高光谱塑料分类工具
基于高光谱成像和深度学习的微塑料材料分类与识别工具
功能特性
- 支持BIL格式高光谱数据读取和处理
- 使用Cellpose/UNet模型进行图像分割和掩膜生成
- 支持9种塑料材料分类识别（ABS、HDPE、LDPE、PA6、PET、PP、PS、PTFE、PVC）
- 二次分类支持（HDPE/LDPE精细区分）
- 背景校正和光谱特征提取
- 自动波长重采样（支持不同波段数的高光谱相机）
- 智能滤纸区域检测
- 输出ENVI标准格式分类结果
- 波段选择工具（基于ANOVA F-score和LDA准则）
- 滤纸背景样本光谱提取工具
安装
前置要求
- Python 3.12+
- CUDA (可选，用于GPU加速)
- 足够的内存处理高光谱数据（建议16GB+）
- 固态硬盘（推荐，处理大文件时更高效）
安装步骤
-
克隆仓库：
git clone <repository_url> cd micro_plastic -
安装依赖：
pip install -r requirements.txt
使用方法
主程序：高光谱塑料分类
基本用法
python main.py --bil_path /path/to/input.bil --output_path /path/to/output.dat --model_path /path/to/model.m
参数说明
| 参数 | 必需 | 默认值 | 描述 |
|---|---|---|---|
--bil_path |
是 | 无 | 输入BIL文件路径 |
--output_path |
是 | 无 | 输出文件路径（.dat格式） |
--model_path |
是 | 无 | 主分类模型路径（.m文件） |
示例
# 基础用法
python main.py --bil_path ./data/input.bil --output_path ./results/output.dat --model_path ./models/svm.m
# Windows系统示例
python main.py --bil_path "C:\Data\test.bil" --output_path "C:\Results\output.dat" --model_path ".\models\svm.m"
波段选择工具
基于ANOVA F-score和LDA准则选择最优波段组合，用于假彩色合成：
python chose_bands.py --csv /path/to/spectral_data.csv --top_k 30 --top_triplets 10
参数说明
| 参数 | 必需 | 默认值 | 描述 |
|---|---|---|---|
--csv |
是 | 无 | 输入CSV文件（首列为类别，其余为光谱列） |
--top_k |
否 | 30 | 预筛选的最佳单波段数量 |
--top_triplets |
否 | 10 | 输出的最佳三波段组合数量 |
--map_order |
否 | auto | RGB映射顺序：auto或wavelength_bgr |
滤纸背景样本提取工具
从滤纸区域提取背景样本光谱（用于构建背景训练数据集）：
python fliter_sample_spectral.py
该脚本需要修改内部路径配置：
bil_path_or_folder: 输入BIL文件或目录路径output_csv_path: 输出CSV文件路径num_masks: 每个图像生成的背景样本数量（默认50）rng_seed: 随机种子，保证可复现性
项目结构
micro_plastic/
├── main.py # 主程序入口（高光谱分类流程）
├── main_batch_nosample.py # 批量处理版本（无样本生成）
├── mainv1.py # 主程序历史版本
├── maintest.py # 测试版本
├── chose_bands.py # 波段选择工具
├── fliter_sample_spectral.py # 滤纸背景样本提取工具
├── bil2rgb.py # BIL转RGB模块
├── shape_spectral.py # 光谱与形状特征提取
├── shape_spectral_background.py # 背景光谱计算
├── extact_shape.py # 形状特征提取与背景校正
├── mask.py # 图像分割与掩膜生成（Cellpose）
├── onlyspectral_background.py # 纯光谱背景处理
├── only_mask.py # 掩膜处理工具
├── get_glcm.py # GLCM纹理特征提取
├── outputs2dataframe.py # 结果转换为DataFrame
├── 多模型.py # 多模型集成工具
├── spectral_shape_class.py # 光谱形状分类工具
├── classification_model/ # 分类模型库
│ ├── Classification/ # 分类算法
│ │ ├── Cls.py # 主要分类接口（SVM/RF/XGB等）
│ │ ├── ClassicCls.py # 经典机器学习分类器
│ │ ├── ClassicClsHY.py # 经典分类器（HY版本）
│ │ ├── DeepCls.py # 深度学习分类器
│ │ ├── CNN.py # CNN模型
│ │ ├── CNN_SAE.py # CNN+SAE模型
│ │ ├── CNN_Transfomer.py # CNN+Transformer模型
│ │ ├── CNN_HYper.py # 超参数优化CNN
│ │ ├── CNN_deepseek.py # DeepSeek优化CNN
│ │ ├── SAE.py # 自编码器
│ │ └── *_网格搜索.py # 网格搜索优化版本
│ ├── WaveSelect/ # 波段选择算法
│ │ ├── Pca.py # 主成分分析
│ │ ├── Spa.py # 连续投影算法
│ │ ├── Spa_acc.py # 加速SPA
│ │ ├── GA.py # 遗传算法
│ │ ├── Cars.py # CARS算法
│ │ ├── ReliefF.py # ReliefF算法
