显微高光谱图像分类模型的构建方法、分类方法及装置

1.本技术属于海洋环境监测领域，涉及一种显微高光谱图像分类模型的构建方法、分类方法及装置。


背景技术：

2.微藻是海洋生态系统的初级生产者，可以进行光合作用，为众多水生生物的能量来源提供了保障，同时也有助于降低大气中的二氧化碳含量。微藻受到海洋中的微塑料的污染和毒害，会影响到海洋生态系统的稳定性；另外，微藻的体积远小于微塑料，极易发生吸附和团聚，从而被水生生物误食，通过食物链的富集作用对人体造成危害。因此，急需准确、高效、快速的方法来进行微藻与微塑料的分类。
3.目前，高光谱成像系统以及显微高光谱图像处理方法已有报道，但是大多都是针对体积较大目标，比如牡蛎、贻贝、鱼等水生生物，而针对小尺寸(数十微米级)的微塑料与微藻的识别研究仍然欠缺。


技术实现要素：

4.鉴于此，本技术实施例提供一种显微高光谱图像分类模型的构建方法、分类方法及装置。
5.根据本技术实施例的第一方面，提供一种显微高光谱图像分类模型的构建方法，包括：
6.获取微藻与微塑料混合物样品的显微高光谱图像；
7.根据图像单应性变换模型，对每一光谱维度内的所述显微高光谱图像进行拼接，获得各光谱维度对应的高光谱图像；
8.对所述高光谱图像的拼接边缘进行去噪处理；
9.对去噪处理后的所述高光谱图像进行高光谱数据降维处理；
10.根据去噪处理后的高光谱图像和降维处理后的高光谱图像，建立分类模型，以对显微高光谱图像进行识别。
11.可选的，根据图像单应性变换模型，对每一光谱维度内的所述显微高光谱图像进行拼接，获得各光谱维度对应的显微高光谱图像，包括：
12.保存显微高光谱图像并建立原始空谱数据库，并标注微塑料与微藻的掩膜标签；
13.根据微藻与微塑料混合物样品的位置信息，对所述原始空谱数据库中的图像进行仿射变换；
14.以所述原始空谱数据库中的图像和仿射变换后的图像为输入，以所述仿射变换的关系作为输出，建立基于深度卷积神经网络的图像单应性变换模型；
15.根据所述掩膜标签，对所述图像单应性变换模型建立注意力机制网络分支，以减小图像作单应性变换时微藻和微塑料目标物的形态变化，从而对所述图像单应性变换模型进行优化；
16.根据优化后的图像单应性变换模型，基于每一光谱维度，拼接显微高光谱图像。
17.可选的，对所述高光谱图像的拼接边缘进行去噪处理，包括：
18.a1：对微藻与微塑料的高光谱图像计算每一光谱维度的图像信噪比，并在低波长与高波长部分分别设立两个图像信噪比阈值s1与s2，对应的波长分别为λ1与λ2；
19.a2：建立光谱维度的高-低信噪比图像对，其中高信噪比图像的波长范围为(λ1,λ2)，低信噪比图像的波长范围为[λ0,λ1]∪[λ2,λ3]；
[0020]
a3：对高-低信噪比图像对进行随机选择，形成高信噪比与低信噪比的图像对应关系；
[0021]
a4：以低信噪比图像作为输入，高信噪比图像作为输出，根据对应关系，建立基于深度卷积神经网络的光谱图像去噪模型；
[0022]
a5：使用所述光谱图像去噪模型测试新的高光谱图像，计算所有维度图像平均信噪比，若其大于2*(s1 s2)，则认为去噪模型有效，否则重复a1-a5，直到获得有效的光谱图像去噪模型；
[0023]
a6：将所述高光谱图像输入到有效的光谱图像去噪模型中进行去噪处理。
[0024]
可选的，对去噪处理后的所述高光谱图像进行高光谱数据降维处理，包括：
[0025]
b1：对所述去噪处理后的高光谱图像用聚类算法进行聚类，形成n个聚类簇，每个聚类簇包含若干个波长，其中n为目标降维维数；
[0026]
b2：选择每个聚类簇的聚类中心fi，其中i＝1、2、
…
、n，得到降维结果[f1、f2、f3、
…
、fn]；
[0027]
b3：分别取n＝2、3、
…
、n-1重复b1和b2操作，得到n-2组降维结果，n为所述显微高光谱图像全部波长的数量；
[0028]
b4：根据所述降维结果，得到n-2组对应波长的降维高光谱图像。
[0029]
可选的，根据去噪处理后高光谱图像和降维处理后的高光谱图像，建立分类模型，包括：
[0030]
