1.一种多特征融合的织物扫描图案识别方法，包括如下步骤：

(1)对图像库中的样本图像依次进行纹理抑制快速平滑滤波以及灰度化的预处理操作；

(2)对预处理后的样本图像进行特征提取，提取样本图像的主颜色自相关直方图、边缘梯度方向直方图、MSER特征和灰度共生矩阵特征；

(3)对于图像库中任一对样本图像组合，计算这对样本图像之间的主颜色自相关直方图相似度、边缘梯度方向直方图相似度、MSER特征相似度以及灰度共生矩阵特征相似度，并将这四个相似度进行归一化处理后组成训练样本；依此遍历图像库中所有样本图像组合以得到多个训练样本；

(4)基于所有训练样本采用AdaBoost算法进行训练，以构建得到关于多类图像的AdaBoost分类器；

(5)对于待识别织物图像，根据步骤(1)至(3)计算其与图像库中每一样本图像之间的主颜色自相关直方图相似度、边缘梯度方向直方图相似度、MSER特征相似度以及灰度共生矩阵特征相似度，并将求得的这些相似度组成特征向量输入所述的AdaBoost分类器，从而识别出待识别织物图像具体属于哪一类图像。

2.根据权利要求1所述的织物扫描图案识别方法，其特征在于：所述的步骤(1)中对样本图像进行纹理抑制快速平滑滤波的具体过程如下：

1.1对于样本图像中的任一像素点s，通过以下公式计算像素点s的邻域像素梯度函数h(ds')：其中：σh为设定的高斯分布参数，th为邻域梯度阈值，Ω为由像素点s周围八个像素点所组成的像素集合，p表示像素集合Ω中的任一像素点，Lp和Ls分别为像素点p和s在Lab颜色空间下对应L通道的颜色分量值；

1.2对于像素点s在Lab颜色空间下对应L通道的颜色分量值Ls，根据所述的邻域像素梯度函数h(ds')通过以下迭代方程进行分片迭代，以计算得到滤波后的颜色分量值Ls'；

Zj＝Zj-1+Jj×N Ls'＝ZN

Gj＝Kj×Ls Kj＝Hj×h(ds')

Ij＝Lmin+j×(Lmax-Lmin)/N

其中：N为分片数且为大于1的自然数，j为自然数且1≤j≤N，Lmin和Lmax分别为样本图像所有像素点在Lab颜色空间下对应L通道的最小颜色分量值和最大颜色分量值，σg为设定的高斯分布参数，Zj、Kj、Jj、Gj、Hj和Ij均为对应第j次迭代的中间变量，Zj-1和ZN分别对应为中间变量Zj前一次迭代以及第N次迭代的结果，〈Gj〉和〈Kj〉分别对应为中间变量Gj和Kj高斯卷积后的结果；

1.3根据步骤1.2遍历像素点s在Lab颜色空间下对应a通道和b通道的颜色分量值as和bs，以得到滤波后的颜色分量值as'和bs'；

1.4根据步骤1.1～1.3遍历样本图像中的所有像素点，以完成对样本图像的纹理抑制快速平滑滤波。

3.根据权利要求1所述的织物扫描图案识别方法，其特征在于：所述的步骤(2)中提取样本图像主颜色自相关直方图的具体过程如下：

2.1对Lab颜色空间分两组进行量化；一组量化标准为：将L通道的颜色分量值平均分成四个区间即[0,25)、[25,50)、[50,75)、[75,100]，将a通道和b通道的颜色分量值平均分成八个区间即[-128,-96)、[-96,-64)、[-64,-32)、[-32,0)、[0,32)、[32,64)、[64,96)、[96,

128]，使得像素点具有256种颜色；另一组量化标准为：将L通道的颜色分量值平均分成四个区间即[0,38)、[38,63)、[63,88)、[88,100]，将a通道和b通道的颜色分量值平均分成八个区间即[-128,-80)、[-80,-48)、[-48,-16)、[-16,16)、[16,48)、[48,80)、[80,112)、[112,

