【论文总结2 水稻种子纯度 高光谱】

Rice Seed Purity Identification Technology Using Hyperspectral Image with LASSO Logistic Regression Model
基于LASSO Logistic回归模型的水稻种子纯度高光谱识别技术

数据预处理：SNV,FD,SD
使用波段：第15至190个波段（450-950 nm）的数据
样本集划分：联合x-y距离（SPXY）算法，以1：1的比例随机划分为训练集和测试集
创新：将降维（LASSO）融合在模型（LRM）行中，形成新的模型LLR  
           即LASSO中的L1正则化应用在逻辑回归模型（LRM）进行二分类

摘要总结：
最小绝对收缩和选择算子（LASSO）算法的稀疏特征
逻辑回归模型（LRM）的分类特征
提出了一种基于LASSO逻辑回归模型（LLRM）的水稻种子纯度高光谱鉴别方法
全波段LRM的识别准确率为71.60- 100%，平均识别准确率仅为89.63%
LLRM的识别准确率为91.67-100%，平均识别准确率为98.47%

研究对象：四种类型的水稻种子：湖光香、湘晚粳、黄花占、粳530
每种类型包含72粒
13个不同的掺假案件
在每种情况下，正则化参数λ值不同，λ的值越小，惩罚越小，保留的变量越多
使用十倍交叉验证方法来选择λ的最佳值
所选特征波段的数量也有所不同
采用坐标下降法计算最佳λ值处的回归系数，基于回归系数选择特征波段

选择的特征波段的平均数目
SNV数据为11.3
FD数据为8.5
SD数据为9.5
SNV数据选择的特征波段相对较多，精度优于FD和SD数据
通过比较所有的LLRM，发现三种预处理方法的准确率分别提高了5.98%，10.55%和9.99%
FD处理后，实现100%的识别准确率的概率增加，意味着FD处理比其他方法更适合于LLRM 

数据处理步骤：
第一步是数据预处理。ROI的反射率数据通过标准正态变量（SNV）变换和导数方法进行处理
第二步是背景分割，即从背景图像中分割出水稻种子像素，并获取和分析每个水稻种子的光谱特征
第三步是准备培训和测试集。将每种类型的72个纯种子和另外3个杂交种子的光谱特征组合在一起，以模拟种子的纯度，产生13个数据集。将这些数据集分为训练集和测试集
第四步，建模
第五步，数据输出

背景分割：
传统方法：自适应阈值法，对图像进行二值化，并将二值化后的图像作为模板。
论文中使用的方法：利用光谱的斜率信息来合成新的灰度图像

数据分组：
1-10组以湖光香为研究对象
1-4组：掺入等量的其他三种类型的种子，比例不同
5-7组：掺入不同量的其他三种种子
8-10组：分别，等量，掺入另一种种子
11-13组：分别以湘晚粳稻、黄花占和粳稻530为研究对象，每一组都掺杂了另外三种种子，每种种子有12粒

如图所示

结果表明，LLRM方法稳定地选择了关键波段，提高了高光谱数据的信噪比，在水稻种子识别中获得了较好的精度

1.介绍
2. 材料与方法
    2.1. 样品制备和数据采集
    2.2.数据处理流程
    2.3.光谱特征提取
          2.3.1.数据预处理+
          2.3.2.图像分割
          2.3.3.光谱特征
    2.4.LLRM基础和优化
          2.4.1.数据分组
          2.4.2.样本集划分
          2.4.3.LLRM
          2.4.4最佳λ选择
3.结果
    3.1.波段选择结果
    3.2.波段选择
    3.3模型精度比较
4.结论