1.一种基于峰值阈值和混合特征的纺织品瑕疵检测方法，其特征在于：包括训练阶段和测试阶段两个阶段；训练阶段，根据一系列无瑕疵纺织品灰度图像(以下简称无暇图像)计算图格分割所需参数，而后对无暇图像进行图格分割并计算测试阶段瑕疵识别所需参数；测试阶段，根据训练阶段得到的参数对一副纺织品图像进行图格分割并判断图格是否包含瑕疵，最后标记含有瑕疵的图格；

所述训练阶段包括以下步骤：

步骤1：使用形态学成分分析方法计算训练样本卡通成分Ic，将Ic按索引所在的行与列进行分割，获得训练样本图格；

步骤2：根据步骤1中获得的训练样本图格，计算任意训练样本的理想行数和理想列数，以获得阈值系数，重复上述步骤以计算得到所有训练样本的阈值系数；

步骤3：对于训练样本集中任一训练样本，根据步骤2中所计算的阈值系数，采用HOG特征提取方法计算图格的特征向量，由特征向量计算距离矩阵，将距离矩阵经过傅里叶变换得到计算图格周期；根据图格周期计算图格各特征的理想统计值；

所述测试阶段包括以下步骤：

步骤4：测试样本图格分割，对一副给定的测试样本，根据步骤2得到的阈值系数重复步骤1得到测试样本图格；

步骤5：瑕疵识别，按照步骤3的方法计算测试样本的特征向量、图格周期、图格各特征的理想统计值以及理想统计值阈值，并将计算结果与理想统计值阈值进行比较，以识别有瑕疵的图格。

2.如权利要求1所述的基于峰值阈值和混合特征的纺织品瑕疵检测方法，其特征在于：步骤1训练样本图格分割具体包括以下步骤：

对于一个训练样本，使用形态学成分分析方法计算训练样本卡通成分Ic，使用阈值fc·max(Ic)二值化Ic得到二值图像Itc，由Moore-Neighbor跟踪算法获取Itc中对象的闭合边缘；

对于每个具有闭合边缘的对象，找出该对象行列索引的极值，如果该对象行索引极值之差的绝对值超过0.75·dimx(Itc)，或列索引极值之差的绝对值超过0.75·dimy(Itc)，则从Itc中删除该对象；统计Itc每行和每列的背景像素个数，按行和列的索引分别排列背景像素个数构成背景像素的横向投最 和纵向投影 和 的峰值分别记为多重集 和 对 和分别应用自适应聚类算法进行聚类，聚类中心分别保存为多重集 和 和 有可能包含多个相近的聚类中心，这些相近聚类中心中的最小值被分别选为阈值 和中不小于 的峰值按所对应的行索引，记为S′h； 中不小于 的峰值按所对应的列索引，记为S′v；对于S′h，将S′h中元素做升序排列，行索引间距的多重集定义为具有行索引连续的稳定行间距的多重集 定义如下：

其中xi∈S′h，i为数值连续的正整数，作为图格分界集合Sh的初始值，其定义如下：类似地，可以计算 和Sv的初始值，

定义如下：

根据理想行数 和理想列数 其中 和 分别表示

具有最多元素的 和 对Sh和Sv进行扩展，即：从min(Sh)开始，以步长 向Itc行索引最小值1移动，即计算 检查是否存在 满足如果存在x′，则将x′添加进Sh，否则将x添加进Sh并保持Sh中元素升序排列，再次计算并重复上述步骤；类似地，从max(Sh)开始，以步长 向Itc行索引最大值dimx(Ic)移动，即计算 检查是否存在 满足如果存在x′，则将x′添加进Sh，否则将x添加进Sh，再次计算 并重复上述步骤；对Sv以步长 故类似扩展。根据Sh与Sv分别包含的行与列索引，可以将Ic按这些索引所在的行与列进行分割，分割所得的区域定义为图格，其定义如下：其中ir，ic，k1， 1≤ir≤|Sh|-1且1≤ic≤|Sv|-1，因此Ic分割出(|Sh|-1)·(|Sv|-

1)个 而ir和ic分别是 以图格为单位的行与列索引。

3.如权利要求2所述的基于峰值阈值和混合特征的纺织品瑕疵检测方法，其特征在于：步骤2计算阈值系数具体包括以下步骤：

对于训练样本集I1，I2...IN和N′个fc的可选值c1，c2...cm，根据其中任意训练样本Ii(i＝1，2...N)，通过步骤1可计算N′个理想行数 和N′个理想列数 其中l＝1，

