1.一种基于改进的LDA‑GSVD织物图像瑕疵分类方法，其特征是包括以下步骤：S1、从织物图像中随机抽取N张进行特征提取，得到特征矩阵X，标签矩阵H；

S2、将特征矩阵X随机分为带标签的训练样本Xtrain和带标签的测试样本Xtest；

S3、利用类间离散权系数Wj,q’和类内紧凑权系数αj，计算增加局部几何信息后的类内散射矩阵SW和类间散射矩阵SB；

S4、利用重新定义得到的 和 得到GSVD所需的 和 的矩阵对；

S5、通过改进后的线性判别分析模型得到最优的投影矩阵W，将测试样本Xtest通过投影矩阵W到新的子空间得到Y，并利用KNN分类器确认测试集样本标签。

2.根据权利要求1所述的一种基于改进的LDA‑GSVD织物图像瑕疵分类方法，其特征在于，步骤S1中，在MATLAB中制作织物图像数据集，通过灰度共生矩阵、梯度方向直方图对N张织物图像进行特征提取，得到N×n的特征矩阵X，并制作N×1的标签矩阵H。

3.根据权利要求1或2所述的一种基于改进的LDA‑GSVD织物图像瑕疵分类方法，其特征在于，步骤S2中，训练样本Xtrain＝{(x1,y1)；(x2,y2)K(xm,ym)}，xi为1×n维向量，共m个样本；

k为类别数，yi∈{1,2...k}， 为第j类样本的集，Nj(j＝1,

2...k)为第j类样本的个数。

4.根据权利要求3所述的一种基于改进的LDA‑GSVD织物图像瑕疵分类方法，其特征在于，步骤S3中αj和 具体包括：S3.1、设xj，p和xj，m为第j类样本的第p个样本和第m个样本，定义类内聚合度为Q{j}，表示为：

S3.2、Nj已知为第j类的样本数量，共k类；将k类的类内聚合度定义为：S3.3、将k类的类内聚度均值作为准则，判别标准为 设类内紧凑权系数为αj，αi的通过判断Q{j}和mean的大小来决定，即:S3.4、加入类内紧凑权系数得到改进后的类内散射矩阵步骤S3中Wj,q’和 具体包括：S3.5、利用Wj,q表示类j和类q之间的相似性，相似度越大说明类间差异越小，依据相似度公式：

第j类的样本均值可以用 表示， uj和uq都为1×m的矩阵；σ为自定义参数；

k×k

S3.6、施加一个判别标准来确定不同类之间的离散权系数， G∈R ，Wmean为相似度矩阵G的整体均值：

Wj,q’＝Wmean，Wj,q≥Wmean；Wj,q’＝Wj,q，Wj,q＜WmeanS3.7、加入类间离散权系数得到改进后的类间散射矩阵

5.根据权利要求4所述的一种基于改进的LDA‑GSVD织物图像瑕疵分类方法，其特征在于，步骤S4具体包括，

S4.1、通过步骤S3得到的 和 表示成 以及S4.2、根据GSVD所需的矩阵对 对该矩阵对进行奇异值分解T

S4.3、从M(1:k,1:t)的SVD分解中M(1:k,1:t)＝U∑AL，求出L；

S4.4、计算

n×(k‑1)

S4.5、取Z的前k‑1列记为W∈R ，W即所求的投影矩阵。

6.根据权利要求5所述的一种基于改进的LDA‑GSVD织物图像瑕疵分类方法，其特征在于，步骤S5中，根据步骤S4得到的投影矩阵W，将测试样本Xtest投影到新的子空间，即Y＝Xtest×W，将投影到子空间的Y通过KNN分类器估计测试集样本的标签与测试集的真实标签进行对比，得到分类结果的准确度。

7.一种基于改进的LDA‑GSVD织物图像瑕疵分类系统，其特征是包括以下模块：织物图像特征提取模块，从织物图像中随机抽取N张进行特征提取，得到特征矩阵X，标签矩阵H；

样本分类模块，将特征矩阵X随机分为带标签的训练样本Xtrain和带标签的测试样本Xtest；

重新定义模块，利用类间离散权系数Wj,q’和类内紧凑权系数αj，计算增加局部几何信息后的类内散射矩阵SW和类间散射矩阵SB；

计算模块，利用重新定义的 和 得到GSVD所需的 和 的矩阵对；

输出模块，通过改进后的线性判别分析模型得到最优的投影矩阵W，将测试样本Xtest通过投影矩阵W到新的子空间得到Y，并利用KNN分类器确认测试集样本标签。

8.根据权利要求7所述的一种基于改进的LDA‑GSVD织物图像瑕疵分类系统，其特征在于，织物图像特征提取模块中，在MATLAB中制作织物图像数据集，通过灰度共生矩阵、梯度方向直方图对N张织物图像进行特征提取，得到N×n的特征矩阵X，并制作N×1的标签矩阵H。

9.根据权利要求7或8所述的一种基于改进的LDA‑GSVD织物图像瑕疵分类系统，其特征在于，样本分类模块中，训练样本Xtrain＝{(x1,y1)；(x2,y2)K(xm,ym)}，xi为1×n维向量，共m个样本；k为类别数，yi∈{1,2...k}， 为第j类样本的集，Nj(j＝

1,2...k)为第j类样本的个数。

10.根据权利要求9所述的一种基于改进的LDA‑GSVD织物图像瑕疵分类系统，其特征在于，重新定义模块中αj和 具体包括：设xj，p和xj，m为第j类样本的第p个样本和第m个样本，定义类内聚合度为Q{j}，表示为：Nj已知为第j类的样本数量，共k类；将k类的类内聚合度定义为：将k类的类内聚度均值作为准则，判别标准为 设类内紧凑权系数为αj，αi的通过判断Q{j}和mean的大小来决定，即:加入类内紧凑权系数得到改进后的类内散射矩阵重新定义模块中Wj,q’和 具体包括：利用Wj,q表示类j和类q之间的相似性，相似度越大说明类间差异越小，依据相似度公式：

第j类的样本均值可以用 表示， uj和uq都为1×m的矩阵；σ为自定义参数；

k×k

施加一个判别标准来确定不同类之间的离散权系数， G∈R ，Wmean为相似度矩阵G的整体均值：

Wj,q’＝Wmean，Wj,q≥Wmean；Wj,q’＝Wj,q，Wj,q＜Wmean加入类间离散权系数得到改进后的类间散射矩阵