1.一种基于拉曼高光谱成像技术的鱼刺检测方法，其特征在于，所述鱼刺检测方法包括：将鱼刺表面覆盖不同厚度的鱼薄片以获取鱼刺在不同深度下的M个分层样本，所覆盖的鱼薄片为不含鱼刺的鱼肉，M≥2；

采集并获取各个分层样本的拉曼高光谱图像，根据鱼肉和不同深度下鱼刺的拉曼光谱确定区分鱼肉和鱼刺的P个主要波段，P为整数；

使用所述P个主要波段的光谱特征建立基于距离的可分性测度，根据可分性测度的结果确定鱼刺检测的最佳鱼片厚度；

确定正样本集并根据所述最佳鱼片厚度确定负样本集，所述正样本集包括鱼肉像素点的光谱特征，所述负样本集包括所述M个分层样本中鱼刺表面所覆盖的鱼薄片的厚度不超过所述最佳鱼片厚度的各个分层样本的拉曼高光谱图像中的鱼刺像素点的光谱特征；

基于FRSTCA算法对所述正样本集和负样本集的P个主要波段再次进行波段选择确定Q个最优波段，Q为整数且Q＜P；

将所述正样本集和负样本集中的Q个最优波段的光谱特征作为模型输入建立基于SVDD的分类模型；

获取厚度为所述最佳鱼片厚度的待测鱼片样本，获取所述待测鱼片样本的拉曼高光谱图像，从所述拉曼高光谱图像中提取各个像素点的所述Q个最优波段的光谱特征；

将各个像素点的所述Q个最优波段的光谱特征输入所述分类模型，所述分类模型判断各个像素点属于鱼刺像素点或鱼肉像素点，检测出所述待测鱼片样本中的鱼刺。

2.根据权利要求1所述的鱼刺检测方法，其特征在于，所述使用所述P个主要波段的光谱特征建立基于距离的可分性测度，根据可分性测度的结果确定鱼刺检测的最佳鱼片厚度，包括：对于每个分层样本中的鱼刺的深度，使用所述P个主要波段的光谱特征计算各个深度下的鱼刺与鱼肉的类内散度矩阵和类间散度矩阵；

根据所述类内散度矩阵和类间散度矩阵建立基于距离的可分性测度为

其中，Sb表示类间散度矩阵，Sw表示类内散度矩阵；

当可分性测度J的值小于预定阈值时，确定对应的鱼肉的厚度为所述最佳鱼片厚度。

3.根据权利要求1所述的鱼刺检测方法，其特征在于，所述基于FRSTCA算法对所述正样本集和负样本集的P个主要波段再次进行波段选择确定Q个最优波段，包括：(1)设U＝[u1,…ui,…ut,…uN]T∈RN×S为所述正样本集和负样本集中的共N个样本在共S个波段下组成的特征属性集合，其中ui＝[ui1,…uij,…uis]为第i个样本的特征向量，i为参数；

(2)设di为第i个样本的决策属性值，当di＝1为鱼刺像素点，di＝0为鱼肉像素点，设D＝[d1,…di,…dt,…dN]T∈RN×1为所述N个样本的决策属性集；

(3)第j个波段下，计算第i个样本和第t个样本的特征属性关系矩阵 和决策属性相关矩阵 j为参数：其中δ是一个初值为正的邻域半径， 反映了第i个样本ui和第t个样本ut在第j个波段下的邻域关系信息， 反映了第i个样本ui和第t个样本ut在决策属性D下的邻域关系信息；

(4)确定所述特征属性关系矩阵 和所述决策属性相关矩阵 的熵分别为：(5)计算每个波段的重要性：

其中，min()为两个矩阵对应元素的最小值，初始化阈值矩阵B＝1N×N， 是第j个波段特征属性的重要性，选择 最大的波段，记为j1，令 并返回步骤(5)再次对剩余的波段特征进行选择；

(6)设共选择了j1,j2,...jQ-1,jQ共Q个波段，当 停止选择，确定选择出的Q个最优波段为j1,j2,...jQ-1,jQ。

4.根据权利要求1所述的鱼刺检测方法，其特征在于，将所述正样本集和负样本集中的Q个最优波段的光谱特征作为模型输入建立基于SVDD的分类模型，包括：以鱼肉像素点的光谱特征为目标样本构建超球体，所述超球体将所述目标样本包围在所述超球体中；

定义超球体求解为：

其中，R为所述超球体的半径，α为超球体的球心，ξh为松弛变量，C为惩罚系数，数据集X＝{xh,h＝1,...ω}为所述目标样本；

转化为求解拉格朗日极值问题，求得最小值，引入高维核函数计算得到最小的超球体的半径R，高维核函数采用径向基函数K(xh,y)＝exp(-||xh-y||2/s2)，其中，s为控制边界紧密程度的自由参数，参数C和s由交叉验证的网格搜索法确定。

5.根据权利要求4所述的鱼刺检测方法，其特征在于，所述分类模型判断各个像素点属于鱼刺像素点或鱼肉像素点，包括：将所述待测鱼片样本的拉曼高光谱图像的每个像素点作为一个单独的测试样本，所述分类模型检测测试样本是否在所述超球体内部，若检测到测试样本在所述超球体的内部，则确定所述测试样本对应的像素点属于鱼肉像素点，否则属于鱼刺像素点。

6.根据权利要求1-5任一所述的鱼刺检测方法，其特征在于，确定924-979cm-1共16个波段为区分鱼肉与鱼刺的主要波段。