1.一种结合超像素显著性特征与HOG特征的图像分类算法，其特征在于，包括如下步骤：步骤1，将原始数据集进行HOG特征提取得到特征集A；

步骤2，利用超像素分割对原始数据集进行处理，得到重构显著性图像数据集；

步骤3，将重构后的显著性图像集利用SLBP编码方式得到新的特征集B，所述SLBP编码方式是对传统LBP编码方式的改进；

步骤4，特征融合，将步骤1和步骤3所得到特征集A和特征集B进行相加；

步骤5，结合步骤4得到的训练数据，利用KNN分类器对测试数据进行监督分类并计算分类精度。

2.如权利要求1所述的一种结合超像素显著性特征与HOG特征的图像分类算法，其特征在于：步骤3中所述SLBP的编码方式为，针对3*3的像素空间，首先进行归一化为0或者1之后，将中心像素点设置为1，从中心像素左侧的像素点按照逆时针顺序，以2进制进位方式编码直到最后一个像素点停止。

3.如权利要求1所述的一种结合超像素显著性特征与HOG特征的图像分类算法，其特征在于：步骤1中HOG特征提取的具体实现包括如下子步骤，

1a，将原始数据集中的RGB图像进行灰度转换，并采用Gamma校正法对图像进行归一化处理；

1b，计算图像横坐标和纵坐标方向的梯度，以此计算每个像素的梯度大小和方向，并将图像分成若干细胞单元cells，Gi(i，j)＝H(i+1，j)-H(i-1，j)    (1-1)Gi(i，j)＝H(i，j+1)-H(i，j-1)    (1-2)式中i,j为像素点的横纵坐标，Gi(i，j)、Gj(i，j)是二维梯度值，G(i，j)是整体梯度，α(i，j)是梯度的方向，H(i，j)是cells中的二维坐标值；

1c，统计每个cell梯度直方图，利用检测窗口来划分block块，检测出n*n个cell组成一个block，如果划分存在不够的情况下就会出现重叠，将block内的所有cells特征向量串联得到该block的HOG特征；

1d，将所有重叠的block进行对比度归一化处理，结合所有block的HOG特征以及重叠block的对比度归一化处理结果，获得最终的特征向量即为特征集A。

4.如权利要求1或2或3所述的一种结合超像素显著性特征与HOG特征的图像分类算法，其特征在于：步骤2中获得重构显著性图像数据集的具体实现包括如下子步骤，步骤2a，将原始数据集利用高斯滤波算子进行高斯滤波得到平滑图像数据集；

步骤2b，对平滑后的数据集进行超像素分割，其中同一标签数字的像素属于同一超像素，超像素分割个数为m；

步骤2c，根据所求超像素信息矩阵，分别求出每个超像素的全局、边缘、和局部显著性特征，然后分别对每个超像素的全局、边缘、和局部显著性特征进行归一化处理，并将归一化结果进行相加。

5.如权利要求4所述的一种结合超像素显著性特征与HOG特征的图像分类算法，其特征在于：步骤2a中的高斯滤波算子大小为6*6，高斯滤波函数如式(2-1)所示：式中i,j表示像素点的横纵坐标，σ是标准差，Hi，j表示滤波后的向量，k指高斯滤波核的大小。

6.如权利要求4所述的一种结合超像素显著性特征的图像分类算法，其特征在于：步骤

2c中全局显著性计算公式如式(2-3)所示，边缘显著性计算公式如(2-4)所示，局部显著性计算公式如(2-5)所示，式中i,j表示像素点的横纵坐标，xi，j和yi，j分别表示不同像素点的坐标信息，n表示像素点的个数，dist(i，j)表示像素点距离，w*为权重，Edge表示边缘区域限制；Sa1(i)表示全局显著性矢量空间，Sa2(i)表示边缘显著性矢量空间，Sa3(i)表示局部显著性矢量空间。

7.如权利要求1所述的一种结合超像素显著性特征与HOG特征的图像分类算法，其特征在于：步骤5的具体实现方式如下，步骤5a，计算测试数据与各个训练数据(即步骤4特征融合后得到的数据)之间的欧式距离；

步骤5b，按照距离的递增关系进行排序；

步骤5c，选取距离最小的K个点并确定其所在类别的出现概率；

步骤5d，返回前K个点中出现频率最高的类别作为测试数据的测试分类。

8.一种结合超像素显著性特征与HOG特征的图像分类系统，其特征在于，包括如下模块；

HOG特征提取模块，用于将原始数据集进行HOG特征提取得到特征集A；

超像素分割模块，用于利用超像素分割对原始数据集进行处理，得到重构显著性图像数据集；

SLBP编码模块，用于将重构后的显著性图像集利用SLBP编码方式得到新的特征集B，所述SLBP编码方式是对传统LBP编码方式的改进；

特征融合模块，用于特征融合，将HOG特征提取模块和SLBP编码模块所得到特征集A和特征集B进行相加；

KNN分类模块，用于结合特征融合模块得到的训练数据，利用KNN分类器对测试数据进行监督分类并计算分类精度。

9.如权利要求8所述的一种结合超像素显著性特征与HOG特征的图像分类系统，其特征在于：SLBP编码模块中所述SLBP的编码方式为，针对3*3的像素空间，首先进行归一化为0或者1之后，将中心像素点设置为1，从中心像素左侧的像素点按照逆时针顺序，以2进制进位方式编码直到最后一个像素点停止。

10.如权利要求8所述的一种结合超像素显著性特征与HOG特征的图像分类系统，其特征在于：所述超像素分割模块中获得重构显著性图像数据集的具体实现包括如下子模块，第一子模块，用于将原始数据集利用6*6的高斯滤波算子进行高斯滤波得到平滑图像数据集，其中高斯滤波函数如式(2-1)所示：式中i,j表示像素点的横纵坐标，σ是标准差，Hi，j表示滤波后的向量，k指高斯滤波核的大小；

第二子模块，用于对平滑后的数据集进行超像素分割，其中同一标签数字的像素属于同一超像素，超像素分割个数为m；

第三子模块，用于根据所求超像素信息矩阵，分别求出每个超像素的全局、边缘、和局部显著性特征，然后分别对每个超像素的全局、边缘、和局部显著性特征进行归一化处理，并将归一化结果进行相加，其中全局显著性计算公式如式(2-3)所示，边缘显著性计算公式如(2-4)所示，局部显著性计算公式如(2-5)所示，式中i,j表示像素点的横纵坐标，xi，j和yi，j分别表示不同像素点的坐标信息，n表示像*素点的个数，dist(i，j)表示像素点距离，w为权重，Edge表示边缘区域限制；Sa1(i)表示全局显著性矢量空间，Sa2(i)表示边缘显著性矢量空间，Sa3(i)表示局部显著性矢量空间。