根据所述掩膜标签，将所述去噪处理后的高光谱图像划分为微塑料、微藻、背景的训练集与测试集，所述去噪处理后的高光谱图像包含波长数量为n；
[0031]
利用所述训练集，训练并建立分类模型ca；
[0032]
使用所述分类模型ca对所述测试集进行分类，获得分类指标f1
ca
；
[0033]
根据所述掩膜标签，将所述降维处理后的高光谱图像划分为微塑料、微藻、背景的训练集与测试集；
[0034]
对每一组降维处理后的高光谱图像的训练集与测试集，分别训练并建立分类模型cbj，j为组数，其中j＝1、2、
…
、n-2；
[0035]
采用所建立的分类模型cbj对降维处理后的高光谱图像的测试集图像进行分类，获得分类指标f1
cbj
；
[0036]
取满足公式f1
cbj
＝w
×
f1
ca
且最小的j为j*，对应的分类模型cb
j*
作为最终的分类模型,其中w∈[1, ∞)。
[0037]
根据本技术实施例的第二方面，提供一种显微高光谱图像分类模型的构建装置，包括：
[0038]
第一获取模块，用于获取微藻与微塑料混合物样品的显微高光谱图像；
[0039]
拼接模块，用于根据图像单应性变换模型，对每一光谱维度内的所述显微高光谱图像进行拼接，获得各光谱维度对应的高光谱图像；
[0040]
去噪处理模块，用于对所述高光谱图像的拼接边缘进行去噪处理；
[0041]
降维处理模块，用于对去噪处理后的所述高光谱图像进行高光谱数据降维处理；
[0042]
建模模块，用于根据对去噪处理后的高光谱图像和降维处理后的高光谱图像，建立分类模型，以对显微高光谱图像进行识别。
[0043]
根据本技术实施例的第三方面，提供一种显微高光谱图像分类方法，包括：
[0044]
获取待识别的显微高光谱图像；
[0045]
将所述待识别的显微高光谱图像输入到第一方面所述的分类模型中，得到识别结果。
[0046]
根据本技术实施例的第四方面，提供一种显微高光谱图像分类装置，包括：
[0047]
第二获取模块，用于获取待识别的显微高光谱图像；
[0048]
识别模块，用于将所述待识别的显微高光谱图像输入到第一方面所述的分类模型中，得到识别结果。
[0049]
根据本技术实施例的第五方面，提供一种显微高光谱图像分类装置，包括：
[0050]
光源，用于输出具有稳定光谱结构的可见-近红外补偿光源；
[0051]
显微高光谱成像仪，用于在显微视场下对微藻与微塑料混合物的样品进行高光谱成像；
[0052]
样品移动台，观测时可移动，用于盛放样品，将样品中的目标物的不同区域对准所述显微高光谱成像仪的成像范围，并输出位置信息；
[0053]
处理器，用于执行第一方面所述的方法。
[0054]
根据本技术实施例的第六方面，提供一种电子设备，包括：
[0055]
一个或多个处理器；
[0056]
存储器，用于存储一个或多个程序；
[0057]
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面或第三方面所述的方法。
[0058]
本技术的实施例提供的技术方案可以包括以下有益效果：
[0059]
由上述实施例可知，本技术基于显微高光谱成像技术，对数十微米级的微塑料与微藻进行识别，结合显微图像拼接技术，提升了检测限。针对传统高光谱成像仪，其成像波长边缘信噪比降低的情况，使得边缘波长的图像可以进行更可靠的数据处理。针对传统高光谱成像方式光谱维度高，数据存储与传输困难，建立了针对微藻与微塑料的光谱维度降维方法，提高识别效率。
[0060]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
[0061]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
[0062]
图1是根据一示例性实施例示出的一种显微高光谱图像分类模型的构建方法的流
程图。
[0063]
图2是根据一示例性实施例示出的一种显微高光谱图像掩膜标签示意图；
[0064]
图3是根据一示例性实施例示出的一种单应性变换模型的网络架构图。
[0065]
图4是根据一示例性实施例示出的一种光谱图像去噪模型的网络架构图。