2...N′。在Ii的多重集 和多重集 中出现次数最多元素所对应阈值系数fc的取值分别记为ch(i，l)和cv(i，l)，定义如下：对于Ii，如果ch(i，l)与cv(i，l)相同，则相应索引(i，l)保存在集合 中，的定义如下：对于每个 即对于Ii，如果至少存在一个l′使得ch(i，l′)≡cv(i，l′)成立，则与med({cl})距离最近的ch(i，l′)参与fc的计算，fc的定义如下：其中ch(i，l)的索引 表示取符合 定义中的i值。

4.如权利要求3所述的基于峰值阈值和混合特征的纺织品瑕疵检测方法，其特征在于：步骤3计算测试阶段参数具体包括以下步骤：

步骤3.1计算图格周期，对于训练样本集I1，I2...IN中的第i 个训练样本Ii，根据步骤2所计算的阈值系数对Ii重复步骤1可得Sh和Sv，根据Sh和Sv将Ii分割为m×n个图格(m＝|Sh|-1，n＝|Sv|-1)；使用HOG特征提取方法计算Ii图格 的特征向量并使特征向量索引与其对应的图格索引相同；计算 与第ir行中所有图格的欧氏距离，按计算所涉及图格的列索引升序排列，则可构成距离向量；对于 将 对应的距离向量按ic升序排列得到第ir行的n×n距离矩阵；对于 将第ir行对应的n×n距离矩阵按ir升序排列得到Ii的行距离矩阵 类似地，可以计算Ii的列距离矩阵 对向量进行傅立叶变换，得到 的周期与频谱；根据

( 和 )的周期与频谱，计算周期中位值和频谱中位值，即图像行周期和图像行频谱；类似地，可以构建Ii的列距离矩阵 并计算图像列周期和图像列频谱；根据I1，I2...IN，可计算N个图像行周期和对应的N个图像行频谱，计算图像行频谱中位值 找出高于 的图像行频谱所对应的图像行周期，计算这些图像行周期的中位值 对图像列周期和图像列频谱重复相同步骤得到图像列频谱中位值 和图像列周期中位值 若 或或 则t取值为1，否则通过比较 与 相应的频谱大小确定t的取值，即：若则t取 否则t取

步骤3.2计算图格各特征的理想统计值，该步骤包括四个子步骤：步骤3.2.1计算特征统计值，步骤3.2.2计算特征统计值排序，步骤3.2.3计算稳定特征元素，步骤3.2.4计算理想统计值；

步骤3.2.1计算特征统计值，根据步骤3.1计算训练样本集I1，I2...IN的图格周期t，对于第i个训练样本Ii，根据步骤2分割Ii得到图格 通过|T|个(T为特征提取方法名称有序集合)输入为二维灰度图像矩阵且输出为一维实向量的特征提取方法f1，f2...f|T|计算Ii图格 的特征向量 基于fj的特征向量长度定义为fj的特征元素数Fj；根据假设条件和图格周期t，Ii中的图格 与 和 的纹理相同而L1，1，L2，1...Lt，1的纹理均不相同，其中l1， 因此存在t类纹理不同的图格并且第k( 1≤k≤t)类图格在第ir行和第(ir+l1t)行的列索引相同，因此列索引相同的第k类图格可按行列索引升序组成图格矩阵。对于第k类图格，最多存在t个图格矩阵C1，C2...Ct，根据组成图格矩阵的图格，由下式计算第k类图格基于fj的Ii的特征统计值和其中 表示图格L是第it个图格矩阵 的任意元素， 表示基于fj

的图格矩阵 中所有元素(图格)的特征向量中第iF个元素(实数)的多重集，其中 且

1≤iF≤Fj，将opt替换为mean，std，max或min时，则 定义相应的 和步骤3.2.2计算特征统计值排序，计算训练样本I1，I2...IN之间基于fj的 的欧式距离平均值d(j)，其定义如下：对于f1，f2...f|T|，可得对应的d(1)，d(2)...d(|T|)；对于第k类图格纹理和第j个特征提取方法fj(即固定索引k和j)，根据I1，I2...IN，步骤3.2.1可产生N个 应用聚类算法对N个 进行聚类，聚类算法类别参数设为t，得到t个类别中心 对于根据下式计算离 最近的类别中心所对应的类标签u*；

