1.一种基于高光谱图像采集系统的梅干菜中杂质检测方法，其特征在于，所述高光谱图像采集系统包括控制装置及其连接的抖散装置、输送装置和高光谱图像采集装置，所述控制装置执行的所述方法包括：获取梅干菜样本和各类杂质样本，利用所述抖散装置抖散样本后通过所述输送装置进行输送，通过所述高光谱图像采集装置采集所述样本在运动过程中的样本高光谱图像，所述样本高光谱图像包括梅干菜样本的高光谱图像以及各类杂质样本的高光谱图像；

对所述样本高光谱图像进行数据预处理并提取各个所述样本高光谱图像中的感兴趣区域，提取所述感兴趣区域的各个像素点的各个波段下的像素点光谱数据，所述感兴趣区域是所述样本高光谱图像中样本所在的区域；

对于提取到的所有像素点光谱数据利用珊瑚礁算法选取特征波段，提取各个样本高光谱图像的感兴趣区域中各个像素点在所述特征波段下的像素点光谱数据，将提取得到的所有所述特征波段下的像素点光谱数据分为训练集和测试集训练得到最佳分类模型；

利用所述高光谱图像采集系统获取待测梅干菜产品在运动过程中的待测高光谱图像；

对所述待测高光谱图像进行数据预处理并提取所述待测高光谱图像中的感兴趣区域，获取所述感兴趣区域的各个像素点在所述特征波段下的像素点光谱数据并输入所述最佳分类模型得到对各个像素点的分类结果；

根据像素点的分类结果对像素点进行聚合形成杂质区域并在所述待测高光谱图像上进行标识。

2.根据权利要求1所述的方法，其特征在于，所述对所述样本高光谱图像进行数据预处理并提取各个所述样本高光谱图像中的感兴趣区域，包括：对所述样本高光谱图像进行黑白校正使所有光谱数据在0到1之间；

根据各个所述样本高光谱图像确定区别波段，通过所述高光谱图像采集装置采集背景的背景高光谱图像，在所述区别波段下利用波段运算公式对黑白校正后的样本高光谱图像进行图像校正，在所述区别波段a下的波段运算公式为I′＝Ia(i,j)-Ba(i,j)，其中，I′是黑白校正且图像校正后的样本高光谱图像，Ia(i,j)是黑白校正后的样本高光谱图像在所述区别波段a下的灰度图像，Ba(i,j)是背景高光谱图像在所述区别波段a下的灰度图像；

利用图像全局阈值分割技术对黑白校正且图像校正后的样本高光谱图像进行背景分割移除背景，提取得到所述样本高光谱图像中的感兴趣区域。

3.根据权利要求1所述的方法，其特征在于，所述根据像素点的分类结果对像素点进行聚合形成杂质区域，包括：将分类结果为梅干菜的像素点置为0，将分类结果为杂质的像素点为1，将所述待测高光谱图像重建为二值图像；

用去除小的连通域操作移除所述二值图像中的噪音点；

利用形态学膨胀操作将分类结果为杂质的各个像素点聚合起来，得到所述杂质区域。

4.根据权利要求1所述的方法，其特征在于，所述利用珊瑚礁算法选取特征波段，包括：参数初始化：珊瑚礁网格的大小为M*N，每个珊瑚长度为波段数B、里面放置的是波段序列，初始珊瑚占据总体珊瑚礁的比例为ρ0，珊瑚中广播产卵的比例Fb，珊瑚中内部有性生殖孵卵的比例1-Fb，无性繁殖的比例Fa，珊瑚幼虫尝试占领珊瑚的次数为k，珊瑚形成阶段，以一定概率Pd使不健康的珊瑚被掠夺的比例为Fd，世代数目Ngen；

珊瑚礁初始化：生成大小为M*N的珊瑚礁，以比例ρ0在珊瑚礁中不重复随机放置珊瑚，已放置的珊瑚个数为M*N*ρ0，然后通过自定义的健康函数计算每个珊瑚的健康值；

珊瑚广播产卵：珊瑚广播产卵的个数为M*N*ρ0*Fb，分成两部分随机交叉产卵，每部分珊瑚个数为 并且在某一特定步骤中，两个珊瑚只有一次成为双亲，故产卵生成的珊瑚幼虫的个数为M*N*ρ0*Fb，并计算珊瑚幼虫的健康值；

珊瑚内部有性生殖：珊瑚内部有性生殖的个数为M*N*ρ0*(1-Fb)，通过孵卵模型随机突变来产生珊瑚幼虫，珊瑚幼虫的个数为M*N*ρ0*(1-Fb)，并计算幼虫的健康值；

珊瑚幼虫安置：对于广播产卵以及孵卵生成的珊瑚幼虫，将每个珊瑚幼虫随机尝试设定在珊瑚礁一个区域，如果区域是空的，则将所述珊瑚幼虫安置在所述区域里生长；如果区域已经被珊瑚占据，则当所述珊瑚幼虫的健康值比现有的珊瑚更高时，将所述珊瑚幼虫安置所述区域里生长；定义k次尝试将珊瑚幼虫放置在珊瑚礁，在k次不成功的尝试之后，确定所述珊瑚幼虫被珊瑚礁里的动物毁坏；

珊瑚无性繁殖：在进行无性繁殖建模时，珊瑚礁内现存的全部珊瑚均按其健康程度分类，其中一部分Fa进行自我繁殖，并按照所述珊瑚幼虫安置的方法在珊瑚礁的不同部分定居下来；

珊瑚虫阶段掠夺：在每个繁殖的k步，占据比例为Fd的健康值较小的不健康的珊瑚以概率Pd被掠夺，从而解放空间为下一代珊瑚礁；

结束条件：每一个世代中都保存健康值最大的珊瑚数据，直到迭代到预设的世代数目，所有世代中保存的珊瑚数据中健康值最大的光谱波段序列为所述特征波段。

5.根据权利要求1-4任一所述的方法，其特征在于，所述将提取得到的所有所述特征波段下的像素点光谱数据分为训练集和测试集训练得到最佳分类模型，包括：将提取得到的所有特征波段下的像素点光谱数据分为训练集和测试集，所述训练集和所述测试集中均包括梅干菜样本对应的像素点的像素点光谱数据以及杂质样本对应的像素点的像素点光谱数据；

通过所述训练集分别建立SVM和BPNN像素等级的分类模型；

利用所述测试集评估所述分类模型的性能，性能包括分类精度和预测时间；

选择性能最优的分类模型作为所述最佳分类模型。