1.一种基于Gabor特征融合分块直方图的带钢表面缺陷分类方法，其特征在于，包括以下步骤：

步骤一、先从训练样本库中提取带钢图片，选取M*N个样本图片组成的样本集进行测试，其中M为该样本集典型缺陷的种类数，N为该样本集中每种典型缺陷的数量，从样本集选取W个样本图片作为训练集，剩下M*N‑W个样本图片作为测试集；

步骤二、使用线性插值的方式对样本集中所有图片进行几何归一化，将图片缩放成S*R像素大小的图片；

步骤三、将几何归一化图片导入Gabor滤波器中，Gabor滤波器对图片进行P个尺度，Q个方向的滤波，对每个归一化图片得到对应的P*Q个滤波的结果图；

步骤四、对Gabor图像的融合，对于上述得到P*Q个滤波的结果图，将同一个尺度每个像素点的Q个方向上的结果图分别编号1～Q，利用每个尺度上的Q个方向中Gabor特征值最大对应的编号来对结果图进行重组，即将Q个方向中Gabor特征值最大对应的编号重置为该点的像素值，重置融合后，P*Q个滤波的结果图变成了P个结果图，每个结果图任然为S*R像素大小；

步骤五、对于步骤四中得到的P个像素为S*R结果图进行分块，将每个结果图分成T*T个子块，每个子块包含了S*R/T*T个像素，然后统计每个子块的直方图，样本图片就变成了(T*T*P)*T的二维矩阵，并且对应的特征维度就变成了(P*T*T)*T维；

步骤六、重复执行步骤二至步骤五，对每个样本图片进行相同操作；

步骤七、通过KPCA对训练集和测试集中每张样本图片进行降维，通过正交变换将一组存在相关性的变量转换为一组线性不相关的变量，然后核函数将数据由低维映射到高维，得到每个样本图片的特征维度；

步骤八、使用训练集中样本图片的标签和所对应的特征维度建立支持向量机SVM分类预测模型；

步骤九、使用粒子群优化算法PSO对SVM进行参数寻优，其中待优化的SVM参数为惩罚参数C、核函数的参数σ；

步骤十，利用步骤九中得到的惩罚参数C和核函数的参数σ对训练集中样本图片进行SVM交叉验证训练，得到SVM模型；

步骤十一、导入步骤七中得到测试集中处理后的样本图片，对SVM模型进行分类预测，验证SVM模型，之后利用该SVM模型对待测试带钢图片进行比对测试。

2.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：步骤一中，需要对样本集中图片进行预处理，裁剪去样本图片中无用的背景部分，并对每个样本图片给予对应标签。

3.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：步骤七中，对样本图片进行降维处理方法具体为：

步骤701、首先将每张样本图片所得到(T*T*P)*T的二维矩阵拉伸成一个1*(P*T*T*T)的一维向量，也即是特征向量；

步骤702、再求出每个样本图片所对应特征向量的特征值的平均值，然后将每个样本图片的特征向量中的特征值减去这个平均值，进行数据标准化处理；

步骤703、然后将经过步骤701和步骤702数据标准化的处理后训练集所对应样本图片的一维向量导入到高斯核函数之中：

其中σ为高斯核函数的核系数，xi为第i个样本图片所对应的特征向量，xj为第j个样本图片所对应的特征向量，K(xi,xj)就是将所有样本图片导入到高维空间中所对应的值；

步骤704、然后求出K(xi,xj)的特征值、特征向量并且将其对应起来，根据特征值的大小将所得到的特征值特征向量进行排序，选取其中的前100个特征作为样本图片的特征；

步骤705、重复步骤701至步骤704，将测试集所对应样本图片的一维向量进行标准化处理后导入到高斯核函数之中，计算测试集的样本图片的特征。

4.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：步骤八中，建立支持向量机SVM分类预测模型采用径向基核函数RBF如下：上式中σ为高斯核函数的核参数，xi为第i个样本图片所对应的特征向量，xj为第j个样本图片所对应的特征向量，其中i＝1,2,3…n，j＝1,2,3…n，n为训练集中样本图片总数；

基于SVM模型核函数的优化模型为：目标函数：

约束条件：

其中，n为训练集中样本图片总数，i,j∈[1,n]，xi为前面第i个特征向量，xj为前面第j个特征向量，u为拉格朗日乘子，ui为引入第i个拉格朗日乘子，uj为引入第i个拉格朗日乘子，C为惩罚系数，K(xi,xj)为前面所述基于SVM模型核函数，yi，yj分别为第i个与第j个图片的类别；其中，高斯核函数的核系数σ、以及惩罚系数C均为需通过改进权重的粒子群算法优化求解的参数。

5.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：步骤九中，具体粒子群算法对SVM参数优化过程包含下列步骤：步骤901，设定PSO算法的相关参数，包括：种群规模popsize为20，最大进化代数maxgen为100，惯性权值因子ω为0.8；

步骤902，在搜索空间和飞行速度的上下界范围内随机产生初始粒子的位置及速度，并计算初始适应度值，并根据适应度值确定粒子个体和全体粒子群的最优位置；

步骤903，更新粒子速度和位置，更新方法为：其中， 和 分别为t+1时刻粒子个体m在第b维搜索空间中的速度和位置，其中b为搜索的维度，也就是特征维度的个数，而 则是在t+1个时刻第m个粒子的特征向量；相应地，和 分别为t时刻粒子个体m在第b维搜索空间中的速度和位置， 和 分别为t时刻粒子个体和粒子群全体的最优位置；

其中l1，l2为均匀分布在(0,1)区间的随机数，c1，c2为常数均为1.1；

步骤904，计算更新后粒子的适应度值，若优于现有的个体极值和群体极值，则更新粒子个体和全体粒子群的最优位置为当前粒子的位置；

步骤905，判断是否更新了当前代种群中的每一个粒子的速度和位置，是，继续下一步；

否，跳转至步骤903；

步骤906，判断是否达到了预先设定的最大进化代数maxgen，是，继续下一步；否，进化代数自增1，并跳转至步骤903；

步骤907，停止寻优运算，输出最优的SVM参数，结束。

6.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：所述样本集中，样本集典型缺陷的种类数M范围取3‑15种，每种典型缺陷的数量N范围取10‑40，对于训练集，W取值范围为样本集中样本图片一半到总数之间。

7.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：选取作为训练集的W个样本图片在M种典型缺陷的样本图片中均衡选取。

8.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：步骤三中，采用Gabor滤波器对样本图片进行归一化选取的尺度P取值范围为3‑9个，方向Q取值范围为5‑15个。

9.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：步骤二中，对样本图片缩放之后的尺寸，S取值范围为300‑600个像素，R取值范围为300‑600个像素。

10.如权利要求1所述的带钢表面缺陷分类方法，其特征在于：步骤五中，将每个样本图片滤波的结果图分块中，T取值范围为5‑10。