[0066]
图5是根据一示例性实施例示出的一种显微高光谱图像分类模型的构建装置框图。
[0067]
图6是根据一示例性实施例示出的一种显微高光谱图像分类方法的流程图。
[0068]
图7是根据一示例性实施例示出的一种显微高光谱图像分类装置框图。
具体实施方式
[0069]
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。
[0070]
实施例1：
[0071]
图1是根据一示例性实施例示出的一种显微高光谱图像分类模型的构建方法的流程图，如图1所示，可以包括以下步骤：
[0072]
s11：获取微藻与微塑料混合物样品的显微高光谱图像；
[0073]
s12：根据图像单应性变换模型，对每一光谱维度内的所述显微高光谱图像进行拼接，获得各光谱维度对应的高光谱图像；
[0074]
s13：对所述高光谱图像的拼接边缘进行去噪处理；
[0075]
s14：对去噪处理后的所述高光谱图像进行高光谱数据降维处理；
[0076]
s15：根据去噪处理后的高光谱图像和降维处理后的高光谱图像，建立分类模型，以对显微高光谱图像进行识别。
[0077]
由上述实施例可知，本技术通过显微高光谱成像技术与基于深度学习的图像拼接技术，提高了高光谱成像技术的检测限，通过去噪算法，提高了显微高光谱图像的信噪比，通过高光谱数据降维处理，提高了高光谱图像识别效率。
[0078]
在s11的具体实施中：获取微藻与微塑料混合物样品的显微高光谱图像；
[0079]
具体地，配置微量海水，微藻与微塑料于载玻片，使用染色剂对目标物染色，使用光源输出具有稳定光谱结构的可见-近红外补偿光源，将载玻片安装在样品移动台上，样品移动台观测时可移动，将样品中的目标物的不同区域对准所述显微高光谱成像仪的成像范围，并输出位置信息，再使用显微高光谱成像仪在显微视场下对微藻与微塑料混合物的样品进行高光谱成像，采集获得显微高光谱图像，直到所采集的图像数量达到一定阈值。
[0080]
本实施例中，所使用的高光谱成像仪包含从400到1000nm的103个波长。
[0081]
在s12的具体实施中：根据图像单应性变换模型，对每一光谱维度内的所述显微高光谱图像进行拼接，获得各光谱维度对应的高光谱图像；该步骤可以包括以下子步骤：
[0082]
s121：保存所述显微高光谱图像并建立原始空谱数据库，并标注微塑料与微藻的掩膜标签；图2是根据一示例性实施例示出的一种显微高光谱图像掩膜标签示意图，其中图2中的(a)为原始高光谱图像，图2中的(b)为微塑料掩膜，图2中的(c)为微藻掩膜。
[0083]
具体地，将s11中获取的所有显微高光谱图像数据保存在电脑中，从同一成像区域
的高光谱图像数据的400到600nm波长中任意选择3个波长以合成彩色图像，用于确认目标物位置；
[0084]
建立与所述显微高光谱图像同尺寸的矩阵，根据所述彩色图像，确认并填充对应矩阵中的数值作为对应显微高光谱图像掩膜标签；
[0085]
本实施例中，数值0为背景掩膜标签，数值1为微塑料掩膜标签，数值-1为微藻掩膜标签。
[0086]
s122：根据微藻与微塑料混合物样品的位置信息，对所述原始空谱数据库中的图像进行仿射变换；
[0087]
具体地，获取s121中的显微高光谱图像与所述样品移动台输出的样品的位置信息，建立与拼接后图像尺寸相同大小的矩阵，根据所述样品的位置信息，通过仿射变换，将所述显微高光谱图像填充至所述矩阵中，以获取仿射变换后的图像。
[0088]
s123：以所述原始空谱数据库中的图像和仿射变换后的图像为输入，以所述仿射变换的关系作为输出，建立基于深度卷积神经网络的图像单应性变换模型；
[0089]
具体地，如图3是单应性变换的网络架构图，其中卷积和池化为图像处理领域常用操作。训练过程中，采用批归一化(batch normalization,bn)以加快网络训练速度，并提高网络的泛化能力；采用dropout防止过拟合。拟采用交叉熵损失函数计算训练过程中的动态区域预测损失；采用不同尺度加和的l2损失函数计算单应性估计损失。采用指数线性单元(exponential linear unit,elu)作为激活函数，其表达式如下所示，其中x为卷积等操作后的输出。
