1.一种织物瑕疵检测方法，其特征是采用非线性灰度共生矩阵GLCM作为特征描述织物纹理，所述方法包括非线性映射函数求取、最优参数学习和瑕疵检测三个步骤：非线性映射函数求取阶段，采用直方图均衡化算法，获得无瑕疵织物图像的非线性映射函数；在学习阶段，计算无瑕疵织物图像在不同方向尺度参数下的非线性GLCM特征向量相似性距离分布，通过最小方差原则选择最优尺度和方向参数，并获得参考非线性GLCM特征向量和自适应的二值化阈值；在检测阶段，对待检测织物图像采用最优尺度方向参数进行非线性GLCM特征提取，并与参考特征向量匹配来定位瑕疵区域；具体步骤如下：

1)非线性映射函数求取：对无瑕疵图像A，采用直方图均衡化算法，获得非线性映射函数T，在函数T作用下，图像A的直方图分布变为均匀分布；

2)最优参数学习：对大小为W*H的图像A中每一像素(x,y)，以(x,y)为中心，提取大小为dw*dh的图像块B，计算图像块B在参数Psd＝[2s*cos(d*π/D),2s*sin(d*π/D)]下的非线性dGLCM特征向量Vs(x,y)，其中s、d为整数，且1≤s≤S，1≤d≤D，S、D为用户自定义的尺度范围和方向数；计算Vsd(x,y)的均值作为参考特征向量Rsd，计算Vsd(x,y)与参考特征向量Rsd的相似性距离Γsd(x,y)，计算Γsd(x,y)的均方差σsd作为最优尺度方向参数的评价标准，选取均方差σsd最小时的尺度s和方向参数d作为最优尺度sop和最优方向dop，同时以所述最优尺度方向参数下的参考特征向量Rsd作为瑕疵检测步骤中的参考特征向量Rsopdop，并利用该最优尺度方向参数下的Γsd(x,y)的均方差σsd和均值μsd构建瑕疵检测步骤中的自适应二值化阈值THΓ；

3)瑕疵检测：对待检测图像的每个像素(x,y)，选择以该像素为中心的dw*dh的图像块，计算其在最优参数Psopdop＝[2sop*cos(dop*π/D),2sop*sin(dop*π/D)]下的非线性GLCM特征向量V(x,y)，计算V(x,y)与Rsopdop之间的特征向量相似性距离，获得相似性距离分布图，通过阈值THΓ对相似性距离分布图二值化，定位瑕疵区域。

2.根据权利要求1所述的一种织物瑕疵检测方法，其特征是步骤1)中的非线性映射函数T的求取方法为：其中，floor()函数表示取整，k为映射前的图像灰度值，rk为映射后与k对应的图像灰度值，rk、k均为整数，且0≤rk≤255，0≤k≤255，nh为映射前图像A中灰度为h的像素的数目，n为图像A总的像素数目。

3.根据权利要求1所述的一种织物瑕疵检测方法，其特征是步骤2)中获得非线性GLCM特征向量Vsd(x,y)方法为：i.利用非线性映射函数T对图像块B进行灰度映射；

ii.将映射后的图像块B的灰度线性量化为N级，创建N*N的矩阵G，G矩阵中坐标(i,j)处的数值为图像块B中空间相对位置为[Psd(1),Psd(2)]且量化灰度为(i,j)的像素对的数目，即其中，num()函数表示求取集合Set的元素数目，u、v为图像块B中的像素坐标；

iii.求取归一化的GLCM矩阵：

将矩阵Gn所有的列首尾相接变为向量形式Vsd(x,y)。

4.根据权利要求1所述的一种织物瑕疵检测方法，其特征是步骤2)中参考特征向量Rsd、相似性距离Γsd(x,y)、Γsd(x,y)的均方差σsd和均值μsd的求取方法分别为：Γsd(x,y)＝||Vsd(x,y)-Rsd||     (5)

5.根据权利要求1所述的一种织物瑕疵检测方法，其特征是步骤2)中自适应二值化阈值THΓ计算方法为：THΓ＝μsopdop+5×σsopdop。

6.根据权利要求1所述的一种织物瑕疵检测方法，其特征是步骤3)具体为：

a)对待检测图像的每个像素(x,y)构建非线性GLCM特征向量，选择以该像素为中心的dw*dh的图像块，计算其在最优参数Psopdop＝[2sop*cos(dop*π/D),2sop*sin(dop*π/D)]下的非d线性GLCM特征向量V(x,y)，该特征向量生成方法与最优参数学习阶段特征向量Vs(x,y)的生成方法一致；

b)计算V(x,y)与Rsopdop之间的特征向量相似性距离Γ(x,y)＝||V(x,y)-Rsopdop||，获得相似性距离分布图；

c)根据阈值THΓ对相似性距离分布图二值化，定位瑕疵区域。