1.一种图像颜色分类的预处理优化方法，其特征在于，包括以下步骤：步骤1：统计图像中RGB三通道中的灰度值出现的个数，重新定义三通道中像素点的灰度值为0和255的点对图像进行色阶调整；

步骤2：将色阶调整后的图像分解为RGB三个通道的灰度图，对三个通道的灰度图进行高斯滤波；

步骤3：将高斯滤波后的图像分解为RGB三个通道的灰度图，对三个通道的灰度图进行锐化；

步骤4：根据偏移向量更新锐化后的图像中的每一个点的RGB三维向量，完成对图像的预处理优化；

更新锐化后的图像中的每一个点的RGB三维向量，具体为：步骤4.1：将三维向量与预设的限制条件进行比较，将满足限制条件的三维向量相加得到偏移向量；

限制条件具体为：

其中x，y是在灰度值矩阵中待更新点的坐标，X，Y是灰度值矩阵中任意点的坐标，(r,g,b)是在灰度值矩阵中待更新点的三维灰度值向量，(R,G,B)是在灰度值矩阵中任意点的三维灰度值向量；δ是设定的图像矩阵中坐标的约束，ε是设定的图像矩阵中RGB三维向量的约束；

步骤4.2：将偏移向量叠加到待更新点的原三维向量上，直到叠加后的偏移向量的范数小于等于预设的约束阈值时结束更新。

2.根据权利要求1所述的图像颜色分类的预处理优化方法，其特征在于：所述步骤1中色阶调整的具体过程为：步骤1.1：统计图像中RGB三通道中的灰度值出现的个数，得到三通道的三个直方图；

步骤1.2：迭代更新三个直方图中每个像素点的灰度值得到重新定义灰度值为0和255的点，更新公式为：temp1+＝grey(i)，

minimum＝i，

temp2+＝grey(256‑i)，

maximum＝256‑i；

其中temp1和temp2是求取最终值的中间变量，grey(·)表示当前的灰度值在灰度图中出现的次数，i表示当前的灰度值，minimum表示新的灰度值为0的点在原直方图中的值，maximum表示新的灰度值为255的点在原直方图中的值；

步骤1.3：累加统计三个直方图中的temp1和temp2，当temp1和temp2满足预设的阈值条件时，停止对temp1和temp2的累加，将此时的minimum作为求取的新的灰度值为0点、此时的maximum作为求取的新的灰度值为255的点；

步骤1.4：将图像中所有点的灰度值按照在原直方图中的比例，变换到以新的灰度值为

0和255为标准的直方图中。

3.根据权利要求2所述的图像颜色分类的预处理优化方法，其特征在于：所述步骤1.3中的阈值条件为：其中η是设定的阈值，w表示图片的宽度，h表示图片的高度。

4.根据权利要求2所述的图像颜色分类的预处理优化方法，其特征在于：所述步骤1.4中的变换，变换公式为：其中newgrey(i)是各点变换后的灰度值，minimum为新的灰度值为0的点，maximum为新的灰度值为255的点。

5.根据权利要求1所述的图像颜色分类的预处理优化方法，其特征在于：所述步骤2中对三个通道的灰度图进行高斯滤波，具体为使用高斯算子分别对三个通道的灰度图进行卷积计算，计算公式为：Y＝X*G，

其中Y是经过高斯算子卷积运算之后的灰度值矩阵，X是RGB三通道的灰度值矩阵，G是高斯算子；

步骤3中对三个通道的灰度图进行锐化，具体为使用锐化算子分别对三个通道的灰度图进行卷积计算，计算公式为：Y’＝Y*W，

其中Y'是经过锐化算子卷积运算之后的灰度值矩阵，Y是经过高斯滤波后的RGB三通道中的灰度值矩阵，W是锐化算子。

6.一种经过预处理优化的图像颜色分类方法，其特征在于，包括以下步骤：步骤S1：使用权利要求1‑5中任一项所述的图像颜色分类的预处理优化方法对图像进行预处理；

步骤S2：使用K‑means++算法在更新后的RGB三维向量中选取K个初始聚类中心；

步骤S3：对K个初始聚类中心进行迭代更新，直到每个聚类中心的范数变化范围小于等于设定的聚类阈值时结束迭代得到K个聚类组，完成对图像的颜色分类。

7.根据权利要求6所述的经过预处理优化的图像颜色分类方法，其特征在于：所述步骤S2使用K‑means++算法在更新后的RGB三维向量中选取K个初始聚类中心，具体为：步骤S2.1：随机选取一个点作为聚类中心；

步骤S2.2：计算其余RGB三维向量被选为下一个初始聚类中心的概率，计算公式为：(i) (i)

其中P(θ )表示RGB三维向量被选为下一个初始聚类中心的概率，θ 表示任意一个三(i)维向量，i表示第i个序号的向量，D(θ )表示当前向量距离已选取聚类中心的距离，表示所有三维向量到已选取聚类中心的总距离；

(i)

步骤S2.3：选择P(θ )最大的三维向量作为下一个聚类中心；

步骤S2.4：重复步骤S2.2～步骤S2.3，直到选择出K个初始聚类中心结束选取聚类中心。

8.根据权利要求6所述的经过预处理优化的图像颜色分类方法，其特征在于：所述步骤S3中对K个初始聚类中心进行迭代更新，直到每个聚类中心的范数变化范围小于等于设定的聚类阈值时结束迭代得到K个聚类组，具体过程为：步骤S3.1：计算除聚类中心外的RGB三维向量到K个聚类中心的距离，并将除聚类中心外的RGB三维向量归属到距离最近的那个聚类中心的组内；

步骤S3.2计算每个聚类组内所有RGB三维向量的向量和，并将此时计算得到的向量和作为新的聚类中心；

步骤S3.3：重复步骤S3.1～步骤S3.2，直到聚类中心的范数变化范围小于等于设定的聚类阈值时结束迭代更新，得到K个聚类组。