1.一种基于随机森林的多参数零件表面粗糙度学习方法，其特征在于：包括如下步骤，步骤一，样本图像采集，由CCD相机采集经激光照射在物体表面产生的散斑场，并通过图像采集卡传输到工作站；

步骤二，图像预处理，加强图像阴影部分的细节特征；

步骤三，多特征提取，即运用空间平均法提取光学特征，灰度共生矩阵法提取均值、方差、相关性、熵、二阶矩、惯性矩特征，Tamura纹理特征法提取纹理特征，所述光学特征包括散斑对比度和暗区比特征；

步骤四，将每一特征量化后作为一个属性加入随机森林和决策树算法学习，根据分类属性信息增益最大原则构建随机森林分类器，用以检测分类零件工艺类型；

步骤五，通过对散斑图像特征研究，实现了多特征提取，找出特征与粗糙度之间的单调性；然后将特征归一化，引入互信息量学习特征权重，并结合相关性系数和随机森林学习参数建立粗糙度学习函数；

步骤六，利用学习好的分类器和粗糙度函数对待测零件进行检测；

步骤五中，定义多特征的粗糙度学习函数：然后，进行函数的学习：

1)进行零件工艺类型Ai学习；

2)多特征权重wj学习，通过计算不同特征与粗糙度之间的互信息量,来学习不同特征在粗糙度模型中各自的权值wj；

3)特征相关性系数cj学习，由于不同特征值与粗糙度值相关性存在差异，特征与粗糙度之间存在正相关、负相关、不相关三种情况，为了保证融合特征值与粗糙度值成正相关性，对特征相关性系数学习，当某一特征与粗糙度成正相关时，cj取正，成负相关时，正好相反，当某一特征与粗糙度不相关时，cj也取正；

4)粗糙度函数参数ak学习，对于同一工艺类别零件给定的数据组(Cl,Ral)，l＝1,

2,...,n，学习多项式

m

Ram(C)＝a0+a1C+…amC，m＜n。

2.根据权利要求1所述的基于随机森林的多参数零件表面粗糙度学习方法，其特征在于：步骤二中对图像进行预处理，首先截取散斑图像有效区域，并基于巴特沃斯滤波器同态滤波法对散斑图像进行图像增强，增强阴影部分的细节特征。

3.根据权利要求1所述的基于随机森林的多参数零件表面粗糙度学习方法，其特征在于：步骤三中所述纹理特征包括纹理粗糙度、对比度、方向度特征。

4.根据权利要求3所述的基于随机森林的多参数零件表面粗糙度学习方法，其特征在于：所述散斑对比度为强度涨落大小与强度平均值的度量，所述暗区比表示为暗区像素点数与总像素点数之比。

5.根据权利要求1所述的基于随机森林的多参数零件表面粗糙度学习方法，其特征在于：步骤四中的零件工艺类型判别方法包括如下步骤，S4.1样本随机选择；从若干组样本中有放回抽取n个样本，即对行抽取；提取的特征参数共12个，有放回抽取m个特征参数，即列抽取；

S4.2结点属性选择；计算每个特征参数作为分类属性的信息增益，根据信息增益最大原则选择决策树结点，其中叶子结点分别为三种不同工艺类型；

S4.3决策树的生成；当结点的分类纯度以及层数达到期望给定值，停止决策树生长；

S4.4随机森林生成；不断重复前三步，构建多棵决策树以形成随机森林。

6.根据权利要求1所述的基于随机森林的多参数零件表面粗糙度学习方法，其特征在于：对步骤五中所述的粗糙度学习函数进行函数的学习，包括零件工艺类型学习、多特性权重学习、特征相关性系数学习、粗糙度函数参数学习，从而得到适用于不同工艺类别的粗糙度测量函数。