1.一种基于机器视觉的表面瑕疵检测的纹理特征降维方法，其特征是，包含如下几个步骤：(1)找出与类别相关性强的特征，首先剔除安全样本和噪声样本，然后计算模糊差异度量，并对每一维特征权值进行迭代，找出权值较小的特征，由此得到所有特征状态标志向量mark1；

(2)去除冗余特征，包含如下步骤：

(2.1)将训练样本Xnew的所有特征按照特征权值大小降序排列，第一列所在特征对应权值最大，第二类次之，依次类推直到第m列，计算相关系数矩阵RHO：

其中 其中i，j＝1，2…m称为第i维特征向量vi与第j维特征向量为vj之间的相关系数，cov(vi，vj)是vi与vj之间的协方差，σi和σj分别是vi和vj的标准差，RHO第i行表示第i个特征与所有特征之间的相关系数，ρij的值为零时，表示vi与vj为线性不相关，|ρij|越大，表示vi与vj之间相关性越大；

(2.2)计算阈值TH2，取相关系数矩阵绝对值，即RHO＝|RHO|，先令对角线上的元素ρii＝

0，再根据下面的式子得到阈值：

初始化1*m维特征状态标志向量mark2，令其每个元素均为1；

(2.3)找出与权值最大的特征之间相关系数最大的特征，并比较该相关系数与阈值TH2的大小关系，如果大于TH2，则将该特征作为冗余特征删除，并在mark2中将与该特征对应的状态标志位置为0，否则置为1，移除权值最大的特征；

(2.4)找出与剩余特征中权值最大的特征之间相关系数最大的特征，并比较该相关系数与阈值TH2的大小关系，如果大于TH2，则将该特征作为冗余特征删除，并在mark2中将与该特征对应的状态标志位置为0，否则置为1，移除权值最大的特征，以此类推，重复该过程，直到把权值最小的冗余特征也去除为止；

(3)将mark1和mark2按位与运算得到mark即为最终所有特征的状态标志向量mark，存储状态标志向量mark，用于在线特征提取过程。

2.根据权利要求1所述基于机器视觉的表面瑕疵检测的纹理特征降维方法，其特征是：所述步骤(1)中找出与类别相关性强的特征，包含如下步骤：(1.1)剔除安全样本和噪声样本；对于n*m维的训练样本特征矩阵X中的每一个样本xn，计算出它与其余样本之间的欧式距离；找出与xn距离最小的5个样本训练，判断这5个训练样本类别标签是否与xn的类别标签一致，如果5个最近邻样本的类别均与xn的类别相同或者均与xn不同，则将xn视为安全样本或者噪声样本剔除；由此获得只含边界样本的特征矩阵Xnew；

(1.2)计算模糊差异度量；对于Xnew中的每个样本xn，分别找出其k(k＝3)个最近邻同类、异类样本H＝[H1(xn)，H2(xn)，H3(xn)，]和M＝[M1(xn)，M2(xn)，M3(xn)]；每一维特征对应初始权值wj＝1/m，j∈{1，2，…，m}，计算样本xn与最近邻异类样本xi的差异度式中 为绝对误差距离， 为样本xn的第j维特征值，可得样本xi作为xn的最近邻异类样本的模糊隶属度 对于xn到最近邻异类样本的第j维特征的模糊差异度量由下面公式得到：

其中， 为样本xn与最近邻异类样本M中第i个样本的第j维特征的绝对误差距离；

使用同样的方法，可以得样本xn与最近邻同类样本xi的差异度 式中 为绝对误差距离， 为样本xn的第j维特征值，可得样本xi作为xn的最近邻同类样本的模糊隶属度 进一步的，对于xn到最近邻同类样本的第j维特征的模糊差异度量由下面公式得到：

其中， 为样本xn与最近邻同类样本H中第i个样本的第j维特征的绝对误差距离；

(1.3)对每一维特征权值进行迭代；权值按照下式进行更新：

式中其中N是剔除安全样本和噪声样本后保留下来的训练样本总个数；

(1.4)找出权值较小的特征；Xnew中所有样本循环迭代结束后可得最终每一个特征的权值wj，计算阈值TH1＝1/m，初始化1*m维特征状态标志向量mark1，令其每个元素均为1；比较每一维特征权值与阈值TH1的大小：若权值小于TH1，该维特征与类别相关性小，则将该维特征所对应的状态标志位置0，否则该维特征与类别相关性大，置1；由此得到所有特征的状态标志向量mark1。

3.根据权利要求1所述基于机器视觉的表面瑕疵检测的纹理特征降维方法，其特征是：所述步骤(3)，将mark1和mark2按位与运算得到mark即为最终所有特征的状态标志向量，将mark中状态标志为0对应的特征删除，保留标志位为1的特征，存储状态标志向量mark，用于在线特征提取过程。