[发明专利]一种医药异物高光谱分类检测方法

权利要求书

1.一种医药异物高光谱分类检测方法，其特征在于，包括以下步骤：

S1、输入医药异物高光谱图像；

S2、预处理：提出多项式平滑滤波的异物光谱去噪方法，并基于其对步骤S1中的医药异物高光谱图像进行预处理，抑制光谱噪声干扰；

S3、提出基于异物光谱波段聚类分组PCA降维与半监督LDA结合的光谱特征提取方法，并与二维Gabor滤波器提取的空间特征相融合，实现异物特征提取；

所述步骤S3具体表现为：

S31、利用波段聚类分组PCA降维算法对步骤S2预处理后图像进行降维处理，并通过半监督LDA算法提取光谱特征，所述波段聚类分组PCA降维算法是先用聚类算法将波段分成了若干组，然后各组再进行PCA降维，该步骤S31具体包括：

S311、给定三维高光谱图像数据集，M、N、L分别代表预处理后图像矩阵的行数、列数和波段数，R表示矩阵，将三维高光谱图像数据集X转换为二维图像数据集，表示第i个样本的光谱向量，；

S312、利用Kmeans算法进行波段聚类，将原有的L个波段分成m个波段子集，目标函数为：

其中，为聚类后的结果，，表示波段子集，是的聚类中心，表示波段子集中的某一个波段，表示一个距离度量,用来衡量波段与其所分配到的聚类中心之间的相似性；

S313、分别对每个波段子集进行PCA一次降维，设置阈值，提取各个波段子集内贡献率最高的前k个成分，得到新的波段子集，其中，前k个成分贡献率之和大等于阈值；

S314、联合新的波段子集，获得波段聚类分组降维后的数据,其中，为降维后的光谱向量维度；

S315、将给定三维高光谱图像数据集X输入已训练好的网络模型中，生成伪标签；

S316、基于运用LDA算法提取光谱特征,其中，为最终提取的光谱特征维度；

S32、利用PCA降维算法将步骤S2预处理后图像降至三维，然后利用二维Gabor滤波器提取空间特征；

S33、将光谱特征和空间特征联合并归一化，作为后续操作的分类特征，实现异物特征提取；

S4、采用支持向量机对步骤S3提取的异物特征进行医药异物的检测识别，并输出异物类别。

2.根据权利要求1所述的医药异物高光谱分类检测方法，其特征在于，所述步骤S315中用来生成伪标签的网络模型为卷积自编码神经网络，其训练过程如下：

步骤a：从医药以及各类异物样本中选择少量带标签样本，表示第i个样本的光谱向量，表示第i个样本的分类结果；

步骤b：构建卷积自编码网络模型，该模型由编码器和解码器组成，解码器的输出为样本重建，编码器输出的中间特征经过softmax分类器得到样本的预测标签；

步骤c：训练网络以更新权值，加权损失函数为：

其中，为交叉熵，为均方误差，为第i个样本的预测标签、为第i个样本的真实标签，为第i个样本的重建光谱向量，为第i个样本的光谱向量，为权重值，其大小在0-1之间。

3.根据权利要求1所述的医药异物高光谱分类检测方法，其特征在于，所述步骤S32中的空间特征提取具体步骤如下：

S321、对给定三维高光谱图像数据X进行PCA降维，提取前三个主成分得到三通道的图像数据；

S322、将步骤S321降维后的图像数据转化为灰度图；

S323、通过设置不同的波长和方向构建Gabor滤波器组，总共包含个不同的Gabor滤波器：

式中，x表示像素沿X轴方向上的坐标，y表示像素沿Y轴方向上坐标，表示高斯函数的标准差，表示相位偏移量，表示长宽比；

S324、用步骤S323中Gabor滤波器依次与灰度图作卷积提取出特征图像f(x,y)，得到初始空间特征S(x,y):

其中，与分别为Gabor滤波器实部和虚部，表示从第三个维度上合并图像矩阵；

S325、对S(x,y)归一化得到最终的空间特征，为最终提取的空间特征维度。