[发明专利]一种基于高光谱反卷积和解混的医疗废料在线筛选方法

权利要求书

1.一种基于高光谱反卷积和解混的医疗废料在线筛选方法，其特征在于，包括：

利用推扫式高光谱成像仪实时垂直扫描传送带上的医疗废料，得到当前时刻的高光谱图像，所述高光谱图像为拥有空间维度N和光谱维度P的二维矩阵；

将高光谱图像展平为一维向量，在引入延迟的基础上，利用延迟一维向量构建在线卷积和混合模型，得到延迟后的时刻由各丰度向量拼接而成的拼接向量；

构建滑窗，基于滑窗和滑窗内多个时刻的拼接向量构建在线成本函数；

将滑窗内的所有拼接向量拼接为向量a′_k，并对在线成本函数增加非负约束条件，求解非负的向量a′_k使得在线成本函数最小化，即

利用最小均方算法和增广拉格朗日惩罚函数法对进行求解，得到向量a′_k，进而得到丰度图像；

通过丰度图像分辨医疗废料的不同成分，得到分类结论，根据分类结论对医疗废料进行筛选分类。

2.根据权利要求1所述的一种基于高光谱反卷积和解混的医疗废料在线筛选方法，其特征在于，所述在线卷积和混合模型，具体为：

其中，为一维向量y_k引入(L-1)/2延迟后的延迟一维向量，S表示包含了各丰度r的端元s_r的光谱：

R表示端元个数，0rR，P表示波长总数，即光谱维度；

H_l为根据l列卷积核构建的常对角矩阵，大小为N×N，第一列为第一排为所述卷积核为H^*p，代表图像模糊，H^*p为一个二维的高斯矩阵，所述高斯矩阵表示为其中M为高斯矩阵的行数，L为高斯矩阵的列数即卷积核在时间维度上的长度，则第l列向量表示为：p表示波长，若卷积核在每一个波长p均相同，则可忽略波长p；

a_k-l+1为k-l+1时刻的R个丰度向量拼接而成的拼接向量，e_k-(L-1)/2表示延迟后的噪音干扰。

3.根据权利要求2所述的一种基于高光谱反卷积和解混的医疗废料在线筛选方法，其特征在于，所述在线成本函数结构为：

每个时刻计算更新滑窗内的拼接向量，下一时刻将滑窗向前移动一列，其中，表示滑窗内更新的拼接向量，表示上一时刻卷积核大小的L宽度内的拼接向量；

代表拟合成本，表示期望值处理器，为L1范数正则项，η_z是权重参数，Q为滑窗大小。

4.根据权利要求3所述的一种基于高光谱反卷积和解混的医疗废料在线筛选方法，其特征在于，利用最小均方算法和增广拉格朗日惩罚函数法对进行求解，具体为：

步骤一：采用梯度下降法求得：

其中，大小为(Q+L-1)RN×(Q+L-1)RN，I_QRN表示QRN×QRN大小的单位矩阵，I_RN表示RN×RN大小的单位矩阵，I_(L-2)RN表示(L-2)RN×(L-2)RN大小的单位矩阵，O_QRN×(L-1)RN表示QRN×(L-1)RN大小的零矩阵，O_RN×RN表示RN×RN大小的零矩阵，O_(L-2)RN×RN表示(L-2)RN×RN大小的零矩阵；

大小为(Q+L-1)RN×(Q+L-1)RN，O_QRN×(L-1)PN表示QRN×(L-1)PN大小的零矩阵，O_{(L-1)RN×(Q+L-1)PN}表示(L-1)RN×(Q+L-1)PN大小的零矩阵；

大小为QPN×QRN；

大小为(Q+L-1)RN×(Q+L-1)RN，O_{(L-1)RN×(Q+L-1)PN}表示(L-1)PN×(Q+L-1)RN大小的零矩阵；

大小为(Q+L-1)RN×(Q+L-1)RN，O_{(L-1)RN×(Q+L-1)RN}表示(L-1)RN×(Q+L-1)RN大小的零矩阵；

ρ_z＝μη_z/2，μ为梯度下降的学习率；

步骤二：引入辅助变量z和拉格朗日乘数u，初始化u＝O_RN(Q+L-1)×1，然后将辅助变量z和拉格朗日乘数u代入步骤一中的式(1)，得到：

设置迭代次数，计算式(2)，当时，更新z＝0，否则，更新

然后更新若a′_k不满足使得在线成本函数最小化，则继续计算式(2)，直至达到迭代次数或非负的向量a′_k使得在线成本函数最小化。