1.一种图像纹理背景自动分割方法，其特征在于，包括：S1：获取待处理的原始图像；

S2：对原始图像进行高斯滤波预处理，去除场景噪声获得去噪图像；

S3：将去噪图像从RGB颜色空间转换到LAB色彩空间，获得纹理图像；

S4：基于均值聚类算法对纹理图像进行预聚类，建立聚类中心的距离相关矩阵，确定自适应聚类数；

S5：对原始图像和纹理图像进行处理获得绝对值梯度图像和灰度边缘梯度图像，基于绝对值梯度图像和灰度边缘梯度图像构建拉普拉斯矩阵，计算其特征向量，构建特征向量矩阵；

S6：构建加权距离度量公式计算特征向量之间的相似度；

S7：将特征向量矩阵作为数据输入，自适应聚类数作为类别数目，根据相似度再次进行均值聚类，获得原始图像对应的分割蒙版；

S8：根据灰度边缘梯度图像和分割蒙版，与原始图像进行对比，获得纹理背景区域；

所述步骤S5具体包括：

S501：计算原始图像的绝对梯度，与纹理图像做加法运算，获得绝对值梯度图像；

S502：计算原始图像灰度边缘梯度图像；

S503：对原始图像做N个超像素运算，获得超像素蒙版；

S504：按超像素蒙版取均值合并绝对值梯度图像和灰度边缘梯度图像，构建图像特征T矩阵XN×4＝(x1,x2,...,xN) ，其中N表示原始图像超像素的个数；

S505：以图像特征矩阵行信息为单个样本点，构建度矩阵D和邻接矩阵W，其中：D＝diag(di),i＝1,2,...,N， 其中 xj为k近邻方法以xi中心搜索的近邻点，p(xi,xj)为xi和xj最短路径， σ为XN×4的均方误差；

S506：计算拉普拉斯矩阵L＝D‑W，计算拉普拉斯矩阵所有特征向量ξi(i＝1,2,...,N)，构建特征向量矩阵FN＝(ξ1,ξ2,...,ξN)。

2.根据权利要求1所述的图像纹理背景自动分割方法，其特征在于，所述步骤S4具体包括：S401：预设聚类数k＝9，根据均值聚类算法对纹理图像进行预聚类，得到9个聚类中心ci(i＝1,2,...,9)；

S402：计算聚类中心相互之间的马氏距离：‑1

其中Cov 表示中心点ci，cj的坐标向量协方差矩阵；

S403：构建距离相关矩阵A＝(mij)9×9，并计算A的全部特征值λi(i＝1,2,...,9)；

S404：将A的全部特征值进行仿射变换到区间[0,10]，进行四舍五入取整，找出其中互异的特征值数目K，即自适应聚类数。

3.根据权利要求1所述的图像纹理背景自动分割方法，其特征在于，所述步骤S6具体包括：构建加权距离度量公式dw＝τdO+(1‑τ)dM，其中，‑1

Cov 为向量ξi,ξj协方差

矩阵，τ＝0.7为权重；所述dw表示ξi,ξj的相似度。

4.一种基于权利要求1～3任一项所述的一种图像纹理背景自动分割方法的图像纹理背景自动分割装置，其特征在于，包括图像获取模块，用于获取待处理的原始图像；

预处理模块，用于对原始图像进行高斯滤波预处理，去除场景噪声获得去噪图像；

图像转换模块，用于将去噪图像从RGB颜色空间转换到LAB色彩空间，获得纹理图像；

预聚类模块，用于基于均值聚类算法对纹理图像进行预聚类，建立聚类中心的距离相关矩阵，确定自适应聚类数；

图像处理模块，用于对原始图像和纹理图像进行处理获得绝对值梯度图像和灰度边缘梯度图像，基于绝对值梯度图像和灰度边缘梯度图像构建拉普拉斯矩阵，计算其特征向量，构建特征向量矩阵；

相似度计算模块，用于构建加权距离度量公式计算特征向量之间的相似度；

聚类模块，用于将特征向量矩阵作为数据输入，自适应聚类数作为类别数目，根据相似度再次进行均值聚类，获得原始图像对应的分割蒙版；

对比模块，用于根据灰度边缘梯度图像和分割蒙版，与原始图像进行对比，获得图像的纹理背景区域。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1～3任一项所述图像纹理背景自动分割方法的步骤。