[0090][0091]
s124：根据所述掩膜标签，对所述图像单应性变换模型建立注意力机制网络分支，以减小图像作单应性变换时微藻和微塑料目标物的形态变化，从而对所述图像单应性变换模型进行优化；
[0092]
以同一成像位置的显微高光谱图像和掩膜标签分别作为注意机制网络分支的输入和输出训练网络。
[0093]
s125：根据优化后的图像单应性变换模型，基于每一光谱维度，拼接显微高光谱图像。
[0094]
具体地，对每一具体光谱维度，使用所述优化后的图像单应性变换模型进行变换。
[0095]
在s13的具体实施中：对所述显微高光谱图像的拼接边缘进行去噪处理；该步骤可以包括以下子步骤：
[0096]
s131：对微藻与微塑料的高光谱图像计算每一光谱维度的图像信噪比，并在低波长与高波长部分分别设立两个图像信噪比阈值s1与s2，对应的波长分别为λ1与λ2；
[0097]
具体地，本实施例中所使用显微高光谱成像技术包括了从λ0到λ3均匀分布的n个波长，因此设置为低波长，为高波长；计算每一波长对应显微高光谱图像的信噪比，根据经验可设置信噪比阈值为s1＝20db和s2＝60db，获取对应波长λ1与λ2。
[0098]
s132：建立光谱维度的高-低信噪比图像对，其中高信噪比图像的波长范围为(λ1,
λ2)，低信噪比图像的波长范围为[λ0,λ1]∪[λ2,λ3]；
[0099]
具体地，从所述显微高光谱图像中，在波长范围为(λ1,λ2)中挑选高信噪比图像，在波长范围为[λ0,λ1]∪[λ2,λ3]中挑选低信噪比图像，作为高-低信噪比图像对。
[0100]
s133：对高-低信噪比单通道图像对进行随机选择，形成高信噪比与低信噪比的图像对应关系；
[0101]
具体地，在s132所述高-低信噪比图像对中，随机选择若干张高信噪比图像与若干张低信噪比图像，形成高信噪比与低信噪比的图像对应关系。
[0102]
s134：根据高信噪比与低信噪比的图像对应关系，以低信噪比图像单通道图像作为输入，高信噪比图像单通道图像作为输出，建立基于深度卷积神经网络的光谱图像去噪模型。
[0103]
具体地，如图4是光谱图像去噪模型的网络架构图，其中卷积层和池化层为图像处理领域常用操作。以s133中建立的高信噪比与低信噪比的图像对应关系中的低信噪比图像单通道图像作为输入，高信噪比图像单通道图像作为输出，建立基于深度卷积神经网络的光谱图像去噪模型。
[0104]
s135：使用所述光谱图像去噪模型测试新的高光谱图像，计算所有维度图像平均信噪比，若其大于2*(s1 s2)，则认为去噪模型有效，否则重复s131-s135。
[0105]
具体地，改变s11微藻与微塑料混合物样品的分布，使用显微高光谱成像技术获取新的显微高光谱图像，使用所述光谱图像去噪模型对所述新的显微高光谱图像计算所有光谱维度下的图像平均信噪比，若其大于2*(s1 s2)，则认为去噪模型有效，否则重复s131-s135，以达到对所述显微高光谱图像的拼接边缘进行去噪处理的目的，提高了图像信噪比。
[0106]
在s14的具体实施中：对去噪处理后的所述高光谱图像进行高光谱数据降维处理，可以包括以下子步骤：
[0107]
s141：对所述去噪处理后的高光谱图像用聚类算法进行聚类，形成n个聚类簇，每个聚类簇包含若干个波长，其中n为目标降维维数；
[0108]
具体地，从所述去噪处理后的高光谱图像包含的n个波长中随机选择n个波长，作为初始的聚类中心，将每个波长所对应的去噪高光谱图像单通道图像作为波长所对应的元素，计算每个元素与各聚类中心所对应元素之间的距离，把每个元素分配给距离它最近的聚类中心。聚类中心及分配给它的元素所对应波长代表一个聚类簇。全部元素被分配完成后，每个聚类簇根据簇内元素重新计算新的聚类中心，根据新的聚类中心，重新形成聚类簇。这个过程不断重复，直到聚类中心不再发生变化，形成最终的n个聚类簇。
[0109]
s142：选择每个聚类簇的聚类中心fi，其中i＝1、2、
…
、n，得到降维结果[f1、f2、f3、