若 其中 表示t个聚类算法产生的类别中具有最多元素个数的类别中心，则交换索引(i，j，k)所确定的特征统计值和索引(i，j，k*)所确定的特征统计值，其中k*定义如下：对于索引k和j的所有固定组合，对于每个 重复上述 u*和 的计

算并判断 是否成立，若成立则重复k*的计算并交换索引(i，j，k)所确定的特征统计值和索引(i，j，k*)所确定的特征统计值；根据d(j)的定义，再次计算训练样本I1，I2...IN之间基于fj的 的欧式距离平均值，得到对应f1，f2...f|T|的d′(1)，d′(2)...d′(|T|)。若d(j)≥d′(j)对于 都成立，则保留上述特征统计值交换结果，否则将特征统计值排序恢复到步骤3.2.1结束时的状态；

步骤3.2.3计算稳定特征元素，对于第k类图格纹理和第j个特征提取方法fj(即固定索引k和j)，根据上述步骤和I1，I2...IN计算的N个 的第iF 个元素和 的第iF个元素 可计算第k类图格纹理基于fj的特征向量第iF个元素的稳定值s(j，k)(iF)，其定义如下：

将s(j，k)(iF)按索引iF升序排列则得到第k类图格纹理基于fj的稳定值向量s(j，k)；若参数nf表示预定义的最小特征向量长度，那么当nf＜Fj成立时，应用自适应聚类算法对s(j，k)(1)，s(j，k)(2)...s(j，k)(Fj)进行聚类，若将自适应聚类算法产生的类别按从1开始的正整数依次编号，第iF个稳定值s(j，k)(iF)所属类别编号记为Ls(iF)，则这些编号定义集合Ls；若定义预设参数最小特征数 则第k类图格纹理基于fj的特征向量第iF个元素的稳定性定义如下：表示将自适应聚类算法产生的类别按其元素数量降序排列得到的前nf个类别的编号集合；将 按索引iF升序排列则得到第k类图格纹理基于fj的稳定性向量 对于索引k和j的所有固定组合，重复上述 的计算；

步骤3.2.4计算理想统计值，对于第k类图格纹理和第j个特征提取方法fj(即固定索引k和j)，根据上述步骤和I1，I2...IN可计算 和 通过自适应聚类算法，可对向量 进行聚类，若将自适应聚类算法产

生的类别按从1开始的正整数依次编号且第i个向量 所属类别编号记为

则这些编号定义集合 对于第iu 个类别，第k类图格纹理

基于fj的理想统计值 定义如下：

表示属于第k类图格纹理基于fj的第iu个子类图格纹理的特征统计值中均值的平均值。对于索引k和j的所有固定组合，重复上述 的计算；

步骤3.3计算各特征的理想统计值阈值，根据训练样本集和上述步骤，可计算基于第j个特征提取方法fj的第k类图格纹理的第iu个子类图格纹理的理想统计值 (即固定索引j，k和iu)；对于任意训练样本由步骤2产生的任意图格L，根据其特征向量fj(L)按下式计算理想统计值索引k*和对于 可能存在多个L其理想统计值索引满足k*＝k和 这些图格组成集合当 成立时，可按下式计算基于第j个特征提取方法的第k类图格纹理的第iu个子类图格纹理的最大距离 即理想统计值阈值：

对于索引j，k和iu的所有固定组合，重复上述 的计算。

5.如权利要求4所述的基于峰值阈值和混合特征的纺织品瑕疵检测方法，其特征在于：步骤5瑕疵识别具体包括：对测试样本的任意图格 根据特征提取方法f1，f2...f|T|计算特征向量 对于fj计算的特征向量 根据步骤3.2和步骤*

3.3计算理想统计值索引k 和 和 若 则

标记为有瑕疵，否则标记为无瑕疵；当所有图格基于fj的标记结束，检查每个有瑕疵图格Ll的8临域 内图格的标记，若存在无暇图格 则判断 是否成立，若成立则标记 为有瑕疵并令 且按下式计算dl+1，继续检查 内图格的标记并重复上述步骤直至dl+1为 其中，

其中阈值系数 0＜γ≤1， L1表示基于fj的标记结束得到的有暇图格；

当动态阈值为 时，全部有暇图格所包含像素的行列索引即为检测结果。