x = xrange(len(y_vals))
results, value = leastsq(err, params, args=(x, y_vals))
for res in results.reshape(-1,3):
print "amplitude, position, sigma", res
import pylab
pylab.subplot(211, title='original data')
pylab.plot(y_vals)
pylab.subplot(212, title='guassians fit')
y = fit(results, x)
pylab.plot(x, y)
pylab.savefig('fig2.png')
pylab.show()
这些是拟合输出的高斯参数：
#Output:
amplitude, position, sigma [ 23.47418352 41.27086097 5.91012897]
amplitude, position, sigma [ 16.26370263 106.39664543 3.67827824]
amplitude, position, sigma [ 59.74500239 163.11210316 2.89866545]
amplitude, position, sigma [ 57.91752456 220.24444939 2.91145375]
amplitude, position, sigma [ 39.78579841 251.25955921 2.74646334]
amplitude, position, sigma [ 86.50061756 260.62004831 3.08367483]
amplitude, position, sigma [ 79.26849867 319.64343319 3.57224402]
amplitude, position, sigma [ 127.97009966 399.27833126 3.14331212]
amplitude, position, sigma [ 20.21224956 379.41066063 195.47122312]
#从处理后的图像中提取数据:后的4行提取数据：通过创建行值的网格，在图像中将对应位置为零的所有值都设为零，然后取一列中的最大行索引，得到第一个绘图 'original data'，该绘图对应于发布的图像。 - fraxel