…
、fn]；
[0110]
具体地，从s141所形成的n个聚类簇中，选择每个聚类簇的聚类中心作为fi，其中i＝1、2、
…
、n，得到的n个波长组合[f1、f2、
…
、fn]作为降维结果。
[0111]
s143：分别取n＝2、3、
…
、n-1重复s141和s142，得到n-2组降维结果，n为所述显微高光谱图像全部波长的数量；
[0112]
具体地，分别取n＝2、3、
…
、n-1重复s141和s142，得到n-2种不同的波长组合，作为n-2组降维结果，其中n为所述显微高光谱图像全部波长的数量。
[0113]
s144：根据所述降维结果，得到n-2组对应波长的降维高光谱图像。
[0114]
具体地，根据s143得到的n-2组降维结果，选择每组降维结果中每个波长对应的降维高光谱图像单通道图像，得到n-2组降维高光谱图像。
[0115]
根据聚类算法形成n-2组降维高光谱图像，达到最大化聚类簇内关联，最小化聚类簇间关联的目的，为识别模型的建立创造了条件。
[0116]
在s15的具体实施中：根据去噪处理后的高光谱图像和降维处理后的高光谱图像，建立分类模型，以对显微高光谱图像进行识别。可以包括以下子步骤：
[0117]
s151：根据所述掩膜标签，将所述去噪处理后的高光谱图像划分为微塑料、微藻、背景的训练集与测试集，所述去噪处理后的高光谱图像包含波长数量为n；
[0118]
具体地，根据所述包含微藻、微塑料、背景三个类别的掩膜标签，以包含所述去噪处理后的高光谱图像微塑料、微藻、两个类别掩膜标签的70％的像素与背景掩膜的70％的像素作为训练集，其余30％的像素作为测试集，所述去噪处理后的高光谱图像包含波长数量为n。
[0119]
s152：利用所述训练集，训练并建立分类模型ca；
[0120]
具体地，利用所述包含微塑料、微藻、背景三个类别的训练集，训练并建立分类模型ca。
[0121]
s153：使用所述分类模型ca对所述测试集进行分类，获得分类指标f1
ca
；
[0122]
使用所述分类模型ca对所述测试集进行分类，获得分类指标f1
ca
；所述分类指标f1
ca
计算公式如下：
[0123][0124]
其中，f1为单一类别分类指标；tp是预测为正，实际为正的数量，fp是预测为正，实际为负的数量，fn是预测为负，实际为正的数量；针对每一个类别分别计算f1后，求取所有f1的平均值得到f1
ca
。
[0125]
s154：根据所述掩膜标签，将所述降维处理后的高光谱图像划分为微塑料、微藻、背景的训练集与测试集；
[0126]
具体地，根据所述包含微藻、微塑料、背景三个类别的掩膜标签，以包含所述去噪处理后的高光谱图像微塑料、微藻两个类别掩膜标签的70％的像素与背景掩膜的70％的像素作为训练集，其余像素作为测试集。
[0127]
s155：对每一组降维处理后的高光谱图像的训练集与测试集，分别训练并建立分类模型cbj，j为组数，其中j＝1、2、
…
、n-2；
[0128]
具体地，用所述每一组降维处理后的高光谱图像的包含微塑料、微藻、背景三个类别的训练集，训练并建立分类模型cbj，j为组数，其中j＝1、2、
…
、n-2，共建立n-2个分类模型。
[0129]
s156：使用所建立的分类模型cbj对降维处理后的高光谱图像的测试集进行分类，获得分类指标f1
cbj
；
[0130]
具体地，使用所建立的分类模型cbj对降维处理后的高光谱图像的测试集图像进行分类，获得分类指标f1
cbj
，共得到n-2个分类指标f1
cbj
，每个分类模型cbj所对应分类指标f1
cbj
计算步骤同s153，其中j＝1、2、
…
、n-2。
[0131]
s157：取满足公式f1
cbj
＝w
×
f1
ca
且最小的j为j*，对应的分类模型cb
j*
作为最终的分类模型。
[0132]
取满足公式f1
cbj
＝w
×
f1
ca
且最小的j为j*，对应的分类模型cb
j*
作为最终的分类模型，其中w∈[1, ∞)。满足该公式保证分类模型的分类效果不退化，取最小值保证分类模型具有足够的泛化能力。
[0133]
