如何从频谱图精准提取脊线？Matlab现有方案待优化

我希望从频谱图中尽可能清晰地提取出图中可见的三条独立红色脊线。目前用Matlab的edge边缘检测函数对特定带宽处理，虽得到一些结果，但因为没法确定信号具体位置，不想做滤波操作；另外放大后发现原本的单脊变成了双脊。我不是图像处理专家，但会用Matlab和Python做信号处理，求解决思路或优化方向。

现有Matlab代码 #

win=round(0.01*fs);%round(0.025890625*fs);
over=round(0.009*fs);%round(0.01875*fs);
[s,f,t,p] =spectrogram(song,hamming(win),over,fs,fs,'yaxis');
BW=edge(p(6000:22000,:),[],'vertical');
imagesc(BW); axis xy

解决思路与优化方向 #

1. 优化频谱图生成参数 #

当前重叠率高达90%（over/win=0.009/0.01），过高的重叠会导致频谱帧冗余，容易产生伪边缘。建议降低重叠率至50%-70%，例如：

over=round(0.005*fs); % 重叠率50%

同时可以微调窗长：如果脊线时间变化快，适当减小窗长提升时间分辨率；如果需要更清晰的频率峰值，适当增大窗长，但避免过度模糊时间维度的脊线连续性。

2. 替换边缘检测为峰值定位（更贴合脊线本质） #

脊线本质是频谱图中能量峰值的连续轨迹，直接找每一时间帧的频率峰值比边缘检测更准确，不会出现单脊变双脊的问题：

p_cropped = p(6000:22000,:);
% 对每一列（时间维度）找频率轴的最大值索引
[~, peak_freq_idx] = max(p_cropped, [], 1);
% 生成脊线掩码
BW = false(size(p_cropped));
BW(sub2ind(size(p_cropped), peak_freq_idx, 1:size(p_cropped,2))) = true;
% 可选：用形态学操作细化并连接间断点
BW = bwmorph(BW, 'thin', 1);
BW = bwmorph(BW, 'bridge');
imagesc(BW); axis xy

3. 优化边缘检测方法（如果坚持用边缘检测） #

默认的edge方法对频谱图的噪声和冗余边缘抑制不足，改用Canny检测器并手动设置阈值，能有效过滤伪边缘：

% 调整高低阈值，根据你的频谱图能量分布微调
BW=edge(p(6000:22000,:), 'canny', [0.05 0.2], 'vertical');
% 后处理：去除小孤立点，细化边缘
BW = bwareaopen(BW, 3); % 去掉像素数少于3的区域
BW = bwmorph(BW, 'thin', 2);

4. Python替代方案（基于信号处理逻辑） #

如果你习惯用Python，同样可以用峰值定位思路实现：

import numpy as np
from scipy.signal import spectrogram, hamming
from skimage import morphology

win = int(round(0.01*fs))
over = int(round(0.005*fs))
# 生成频谱图（用幅度谱更直观）
f, t, p = spectrogram(song, fs, window=hamming(win), noverlap=over, mode='magnitude')
# 裁剪目标频率范围
freq_mask = (f >= 6000) & (f <= 22000)
p_cropped = p[freq_mask, :]
# 找每一时间帧的峰值频率索引
peak_idx = np.argmax(p_cropped, axis=0)
# 生成脊线掩码
BW = np.zeros_like(p_cropped, dtype=bool)
BW[peak_idx, np.arange(p_cropped.shape[1])] = True
# 细化并连接脊线
BW = morphology.thin(BW)
BW = morphology.binary_erosion(BW, morphology.disk(1))

内容的提问来源于stack exchange，提问作者Lanas