1.基于特征抽取的木材表面缺陷识别办法，其特征在于，该办法包括以下步骤：采集任意一个木材表面的图像，进行灰度化处理，得到木材灰度图像；根据木材灰度图像中的边缘线和直线段，得到疑似缺陷边缘线；

根据所有疑似缺陷边缘线上像素点之间的距离大小，得到每条疑似缺陷边缘线上每个像素点的最近距离；根据每条疑似缺陷边缘线上每个像素点与其八邻域上像素点的灰度值，得到每条疑似缺陷边缘线上每个像素点的离散参数；根据所有疑似缺陷边缘线上所有像素点的离散参数和最近距离，得到每条疑似缺陷边缘线上每个像素点的边缘集中性；

在每条疑似缺陷边缘线上，根据所有像素点的边缘集中性的差异，得到每条疑似缺陷边缘线的缺陷可能性；

根据所有疑似缺陷边缘线的缺陷可能性，判断所述木材表面是否存在缺陷。

2.根据权利要求1所述基于特征抽取的木材表面缺陷识别办法，其特征在于，所述根据木材灰度图像中的边缘线和直线段，得到疑似缺陷边缘线，包括的具体步骤如下：使用Canny边缘检测算法，得到木材灰度图像中的若干条边缘线；

使用霍夫直线检测算法，得到木材灰度图像中的直线段；将木材灰度图像中的直线段上的像素点，记为直像素点；

根据每条边缘线上直像素点的数量，得到每条边缘线的笔直度；

根据所有边缘线的笔直度，得到疑似缺陷边缘线。

3.根据权利要求2所述基于特征抽取的木材表面缺陷识别办法，其特征在于，所述根据每条边缘线上直像素点的数量，得到每条边缘线的笔直度，包括的具体步骤如下：将任意一条边缘线，记为目标线；

统计目标线上的直像素点数量，将所述直像素点数量除以目标线上的像素点数量，记为目标线的笔直度。

4.根据权利要求2所述基于特征抽取的木材表面缺陷识别办法，其特征在于，所述根据所有边缘线的笔直度，得到疑似缺陷边缘线，包括的具体步骤如下：将笔直度小于预设的笔直阈值的边缘线，记为疑似缺陷边缘线。

5.根据权利要求1所述基于特征抽取的木材表面缺陷识别办法，其特征在于，所述根据所有疑似缺陷边缘线上像素点之间的距离大小，得到每条疑似缺陷边缘线上每个像素点的最近距离，包括的具体步骤如下：将任意一条疑似缺陷边缘线，记为主体线；将不是主体线的其它疑似缺陷边缘线，记为参考线；

将主体线上任意一个像素点，记为目标点；将所有参考线上的所有像素点，记为参考点；

将目标点分别与所有参考点之间的距离中的最小值，记为目标点的最近距离。

6.根据权利要求5所述基于特征抽取的木材表面缺陷识别办法，其特征在于，所述根据每条疑似缺陷边缘线上每个像素点与其八邻域上像素点的灰度值，得到每条疑似缺陷边缘线上每个像素点的离散参数，包括的具体步骤如下：将目标点与目标点八邻域上所有像素点的灰度值的方差，记为目标点的离散参数。

7.根据权利要求5所述基于特征抽取的木材表面缺陷识别办法，其特征在于，所述根据所有疑似缺陷边缘线上所有像素点的离散参数和最近距离，得到每条疑似缺陷边缘线上每个像素点的边缘集中性对应的具体计算公式为：其中R为目标点的边缘集中性， 为所有疑似缺陷边缘线上所有像素点的离散参数中的最大值， 为所有疑似缺陷边缘线上所有像素点的离散参数中的最小值，为目标点的离散参数，L为目标点的最近距离， 为所有疑似缺陷边缘线上所有像素点的最近距离中的最大值， 为以自然常数为底的指数函数， 为以2为底的对数。

8.根据权利要求5所述基于特征抽取的木材表面缺陷识别办法，其特征在于，所述在每条疑似缺陷边缘线上，根据所有像素点的边缘集中性的差异，得到每条疑似缺陷边缘线的缺陷可能性，包括的具体步骤如下：在主体线上选取任意两个相邻像素点，将所述两个相邻像素点的边缘集中性的差值的绝对值，记为所述两个相邻像素点的第一差异；

将主体线上所有相邻像素点的第一差异的均值，记为主体线的相邻差异；

在主体线上选取任意两个像素点，将所述任意两个像素点的边缘集中性的差值的绝对值，记为所述任意两个像素点的第二差异；

将主体线上所有像素点的第二差异的均值，记为主体线的任意差异；

根据主体线的相邻差异和任意差异，得到主体线的缺陷可能性。

9.根据权利要求8所述基于特征抽取的木材表面缺陷识别办法，其特征在于，所述根据主体线的相邻差异和任意差异，得到主体线的缺陷可能性对应的具体计算公式为：其中P为主体线的缺陷可能性， 为主体线的相邻差异，D为主体线的任意差异，为线性归一化函数。

10.根据权利要求1所述基于特征抽取的木材表面缺陷识别办法，其特征在于，所述根据所有疑似缺陷边缘线的缺陷可能性，判断所述木材表面是否存在缺陷，包括的具体步骤如下：将缺陷可能性大于预设的判断阈值的疑似缺陷边缘线，记为缺陷边缘线；

当木材灰度图像中存在缺陷边缘线时，判断所述木材表面存在缺陷；

当木材灰度图像中不存在缺陷边缘线时，判断所述木材表面不存在缺陷。