与前述的显微高光谱图像分类模型的构建方法的实施例相对应，本技术还提供了显微高光谱图像分类模型的构建装置的实施例。
[0134]
图5是根据一示例性实施例示出的一种显微高光谱图像分类模型的构建装置框图。参照图5，该装置包括第一获取模块21、拼接模块22、去噪处理模块23、降维处理模块24、建模模块25。
[0135]
第一获取模块21，用于获取微藻与微塑料混合物样品的显微高光谱图像；
[0136]
拼接模块22，用于根据仿射变换模型，对每一光谱维度内的所述显微高光谱图像进行拼接，获得各光谱维度对应的高光谱图像；
[0137]
去噪处理模块23，用于对所述高光谱图像的拼接边缘进行去噪处理；
[0138]
降维处理模块24，用于去噪处理后的所述高光谱图像进行高光谱数据降维处理；
[0139]
建模模块25，用于根据去噪处理后的高光谱图像和降维处理后的高光谱图像，建立分类模型，以对显微高光谱图像进行识别。
[0140]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0141]
实施例2：
[0142]
图6是根据一示例性实施例示出的一种显微高光谱图像分类方法的流程图，如图6所示，可以包括以下步骤：
[0143]
s21：获取待识别的显微高光谱图像；
[0144]
s22：将所述待识别的显微高光谱图像输入到实施例1所述的分类模型中，得到识别结果。
[0145]
由上述实施例可知，本技术基于显微高光谱成像技术与结合显微图像拼接技术，提升了高光谱成像技术检测限；针对高光谱图像光谱信噪比低的困难，采用去噪算法，使高光谱图像信噪比提升，使得图像可以更可靠地进行数据处理；针对传统高光谱成像方式光谱维度高的困难，建立了针对微藻与微塑料的光谱维度降维方法，提高了识别效率。
[0146]
与前述的显微高光谱图像分类方法的实施例相对应，本技术还提供了显微高光谱图像分类装置的实施例。
[0147]
图7是根据一示例性实施例示出的一种显微高光谱图像分类装置框图。参照图7，该装置包括第二获取模块21和识别模块22。
[0148]
第二获取模块21，用于获取待识别的显微高光谱图像；
[0149]
识别模块22，用于将所述待识别的显微高光谱图像输入到实施例1构建的分类模型中，得到识别结果。
[0150]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0151]
实施例3：
[0152]
本发明实施例还提供一种显微高光谱图像分类装置，包括：
[0153]
光源，用于输出具有稳定光谱结构的可见-近红外补偿光源；
[0154]
显微高光谱成像仪，用于在显微视场下对微藻与微塑料混合物的样品进行高光谱成像；
[0155]
样品移动台，观测时可移动，用于盛放样品，将样品中的目标物的不同区域对准所述显微高光谱成像仪的成像范围，并输出位置信息；
[0156]
处理器，用于执行s11-s15所述的方法。
[0157]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0158]
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本技术方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0159]
相应的，本技术还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的显微高光谱图像分类模型的构建方法或显微高光谱图像分类方法。
[0160]
相应的，本技术还提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如上述的显微高光谱图像分类模型的构建方法或显微高光谱图像分类方法。
[0161]
本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由权利要求指出。
[0162]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。