│ │ ├── Uve.py # UVE算法
│ │ ├── MRMR.py # 最大相关最小冗余
│ │ ├── Lar.py # LARS算法
│ │ └── centry.py # 信息熵算法
│ ├── Preprocessing/ # 预处理
│ │ └── Preprocessing.py # 光谱预处理方法
│ ├── DataLoad/ # 数据加载
│ │ └── DataLoad.py # 数据加载接口
│ ├── Evaluate/ # 评估
│ │ └── RgsEvaluate.py # 回归评估指标
│ └── Parallel/ # 并行处理
│ ├── predict_plastic.py # 塑料分类预测接口
│ └── test.py # 测试脚本
├── modelsave/ # 预训练模型存储
│ └── svm.m # 默认SVM分类模型
├── requirements.txt # 项目依赖
└── README.md # 项目说明
输入输出格式
输入文件格式
- BIL格式高光谱数据文件 (
.bil)：Band Interleaved by Line格式 - HDR头文件 (
.hdr)：包含图像尺寸、波段数、波长等信息
输出文件格式
- ENVI分类结果文件 (
.dat)：分类结果图像 - ENVI头文件 (
.hdr)：包含类别定义、像素大小等信息
输出类别定义
| 像素值 | 类别名称 | 说明 |
|---|---|---|
| 0 | background | 背景/滤纸 |
| 1 | ABS | 丙烯腈-丁二烯-苯乙烯 |
| 2 | HDPE | 高密度聚乙烯 |
| 3 | LDPE | 低密度聚乙烯 |
| 4 | PA6 | 尼龙6 |
| 5 | PET | 聚对苯二甲酸乙二醇酯 |
| 6 | PP | 聚丙烯 |
| 7 | PS | 聚苯乙烯 |
| 8 | PTFE | 聚四氟乙烯 |
| 9 | PVC | 聚氯乙烯 |
处理流程
- 输入验证：检查BIL/HDR文件完整性，验证波段数（需≥160波段）
- HDR补齐：自动添加波长信息（如缺失）
- RGB生成：将BIL数据转换为RGB图像（使用波段9, 59, 159）
- 图像分割：使用Cellpose生成微塑料掩膜和滤纸掩膜
- 特征提取：提取每个颗粒的光谱特征和形状特征
- 背景校正：用滤纸背景光谱对样本光谱进行校正
- 波长重采样：如需要，重采样到训练相机波长（237通道）
- 数据清理：过滤面积<500像素、轮廓点不足的样本
- 主分类：使用SVM等模型进行9类分类
- 二次分类：对HDPE/LDPE类别进行精细分类
- 后处理：识别并修正类别7/8中的阴影误分类
- 轮廓收缩：对轮廓进行1像素腐蚀，避免相邻粘连
- 结果保存：输出ENVI格式分类结果
分类模型说明
支持的分类器类型
| 模型类型 | 说明 | 适用场景 |
|---|---|---|
| SVM | 支持向量机 | 小样本、高维特征 |
| RF | 随机森林 | 通用场景、特征重要性分析 |
| XGBoost | 极端梯度提升 | 大规模数据、高精度需求 |
| LightGBM | 轻量梯度提升 | 大规模数据、快速训练 |
| CNN | 卷积神经网络 | 深度特征学习 |
| SAE+CNN | 堆叠自编码器+CNN | 无监督预训练+微调 |
波段选择算法
| 算法 | 说明 |
|---|---|
| PCA | 主成分分析降维 |
| SPA | 连续投影算法 |
| CARS | 竞争性自适应重加权采样 |
| GA | 遗传算法特征选择 |
| ReliefF | 基于实例的特征权重算法 |
| UVE | 无信息变量消除法 |
| MRMR | 最大相关最小冗余 |
依赖库
核心依赖
numpy- 数值计算pandas- 数据处理opencv-python- 图像处理scikit-learn- 机器学习torch/torchvision- 深度学习框架spectral- 高光谱数据处理cellpose- 细胞/颗粒分割（通过mask.py集成）plantcv- 植物/颗粒计算机视觉
其他重要依赖
scipy- 科学计算matplotlib- 可视化PyWavelets- 小波变换joblib- 模型序列化tqdm- 进度条xgboost/lightgbm/catboost- 梯度提升库
完整依赖列表请查看 requirements.txt
训练相机波长
模型训练使用的237波段波长范围（912.36nm - 1706.6nm），系统自动进行波长对齐和重采样。
常见问题
-
运行时报错"ModuleNotFoundError"
确保已安装所有依赖：
pip install -r requirements.txt -
处理大型文件时内存不足
考虑减少处理区域或增加系统内存，建议使用固态硬盘。
-
BIL文件波段数不足
程序需要至少160个波段（用于RGB生成），且推荐237波段以获得最佳分类效果。
-
分类结果不准确
- 检查输入数据质量
- 确认HDR文件包含正确的波长信息
- 验证模型与当前数据类型匹配
-
HDR文件缺少波长信息
程序会自动检测并追加默认波长信息，但建议提供完整的HDR文件。
开发计划
- 支持更多高光谱数据格式（如ENVI、TIFF）
- 添加可视化界面
- 集成更多深度学习模型
- 支持在线学习/增量学习
- 添加更多后处理选项
许可证
本项目采用 Creative Commons 非商业许可证 (CC BY-NC 4.0)。
联系方式
作者：北京依锐思
邮箱：huilai_zhang@126.com
项目地址：https://github.com/yourusername/micro_plastic
更新日志
v1.1.0 (2026-04-14)
- 新增波段选择工具
chose_bands.py - 新增滤纸背景样本提取工具
fliter_sample_spectral.py - 优化波长重采样逻辑，支持更多高光谱相机
- 改进类别7/8的后处理阴影识别算法
- 添加轮廓收缩功能，避免相邻颗粒粘连
- 更新项目文档和结构说明
v1.0.0 (2025-08-26)
- 初始版本发布
- 支持BIL格式高光谱数据处理
- 集成Cellpose分割和SVM分类
- 输出ENVI格式分类结果
- 支持9种塑料材料分类