1.一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，包括步骤：S1、随机将数据集样本X中的N张图片作为训练集样本，数据集样本X中的其余图片作为测试集样本；

S2、读取数据集样本X，对训练集样本以及测试集样本进行特征提取，以得到训练集样本的特征向量Y、标签矩阵H1，以及得到测试集样本的特征向量ytest；

S3、计算训练集样本字典学习目标模型所需的初始映射函数F0，以将训练集样本的原始特征转移到高维空间，使标签矩阵H1中不同类别间的点相距预设距离；

S4、初始化训练集样本字典学习中的学习字典D和稀疏表示矩阵S；

S5、利用初始学习字典D0、初始映射函数F0、初始稀疏表示矩阵S0进行判别字典学习，以获取更新后的矩阵，并输出相应的更新后的学习字典Dlen；

S6、根据学习字典Dlen以及测试集样本的特征向量ytest，并利用kNN分类器来确认测试集样本标签；

步骤S4中具体包括：随机生成训练集样本字典学习中的学习字典D和稀疏表示矩阵S，并对其进行初始化，初始化结果为：n×N

其中，M矩阵中的元素mij＝si‑sj，si表示稀疏表示矩阵S＝[s1...si...sj...sN]∈R 的n×N第i列，sj表示稀疏表示矩阵S＝[s1...si...sj...sN]∈R 的第j列，λ和β为约束系数，D0表示初始学习字典，S0表示初始稀疏表示矩阵。

2.根据权利要求1所述的一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，步骤S2中，在Matlab中读取数据集样本X，通过灰度共生矩阵、梯度方向直方图和局部二值模式对训练集样本以及测试集样本进行特征提取。

3.根据权利要求1所述的一种基于类间模糊抑制的判别字典学习纺织图像分类方法，n×N其特征在于，步骤S2中，训练集样本的特征向量Y＝[y1...yi...yN]∈R ，标签矩阵H1的每p×N T一列都是一个向量，表示为H1＝[h1...hi...hN]∈R ：hi＝[0,0,1,…,0,0,0] ，其中非零元素所在位置即表示类；

其中，yi表示训练集样本中的第i个样本的特征向量，n表示维数，R表示实数集；hi表示训练集样本中第i个样本的的标签，p为样本总类数，T表示转置。

4.根据权利要求3所述的一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，步骤S3中，根据核函数F以及训练集样本的特征向量Y生成初始映射函数F0，核函数F为正则化拉普拉斯矩阵、线性核函数、多项式核函数、高斯核函数、Sigmoid核函数中的一种。

5.根据权利要求1所述的一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，步骤S5中判别字典学习具体包括以下步骤：S5.1、固定初始学习字典D0和初始映射函数F0的值，对初始稀疏表示矩阵S0进行迭代更新，迭代更新的公式为：其中，I表示单位矩阵， 表示迭代更新后初始稀疏表示矩阵S0的第i列，scj表示初始稀疏表示矩阵S0的第j列，Fci表示初始映射函数F0的第i列；

S5.2、固定步骤S5.1中迭代更新后获取的稀疏表示矩阵 的值，对初始学习字典D0进行迭代更新，迭代更新的公式为：其中， 表示迭代更新后的初始学习字典D0，τ为系数，且τ的取值使 为非奇异矩阵；

S5.3、固定步骤S5.1中迭代更新后获取的稀疏表示矩阵 的值，对初始映射函数F0进行迭代更新，迭代更新的公式为：其中 表示迭代更新后的初始映射函数F0的第i列， 表示迭代更新后初始稀疏表示矩阵S0的第j列。

6.根据权利要求5所述的一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，步骤S5.3之后还包括步骤：S5.4、使用l2范数求得训练集样本的重建残差： sci表示初始稀疏表示矩阵S0的第i列；

S5.5、令ε＝[ε(y1)...ε(yi)...ε(yN)]判断ε中的最小值的值是否符合εmin＞ε0，若符合，则将迭代更新后得到 的值相应更新至S0、D0、F0并重新执行步骤S5.1、S5.2、S5.3，若不符合，则输出最终更新得到的学习字典Dlen，其中ε0为预设的可接受误差的最大值。

7.根据权利要求6所述的一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，步骤S6具体包括：根据得到的学习字典Dlen以及测试集样本的特征向量ytest，通过求解岭回归得到测试集样本的稀疏表示矩阵 将测试样本的稀疏表示矩阵 通过kNN分类器估计测试集样本的标签。

8.根据权利要求7所述的一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，步骤S2中，还包括对测试集样本进行特征提取，以得到测试集样本的标签矩阵H2。

9.根据权利要求8所述的一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，步骤S6之后还包括步骤：S7、将利用kNN分类器确认得到的测试集样本标签与标签矩阵H2进行对比，以得到分类结果的准确度。