1.基于数据处理的建筑板材分类方法，其特征在于，该方法包括以下步骤：采集建筑板材的表面图像，并获取表面图像的灰度图像；

获取所述灰度图像的二值图像，通过像素点的分布情况自适应获取形态学结构元的类型，对二值图像进行腐蚀去噪，得到去噪图像，利用去噪图像的像素点构建行和曲线和列和曲线，通过行和曲线和列和曲线获取纹理类型概率；

通过设置多个概率阈值对纹理类型概率进行分段，得到多段概率区间，每段概率区间对应建筑板材的一个类别；

所述利用去噪图像的像素点构建行和曲线和列和曲线，包括：

将去噪图像中第一列像素点的像素值进行累加，得到列和序列中的第一个列序列值，将图像中第二列像素点的值进行累加，得到列和序列中的第二个序列值，直至将所有列的像素点的值进行累加后停止，得到列和序列，将列和序列构建为列和曲线；

将去噪图像中第一行像素点的像素值进行累加，得到行和序列中的第一个行序列值，将图像中第二行像素点的值进行累加，得到行和序列中的第二个行序列值，直至将所有行的像素点的值进行累加后停止，得到行和序列，将行和序列构建为行和曲线；

所述通过行和曲线和列和曲线获取纹理类型概率，包括：

根据行和序列中的序列值获取每条行和曲线的波动程度，所有行和曲线的波动程度组成行波动程度序列；根据行和曲线中的峰值获取每条行和曲线的周期性，所有行和曲线的周期性组成行周期性序列；

根据列和序列中的序列值获取每条列和曲线的波动程度，所有列和曲线的波动程度组成列波动程度序列；根据列和曲线中的峰值获取每条列和曲线的周期性，所有列和曲线的周期性组成列周期性序列；

通过对波动程度序列和周期性序列进行线性拟合得到序列的离散程度，所述离散程度即为所述纹理类型概率；

所述形态学结构元为线性结构元，所述形态学结构元的类型是指方向不同的线性结构元；

所述行波动程度序列、行周期性序列、列波动程度序列以及列周期性序列的获取方法为：获取不同大小线性结构元处理所述二值图像后的行和曲线以及列和曲线，利用每条行和曲线的波动程度组成所述行波动程度序列，利用每条行和曲线的周期性组成所述行周期性序列，利用每条列和曲线的波动程度组成所述列波动程度序列，利用每条列和曲线的周期性组成所述列周期性序列；

所述列和曲线的波动程度为：

式中f表示列和曲线波动程度, 表示超参数，c表示列数，表示列和曲线中第j个点的序列值，表示列和曲线中所有点的序列值均值；

所述行和曲线的波动程度与所述列和曲线的波动程度的计算方法同理；

所述周期性的获取方法为：

通过峰值点检测方法获取曲线的局部极大值点，获取曲线中所有峰值点的峰值序列，获取峰值序列的差值序列 ，然后计算曲线的周期性：式中h表示曲线周期性，z表示峰值点个数， 表示峰值点的差值， 表示峰值点的差值均值；

所述序列的离散程度的获取方法为：

获取不同大小线性结构元处理后的行和曲线以及列和曲线的波动程度序列和周期性序列，波动程度序列： ，周期性序列： ，通过最小二乘法对序列进行线性拟合，计算序列数据点与拟合直线的距离，计算数据点的离散程度，即：式中T表示数据点的离散程度也即所述序列的离散程度，u表示结构元处理次数，表示序列坐标点的坐标信息， 表示距离序列坐标点最近的拟合直线上的坐标信息。

2.根据权利要求1所述的基于数据处理的建筑板材分类方法，其特征在于，所述二值图像的获取方法为：采用自适应阈值分割的方法对所述灰度图像进行分割，对灰度图像中所有像素点的灰度值依据自适应阈值赋值，得到对应的二值图像。

3.根据权利要求1所述的基于数据处理的建筑板材分类方法，其特征在于，所述通过像素点的分布情况自适应获取形态学结构元的类型，包括：在所述二值图像中获取目标像素点的连通域，采用骨架提取算法提取连通域骨架，获取骨架的主方向，选取所有主方向的众数作为最终方向，基于所述最终方向选取对应的结构元。

4.根据权利要求3所述的基于数据处理的建筑板材分类方法，其特征在于，所述骨架的主方向的获取方法为：采用最小二乘法对骨架中的像素点进行拟合，获取拟合直线，对于获取到的直线方程与水平轴的夹角即为骨架的主方向。

5.根据权利要求3所述的基于数据处理的建筑板材分类方法，其特征在于，所述最终方向选取之前，还包括：基于骨架中的像素点数量筛除小面积连通域。