1.一种基于成像高光谱数据的小麦籽粒赤霉病识别方法，其特征在于，包括以下步骤：

11)高光谱基础图像的采集：利用高光谱成像仪采集高光谱基础图像，高光谱基础图像包括健康麦粒图像和病害麦粒图像；

12)高光谱基础图像的预处理：对高光谱基础图像进行图像校正、图像分割及小麦籽粒提取处理，并获取到小麦籽粒的光谱数据；

13)构建小麦籽粒赤霉病识别模型：建立基于支持向量机或随机森林技术的小麦籽粒赤霉病识别模型；

14)小麦籽粒赤霉病识别模型的训练：将预处理后的高光谱基础图像输入小麦籽粒赤霉病识别模型进行训练；

15)待识别高光谱图像的获取：获取待识别的小麦籽粒高光谱图像；

16)待识别高光谱图像的预处理：对待识别的小麦籽粒高光谱图像进行图像校正、图像分割及小麦籽粒提取处理，获取到待识别小麦籽粒的光谱数据；

17)小麦籽粒赤霉病的识别：将预处理后待识别高光谱数据输入小麦籽粒赤霉病识别模型，识别出小麦籽粒赤霉病。

2.根据权利要求1所述的一种基于成像高光谱数据的小麦籽粒赤霉病识别方法，其特征在于，所述的高光谱基础图像的预处理包括以下步骤：

21)对高光谱基础图像进行图像校正处理，对采集的高光谱基础图像进行黑白板校正，其公式如下：R＝(O-B)/(W-B)，

其中：O为原始的高光谱图像，B为黑板校正图像，W为白板校正图像；

22)将高光谱基础图像从RGB空间转换至Lab空间，从Lab空间进行图像分割处理：选取683nm、559nm、以及483nm 3个波段合成的RGB小麦籽粒图像，转换到Lab色彩空间，利用Lab色彩空间中的b分量设置阈值分割提取小麦籽粒区域，得到二值图，再进行形态学处理去除噪声和毛刺，最后得到小麦籽粒的二值图；

23)针对小麦籽粒二值图采用Envi画感兴趣区域技术或matlab提取出小麦籽粒的光谱数据。

3.根据权利要求1所述的一种基于成像高光谱数据的小麦籽粒赤霉病识别方法，其特征在于，所述的构建小麦籽粒赤霉病识别模型包括以下步骤：

31)设定小麦籽粒赤霉病识别模型的第一层为采用正交信号校正方法和小波变换方法对小麦籽粒的光谱数据进行预处理：所述的正交信号校正方法为将原始小麦籽粒光谱数据与浓度阵进行多元正交处理；

所述的小波变换方法对原始小麦籽粒光谱数据进行小波变换得到高频、低频小波系数，再通过阈值法去除小波系数中的噪声信息，最后用经处理得到的小波系数进行反变换得到滤噪后的光谱信号；

32)设定小麦籽粒赤霉病识别模型的第二层为利用连续投影算法和竞争性自适应加权+连续投影算法筛选特征波长；

33)设定小麦籽粒赤霉病识别模型的第三层为采用支持向量机进行预测或随机森林算法进行分类。

4.根据权利要求3所述的一种基于成像高光谱数据的小麦籽粒赤霉病识别方法，其特征在于，所述的竞争性自适应加权+连续投影算法包括以下步骤：

41)设定蒙特卡罗采样次数设为100次，在选择主成分数为12时，获得最小均方根误差为0.1142，筛选特征波长个数为26个；

42)采用连续投影算法进行提取，选择m_max＝13，其中m_max为筛选特征波长个数最大值，获得最小均方根误差0.1261，最终筛选特征波长个数为10个。

5.根据权利要求1所述的一种基于成像高光谱数据的小麦籽粒赤霉病识别方法，其特征在于，所述小麦籽粒赤霉病识别模型的训练包括以下步骤：

51)将预处理后的高光谱基础图像输入小麦籽粒赤霉病识别模型的第一层，进行正交信号校正方法和小波变换方法处理；

52)将经第一层处理后的光谱数据输入第二层，进行连续投影算法和竞争性自适应加权+连续投影算法筛选特征波长处理；

53)将经第二层处理后的特征波长输入第三层，通过支持向量机或随机森林算法进行预测分类。