【论文总结6 水稻种子储藏年份 高光谱 光谱+纹理特征】

Rapid and nondestructive identification of rice storage year using
hyperspectral technology
利用高光谱技术快速无损地识别大米储藏年份

预处理：
1. 多元散点校正法（MSC, Multiplicative Scatter Correction）
作用：减少由于散射（如样本表面粗糙度、颗粒大小）造成的光谱漂移。
原理：将每条光谱校正为与平均光谱相一致的斜率和截距。
2. 标准正态变换（Standard Normal Variate, SNV）
作用：类似MSC，但更侧重于每条光谱自身的均值和标准差归一化处理，去除散射干扰。
原理：每条光谱做中心化（减去均值）和缩放（除以标准差）。
3. 一阶导数法（1st Derivative）
作用：强调光谱曲线的“斜率”，增强特征变化，去除背景干扰。

降维：
1. 主成分分析（PCA）
原理：通过线性组合最大化数据方差，降维为少数几个“主成分”。
作用：降维（减少冗余特征）；可视化高维数据结构
在本研究中的应用：可视化不同储藏年份样本的分布趋势。
2. t-分布随机邻域嵌入（t-SNE）
原理：一种非线性降维方法，适合展示高维数据的簇结构。
特点：比PCA更适合展示数据的聚类结构，但不适合做建模。
在本文中：辅助验证不同年份大米在特征空间中的可分性。

特征选择：
1. 竞争性自适应重加权算法（CARS）
原理：基于偏最小二乘回归（PLS）反复迭代，选出对分类最有用的特征波长，提高模型性能。
2. Lasso回归（最小绝对收缩和选择算子）
原理：加入L1正则项，通过压缩部分系数为0来选择特征。
在本文中：从高维光谱特征中筛选出重要波长位置。

水稻的纹理特征分析：
1. 局部二值模式（LBP, Local Binary Pattern） 18个纹理特征
原理：用邻近像素值与中心像素的比较构造二值码，提取局部纹理。
在本文中：捕捉大米表面纹理随老化变化的模式。
2. 灰度共生矩阵（GLCM, Gray Level Co-occurrence Matrix） 24个纹理特征
原理：统计图像中灰度级之间的空间关系（如对比度、熵、能量等）。
作用：量化纹理粗糙度、方向性等宏观特征。
常用指标：对比度、熵、同质性、相关性。
3. Tamura特征  3个纹理特征
原理：模拟人类视觉系统对纹理的感知，如粗糙度、对比度、方向性。
在图像处理中的作用：描述纹理感知的主观因素。
与GLCM互补，提供更加“感官”层面的纹理指标。

特征融合、建模：
1. 鲸鱼优化算法（WOA, Whale Optimization Algorithm）
原理：模拟座头鲸捕食行为的群体智能优化算法。
作用：搜索模型的最优超参数（如SVM的C和gamma）。
2. 支持向量机（SVM）
原理：寻找能最大化类间间隔的超平面，用于分类。
特点：适合小样本、高维特征；可以通过核函数处理非线性问题。
在本研究中：作为融合模型的一部分基础分类器。
3. 极值梯度提升（XGBoost）
原理：改进的梯度提升树（GBDT）算法
          具有更强的正则化和处理能力，能处理缺失值；支持并行计算。
在本文中：集成光谱与纹理特征后的主分类模型。

评价指标：准确率、查准率、查全率和F1值

基于提取的纹理特征，建立WOA-SVM和XGBoost模型，结果如表1所示
结果表明，基于纹理数据的XGBoost模型比WOA-SVM模型提取效果更好，LBP算法在图像纹理特征提取算法中准确率最高

预处理+机器学习，对光谱数据进行学习，建立识别模型，如表2所示
目的：探讨传统机器学习和深度学习在水稻储藏年份识别中的优缺点
采用WOASVM和XGBoost对数据进行训练 训练集：测试集=8：2
（这两个模型训练？机器学习测试？）
结果表明，SNV-tSNE数据具有较好的可分性，与降维可视化所展示的结果一致

全光谱数据的XGBoost模型的前10个重要特征波长，如表3所示