找到峰的最大半宽

Question

我一直在试图找出蓝色峰的半峰全宽（FWHM）（见图）。绿色峰和洋红色峰组合构成蓝色峰。我一直在使用以下等式来找到绿色和洋红色峰的FWHM：fwhm = 2*np.sqrt(2*(math.log(2)))*sd其中sd =标准偏差。我创建了绿色和洋红色的峰值，我知道标准差，这就是为什么我可以使用这个等式。

我使用以下代码创建了绿色和洋红色峰：

def make_norm_dist(self, x, mean, sd):
    import numpy as np

    norm = []
    for i in range(x.size):
        norm += [1.0/(sd*np.sqrt(2*np.pi))*np.exp(-(x[i] - mean)**2/(2*sd**2))]
    return np.array(norm) 

如果我不知道蓝峰是由两个峰组成的，而我的数据中只有蓝峰，我怎么能找到FWHM？​​

我一直在使用此代码找到最高峰：

peak_top = 0.0e-1000
for i in x_axis:
    if i > peak_top:
        peak_top = i

我可以将peak_top除以2以找到半高，然后尝试找到对应于半高的y值，但如果没有完全匹配的x值，我会遇到麻烦半高。

我很确定我正在尝试的解决方案有更优雅的解决方案。

Answer 1

您可以使用样条线拟合[蓝色曲线 - 峰值/ 2]，然后找到它的根源：

import numpy as np
from scipy.interpolate import UnivariateSpline

def make_norm_dist(x, mean, sd):
    return 1.0/(sd*np.sqrt(2*np.pi))*np.exp(-(x - mean)**2/(2*sd**2))

x = np.linspace(10, 110, 1000)
green = make_norm_dist(x, 50, 10)
pink = make_norm_dist(x, 60, 10)

blue = green + pink   

# create a spline of x and blue-np.max(blue)/2 
spline = UnivariateSpline(x, blue-np.max(blue)/2, s=0)
r1, r2 = spline.roots() # find the roots

import pylab as pl
pl.plot(x, blue)
pl.axvspan(r1, r2, facecolor='g', alpha=0.5)
pl.show()

结果如下：

Answer 2

这在iPython中适用于我（快速和脏，可以减少到3行）：

def FWHM(X,Y):
    half_max = max(Y) / 2.
    #find when function crosses line half_max (when sign of diff flips)
    #take the 'derivative' of signum(half_max - Y[])
    d = sign(half_max - array(Y[0:-1])) - sign(half_max - array(Y[1:]))
    #plot(X[0:len(d)],d) #if you are interested
    #find the left and right most indexes
    left_idx = find(d > 0)[0]
    right_idx = find(d < 0)[-1]
    return X[right_idx] - X[left_idx] #return the difference (full width)

可以进行一些补充以使分辨率更准确，但是在X轴上有很多样本并且数据不太嘈杂的限制下，这很有效。

即使数据不是高斯数据且有点嘈杂，它对我有用（我只是采用第一次和最后一次半最大值穿过数据）。

Answer 3

如果您的数据有噪音（并且它总是在现实世界中），那么更强大的解决方案是将高斯数据拟合到数据并从中提取FWHM：

import numpy as np
import scipy.optimize as opt

def gauss(x, p): # p[0]==mean, p[1]==stdev
    return 1.0/(p[1]*np.sqrt(2*np.pi))*np.exp(-(x-p[0])**2/(2*p[1]**2))

# Create some sample data
known_param = np.array([2.0, .7])
xmin,xmax = -1.0, 5.0
N = 1000
X = np.linspace(xmin,xmax,N)
Y = gauss(X, known_param)

# Add some noise
Y += .10*np.random.random(N)

# Renormalize to a proper PDF
Y /= ((xmax-xmin)/N)*Y.sum()

# Fit a guassian
p0 = [0,1] # Inital guess is a normal distribution
errfunc = lambda p, x, y: gauss(x, p) - y # Distance to the target function
p1, success = opt.leastsq(errfunc, p0[:], args=(X, Y))

fit_mu, fit_stdev = p1

FWHM = 2*np.sqrt(2*np.log(2))*fit_stdev
print "FWHM", FWHM

绘制的图像可以通过以下方式生成：

from pylab import *
plot(X,Y)
plot(X, gauss(X,p1),lw=3,alpha=.5, color='r')
axvspan(fit_mu-FWHM/2, fit_mu+FWHM/2, facecolor='g', alpha=0.5)
show()

更好的近似将在拟合之前滤除低于给定阈值的噪声数据。

Answer 4

这是使用样条方法的一个很好的小函数。

from scipy.interpolate import splrep, sproot, splev

class MultiplePeaks(Exception): pass
class NoPeaksFound(Exception): pass

def fwhm(x, y, k=10):
    """
    Determine full-with-half-maximum of a peaked set of points, x and y.

    Assumes that there is only one peak present in the datasset.  The function
    uses a spline interpolation of order k.
    """

    half_max = amax(y)/2.0
    s = splrep(x, y - half_max, k=k)
    roots = sproot(s)

    if len(roots) > 2:
        raise MultiplePeaks("The dataset appears to have multiple peaks, and "
                "thus the FWHM can't be determined.")
    elif len(roots) < 2:
        raise NoPeaksFound("No proper peaks were found in the data set; likely "
                "the dataset is flat (e.g. all zeros).")
    else:
        return abs(roots[1] - roots[0])

Answer 5

您应该使用scipy解决问题：首先find_peaks，然后再peak_widths。 使用 rel_height （0.5）的默认值，您正在测量峰的最大宽度的一半。