1.一种Gabor小波域copula模型图像分类方法，其特征在于该方法有如下步骤：步骤1，用Gabor小波将图像Iq分解为5尺度8方向的子带图像，并计算其幅度系数和相角系数，分别表示为 和 此步骤得到40个幅度子带和40个相角子带；

步骤2，在Gabor小波幅度子带上建立copula模型，即计算copula函数的相关矩阵，表示为

步骤2.1,用单变量Weibull分布函数分别拟合第i个Gabor小波幅度子带RM,i，对每一个RM,i进行拉直为一维向量，然后用最大似然法估计Weibull概率密度函数的参数α和β，Weibull概率密度函数如下：

其中，α和β分别是形状参数和尺度参数；

步骤2.2，根据步骤2.1估算的α和β，计算对应的样本点Weibull的累积分布函数的值，即：

其中x为样本点，即Gabor小波幅度子带系数；

步骤2.3，计算高斯copula输入数据ξi，ξi为列向量，是高斯copula的输入数据，其长度‑1 ‑1

与Gabor小波拉直后的长度一样；根据2.2步骤计算的uM,i来计算ξi＝Φ (uM,i)，Φ (·)是正态分布逆函数；

步骤2.4，重复步骤2.1‑2.3得到高斯copula输入ξ＝[ξ1,…,ξ40]；

步骤2.5，计算幅度子带对应的高斯copula相关矩阵 根据步骤2.4的得到的ξ＝[ξ1,…,ξ40]，用最大似然法来计算高斯copula函数的参数R，即计算如下表达式：其中N是幅度子带中系数的个数，这样得到一个大小为40×40的相关矩阵步骤3，在Gabor小波相角子带上建立copula模型，即计算copula模型的相关矩阵，表示为

步骤3.1，用正态分布概率密度函数拟合Gabor小波的第i个相角子带相关矩阵 对每一个 进行拉直为一维向量，然后用最大似然法估计正态分布密度函数的参数均值μ和标准差σ；正态分布密度函数表示如下：步骤3.2，根据步骤2.1估算的μ和σ计算对应的样本点正态分布的累积分布函数的值，即：

其中x为样本点，erf(·)是误差函数，也是Gabor小波相角子带系数；

步骤3.3，计算高斯copula输入数据ξi，具体实现与步骤2.3相同；

步骤3.4，重复步骤3.1‑3.3得到高斯copula输入ξ＝[ξ1,…,ξ40]；

步骤3.5，计算相角子带对应的高斯copula相关矩阵 具体实现与步骤2.5相同；

步骤4，图像分类，设被查询图像为Iq其类别未知，其对应的特征为 和 数据库中已知类别的图像为Ik，对应的特征为 和 M是数据库中图像的个数；对图像Iq进行分类时，需要计算Iq和数据库中的图像Ik特征之间的相似程度，并选取与之相似度最高，即黎曼距离最小的图像的类别为Iq的类别；用下面的公式计算查询图像Iq和已知类别的图像Ik之间的黎曼距离d(Iq,Ik)：其中a为0到1之间系数，根据实验设置a＝0.8；RD(R1,R2)是两个实对称矩阵之间的黎曼距离，表示为： 其中λi(R1,R2)是R1和R2的泛化特征值，d是泛化特征个数，ln是自然对数操作。