1.一种基于积分图算法的织物瑕疵检测方法，其特征是利用积分图算法将任意大小的图像块内的求和运算化简为三次加法运算，以快速提取梯度能量特征用于瑕疵检测，具体为：首先通过对无瑕疵模板进行图像学习，统计其梯度能量特征分布，所得特征分布非对称，采用核函数拟合特征分布，结合均值漂移法提取分布的峰值，再由峰值自适应求取阈值参数，所述阈值参数用于后续瑕疵的区分；然后，对待检测图像，通过积分图算法求取每个像素点所在检测窗口的梯度能量，结合所述阈值参数，判定当前像素点是否疵点，通过统计整幅图像的疵点总数来判定当前图像是否为瑕疵织物；

其中，梯度能量特征的提取方法为：首先求取原始图像F(x,y)的梯度图G(x,y)，再利用积分图算法求取G(x,y)的梯度能量特征图E(x,y)，对任意像素点(x,y)，其能量特征是以点(x,y)为中心的大小为dw*dh的窗口区域内的像素积分。

2.根据权利要求1所述的织物瑕疵检测方法，其特征是利用积分图算法求取G(x,y)的梯度能量特征图E(x,y)的具体步骤为：

1)求取G(x,y)的积分图I(x,y)

I(x,y)＝I(x-1,y)+I(x,y-1)-I(x-1,y-1)+G(x,y)    (1)

2)根据积分图的特性，对任意点(x,y)求取其梯度能量特征图E(x,y)：

3.根据权利要求1或2所述的织物瑕疵检测方法，其特征是具体步骤如下：

1)利用无瑕疵模板图像，训练学习用于瑕疵检测的阈值参数

以无瑕疵织物的图像建立训练集，对各幅图像，获得图像的梯度能量特征图Etrain(x,y)，采用核函数来拟合Etrain(x,y)中的梯度能量分布，获得核密度概率分布P(e)，利用均值漂移法迭代求取核密度概率分布P(e)的极值，获得梯度能量分布的峰值所在位置，记为μ，根据峰值将能量分布分为左右两部，分别计算两部方差σ1、σ2，对训练集中的同一类织物的每幅无瑕疵图像均求取参数μ、σ1、σ2后，再对应取其平均值 作为该类织物的最终瑕疵检测过程中的阈值参数；

2)对每一张待检测图像，获得其梯度能量特征图Etest(x,y)，如果Etest(x,y)满足下式则判定点(x,y)为疵点：其中， 为步骤1)中获得的阈值参数，α为控制系数；

最后统计总疵点数，若大于设定的阈值Td则判定该图有瑕疵。

4.根据权利要求3所述的织物瑕疵检测方法，其特征是核密度概率分布P(e)为：其中，N为无瑕疵图像的像素点总数，{en|n＝1、2、3…N}为无瑕疵图像中每个点的梯度能量数据，b为核函数带宽，c0为归一化系数，k(z)为高斯核轮廓函数，即k(z)＝exp(-z/2)，z≥0。

5.根据权利要求3所述的织物瑕疵检测方法，其特征是阈值参数μ、σ1、σ2的具体计算方法为：

1)设定初始值μ0为当前无瑕疵模板图像的梯度能量均值；

2)令μ1＝m(μ0)+μ0，其中m(μ0)为μ0处的均值漂移量：上式中，N为无瑕疵图像的像素点总数，{en|n＝1、2、3…N}为无瑕疵图像中每个点的梯度能量数据，b为核函数带宽，函数g(z)＝-k’(z)，k(z)为高斯核轮廓函数；

3)若|μ1-μ0|<ε，令参数μ＝μ1，进行下一步，否则令μ0＝μ1并回到上一步进行迭代，ε表示无穷小量；

4)根据式(6)计算阈值参数σ1：

es∈{en|n＝1,2...N}且es≥μ      (6)其中，S为梯度能量分布图峰值右侧的像素点总数；

5)根据式(7)计算阈值参数σ2

ez∈{en|n＝1,2...N}且ez≤μ(7)

其中，Z为梯度能量分布图峰值左侧的像素点总数。