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，提取出与类别相关性强的特征，去除冗余特征，在保证分类识别准确率的同时，降低了特征维数，大大提高了在线特征提取及分类识别的速度，解决了高维特征可能含有冗余特征，甚至是噪声特征导致的在线特征提取时间长、预测准确率降低的问题；包含如下几个步骤： (1)找出与类别相关性强的特征，得到所有特征状态标志向量mark1； (2)去除冗余特征，计算相关系数矩阵RHO，进一步得到所有特征状态标志向量mark2； (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： 第一步、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； 第二步、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 xi∈M，可得样本xi作为xn的异类最近邻样本的模糊隶属度对于xn到最近异类样本的第j维特征的模糊差异度量由下面公式得到：

使用同样的方法，可以得样本xn与最近同类样本xi的差异度：

xi∈H，可得样本xi作为xn的同类最近邻样本的模糊隶属度 进一步的，对于xn到最近同类样本的第j维特征的模糊差异度量由下面公式得到： 第三步、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；

第四步、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(2)中去除冗余特征，包含如下步骤： 第一步、将训练样本Xnew的所有特征按照特征权值大小降序排列，计算相关系数矩阵L：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； 第二步、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： 第三步、初始化1*m维特征状态标志向量mark2，令其每个元素均为1；找出与权值最大的特征(第一维特征)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； 第四步、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。

4.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。