128]，使得像素点具有256种颜色；

2.2将预处理后的样本图像分别按步骤2.1所述的两组量化方案进行量化，对应得到两张量化图像；

2.3对于量化图像中的任一种颜色，通过以下方法计算该颜色的颜色相关值，进而遍历

256种颜色；

首先，对于量化图像中任一属于颜色c的像素点，统计以该像素点为中心边长为dis的正方形区域的区域边缘像素点数，dis为设定的距离阈值；依此遍历量化图像中所有属于颜色c的像素点，并将这些像素点的区域边缘像素点数累加，记累加后的点数为M1；

然后，对于量化图像中任一属于颜色c的像素点，统计其区域边缘像素点集合中同属于颜色c的像素点个数作为自相关像素点数；依此遍历量化图像中所有属于颜色c的像素点，并将这些像素点的自相关像素点数累加，记累加后的点数为M2；

最后，根据公式a(c)＝M2/M1计算得到颜色c的颜色相关值a(c)；

2.4使量化图像中各种颜色按颜色相关值从大到小排序，取前8种颜色的颜色相关值组成特征矢量；对于步骤2.2中所述的两张量化图像，使这两张量化图像对应的两组特征矢量即作为样本图像的主颜色自相关直方图。

4.根据权利要求1所述的织物扫描图案识别方法，其特征在于：所述的步骤(2)中提取样本图像边缘梯度方向直方图的具体过程如下：首先，利用Sobel算子对预处理后的样本图像进行边缘检测，以检测出样本图像中的边缘像素点；

然后，计算样本图像中每一边缘像素点的梯度方向，并将梯度方向从小到大量化成16个等级；

最后，统计所有边缘像素点的梯度方向分别落在这16个等级上的个数，从而得到样本图像的边缘梯度方向直方图。

5.根据权利要求1所述的织物扫描图案识别方法，其特征在于：所述的步骤(2)中提取样本图像MSER特征的具体过程为：首先，对样本图像进行MSER检测，以检测出样本图像中的MSER；然后，提取各MSER的SURF矢量组成作为样本图像的MSER特征。

6.根据权利要求1所述的织物扫描图案识别方法，其特征在于：所述样本图像的灰度共生矩阵特征采用由能量、熵、惯性矩、局部平稳性这四种特征所组成的特征矢量来表示。

7.根据权利要求3所述的织物扫描图案识别方法，其特征在于：所述的步骤(3)中基于以下算式计算任一对样本图像之间的主颜色自相关直方图相似度：其中：u和v均表示样本图像， 为样本图像u主颜色自相关直方图的第1组特征矢量中的第m个元素值， 为样本图像u主颜色自相关直方图的第2组特征矢量中的第m个元素值， 为样本图像v主颜色自相关直方图的第1组特征矢量中的第m个元素值， 为样本图像v主颜色自相关直方图的第2组特征矢量中的第m个元素值，z(u,v)为样本图像u和v之间的主颜色自相关直方图相似度。

8.根据权利要求4所述的织物扫描图案识别方法，其特征在于：所述的步骤(3)中基于以下算式计算任一对样本图像之间的边缘梯度方向直方图相似度：其中：u和v均表示样本图像，Hu(n)为样本图像u的边缘梯度方向直方图中梯度方向落在第n级上的边缘像素点个数，Hv(n)为样本图像v的边缘梯度方向直方图中梯度方向落在第n级上的边缘像素点个数，d(u,v)为样本图像u和v之间的边缘梯度方向直方图相似度。

9.根据权利要求5所述的织物扫描图案识别方法，其特征在于：所述的步骤(3)中计算任一对样本图像之间MSER特征相似度的具体过程为：首先，分别从两张样本图像中任取两个MSER，计算这两个MSER关于SURF矢量的欧氏距离，若求得的欧氏距离小于阈值，则表示这两个MSER特征匹配；最后，依此遍历各种MSER组合，根据两张样本图像之间特征匹配的MSER对数来表示这对样本图像之间的MSER特征相似度。

10.根据权利要求6所述的织物扫描图案识别方法，其特征在于：所述的步骤(3)中对于任一对样本图像之间的灰度共生矩阵特征相似度，即通过计算两张样本图像关于由能量、熵、惯性矩、局部平稳性这四种特征所组成特征矢量之间的欧氏距离得到。