2. OCT光谱信号背景噪声去除与直流分量抑制

背景噪声与直流分量的来源

OCT光谱仪采集到的原始干涉信号可写成：

I(k) = I_DC(k) + I_AC(k) + n(k)

• I_DC(k)：直流/背景分量，主要来自参考臂与样品臂的各自回光、光谱仪本底、相机暗电流与固定模式噪声，随k缓慢变化。
• I_AC(k)：携带深度信息的干涉条纹项，表现为围绕背景的快速振荡，幅度通常远小于直流项。
• n(k)：随机噪声，包括散粒噪声与读出噪声。

直流分量在后续FFT中会在零光程差附近形成强峰，抬高本底并压缩弱反射信号的动态范围，因此必须在重采样与FFT之前扣除。

背景估计与扣除方法

常用做法是采集一帧无样品回光的参考光谱（遮挡样品臂或移开样品），作为背景模板 B(k)。对实际样品光谱 S(k) 做扣除：

S_corr(k) = S(k) − B(k)

若无法单独采集背景，可用滑动均值或低通滤波估计慢变背景，再逐点相减。下面给出一个可运行的Python实现，同时计算条纹对比度指标。

import numpy as np

def estimate_background(spec, win=51):
    """用滑动均值估计慢变背景（win为奇数）"""
    kernel = np.ones(win) / win
    pad = win // 2
    padded = np.pad(spec, pad, mode='reflect')
    return np.convolve(padded, kernel, mode='valid')

def remove_background(spec, bg=None, win=51):
    """扣除背景，返回校正后光谱与所用背景"""
    if bg is None:
        bg = estimate_background(spec, win)
    return spec - bg, bg

def fringe_contrast(spec):
    """条纹对比度 = (max-min)/(max+min)，衡量干涉条纹强弱"""
    return (spec.max() - spec.min()) / (spec.max() + spec.min() + 1e-12)

# 教学示例：构造含直流与干涉条纹的模拟光谱
k = np.linspace(0, 1, 2048)
dc = 8000 + 1500 * np.sin(2 * np.pi * 0.3 * k)      # 慢变直流/背景
fringe = 120 * np.cos(2 * np.pi * 60 * k)            # 干涉条纹
noise = np.random.normal(0, 8, k.size)               # 随机噪声
raw = dc + fringe + noise

corr, bg = remove_background(raw, win=101)

print("原始对比度: %.4f" % fringe_contrast(raw))
print("去背景后对比度: %.4f" % fringe_contrast(corr))
print("背景估计范围: %.1f ~ %.1f" % (bg.min(), bg.max()))

去背景前后对比判读

判断去背景是否有效，可观察三个指标：

• 条纹对比度：去背景后应显著上升，说明直流被压制、条纹相对增强。
• 背景基线：校正后光谱应围绕零附近振荡，不再有大幅慢变包络。
• FFT本底：对校正前后分别做FFT，零光程差附近的直流峰应明显降低，弱反射峰更易分辨。

实操要点与常见问题