1.基于联合偏度的玉米种子高光谱图像波段选择方法，其特征在于，包括：a、将待识别的M粒玉米种子样本放置在高光谱图像采集系统中，采集并获取该M粒玉米种子样本在L个波段下的L个高光谱图像；

b、利用阈值分割获取玉米种子的轮廓曲线，求取轮廓下玉米种子的光谱均值特征和熵特征，将L个波段下获得的共L个光谱均值特征和L个熵特征进行特征联合，将联合特征作为待识别玉米种子的特征参数X；

c、利用步骤b所得到的玉米种子特征参数X，求取全波段组合下的联合偏度JS(X)，利用序列后向选择方法从特征(波段)全集开始，每次从特征(波段)集中剔除一个特征，使得剔除特征(波段)后评价函数值达到最优，输出最终选择的最优波组合Φ；

d、建立预测模型，对选择的最优波段进行评价；

在步骤b中，获得玉米种子的特征参数的具体步骤包括：

首先选择待识别玉米种子轮廓最清晰的图像对应的波段(在700.1nm处)，利用自适应阈值分割法，获得该波段下的待识别玉米种子的轮廓曲线。将该轮廓曲线投射到L个波段上，提取L个波段在该轮廓曲线内的光谱均值和熵特征作为玉米种子的分类特征参数X＝[r1,…,ri,…rM]，第i,(i＝1,…,M)粒玉米种子样本在L个波段下的特征向量为其中 分别为第i粒种子在第j个波段下的平均光谱特征和图像熵特征。为了消除平均光谱特征和图像熵特征在数量级上的差异，对 进行特征归一化处理；

在步骤c中，所描述的序列后项选择方法对步骤b得到的特征参数进行最优波段选择的操作具体包括：利用步骤b得到的特征参数求取斜偏度张量：

其中符号[о]表示向量的外积(Outer Product)运算(张量积)。斜偏度张量反映了不同波段下的特征间的相互关系。引入联合偏度JS统计斜偏度张量的三阶统计特征；

在式(2)中，Det(·)为行列式的计算符号， 为协方差矩阵；

由于S是三阶张量，其行列式计算困难。因而对张量S进行展开重整，得到二维的矩阵R。

此时，(3)式可转化为：

公式(3)反映了M粒种子样本在L个波段下的联合偏度。波段选择的目的就是选择K个波段子集，使得其联合偏度保持最大化。设置候选波段的指数集Φ＝{1,…,j,…,L}和选择的波段数量K；

从指数集Φ中移除第j个波段，获得去除第j个波段后第i粒种子的特征向量ri及特征矩阵X＝[r1,…,ri,…rM]，按照公式(1)(3)计算剩余波段组合的联合偏度JS(Xj)。比较JS(Xj)的大小。联合偏度JS(Xj)大，意味着被删除的第j个波段与已有波段相关性大，对分类的贡献率低。因而删除最大JS(Xj)值所对应的波段 得到删除后的波段集合Φ＝{1,2,...,index-1,index+1,...,L}；

判断波段集合Φ中的波段数目，若指数集Φ中波段数目大于选择的波段数量K，继续重复上步的操作删除波段，直到指数集Φ中波段数目等于选择的波段数量K，输出最终选择的最优波组合Φ。

对所选择的最优波段集合建立预测模型，对分类的精度进行评价。

2.权利要求1所述的基于联合偏度的玉米种子高光谱图像最优波段选择方法，其特征在于，步骤b中将获得的玉米种子高光谱图像的均值光谱特征和熵特征进行特征联合，具体包括：对玉米种子图像在700.1nm下的图像进行图像分割，获取玉米种子轮廓，利用轮廓投影的方法，将图像分割后获取到的玉米种子的轮廓投影到其它波段下，获得不同波段下的种子轮廓图像。

提取L个波段下玉米种子轮廓图像的均值光谱特征和熵特征，为了消除平均光谱特征和图像熵特征在数量级上的差异，分别对均值特征和熵特征进行特征归一化处理。

将归一化的均值特征和熵特征进行特征联合，M粒种子构成的联合特征向量矩阵为X＝[r1,…,ri,…rM]，其中第i,(i＝1,…,M)粒玉米种子样本在L个波段下的特征向量为分别为第i粒种子在第j个波段下的平均光谱特征和图像熵特征。

3.权利要求1所述的基于联合偏度的玉米种子高光谱图像最优波段选择方法，其特征在于，利用联合偏度的大小作为波段选择的依据，采用序列后项选择方法逐次删除冗余波段得到最优波段组合，具体包括：S1、设置候选波段的指数集Φ＝{1,…,j,…,L}和选择的波段数量K；

S2、利用联合特征向量X求取全波段下的联合偏度JS(Xj)，比较JS(Xj)的大小，删除最大值所对应的波段S3、判断指数集Φ中波段数目是否大于选择的波段数量K，是则重复S2，直到指数集Φ中波段数目等于选择的波段数量K；

S4、输出最终选择的最优波组合Φ；

S5、建立分类模型，对选择的最优波段进行评价。