1.一种基于类别约束字典学习模型的织物图像瑕疵检测方法，其特征在于，包括如下步骤：S1、随机将正常和瑕疵两个织物数据集样本中的各m张图片作为训练集样本，数据集样本中的其余图片作为测试集样本；

S2、读取正常和瑕疵织物数据集样本，对训练集样本以及测试集样本进行特征提取，输入正常训练样本与瑕疵训练样本Y, 初始化正常与瑕疵样本个数、稀疏度L1与L2、迭代次数、正则化参数λ，ρ，λ2；

S3、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；

S4、利用得到的训练集样本的初始化的学习字典和稀疏表示矩阵，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D ,*

S5、根据学习字典D , 以及测试集样本的特征向量ytest，基于学习字典计算测试样本的稀疏重构误差,构造分类统计量进行分类；

步骤S2中，每张图像提取250个图块,块的尺寸为20像素×20像素,则正常和瑕疵样本分别为10000个图块，将每个图块的RGB三通道串成列向量作为训练样本,则Y,字典D,步骤S3中，随机生成训练集样本字典学习中的学习字典D, 和稀疏系数S, 并对他们进行初始化，初始化结果为：式中：λ为尺度因子；N为第i类样本特征个数； 互补样本特征个数； 表示训练样本在字典D分解得到的稀疏系数； 表示互补训练样本在字典D分解得到的稀疏系数；||S||1为稀疏系数的控制稀疏项； 为互补样本的稀疏系数的控制稀疏项；||||F表示Frobenius范数；μS和μ分别表示第i类稀疏系数的类中心以及所有稀疏系数的类中心；ρ为正则化参数；ε、β为了权衡类别内差异和类别间差异，两项结合使得类别内差异最小，类别间差异最大；σ为常量为了权衡 和等式的关系。

2.根据权利要求1所述的一种基于类别约束字典学习模型的织物图像瑕疵检测方法，其特征在于，步骤S4中判别字典学习具体包括以下步骤：S4.1、稀疏编码

*

固定学习字典D, 解决稀疏编码迭代问题(1)，代入Si更新稀疏系数S,最优解为

式中：μS表示第i类稀疏系数的类中心；λ，ρ，λ2为正则化参数；

S4.2、字典更新

固定稀疏系数S, 解决学习字典迭代问题(2)，更新得到学习字典D,*

通过以下迭代来更新D直到收敛：

* * *

式中：F (k，k)是矩阵F坐标(k，k)处的值； 表示矩阵F的第k列； 是第i类更新字典的第k列；

*

S4.3、输出学习字典D ,

3.根据权利要求2所述的一种基于类别约束字典学习模型的织物图像瑕疵检测方法，*其特征在于，步骤S5中，根据得到的学习字典D , 以及测试集样本的特征向量ytest，利用所学习的字典对测试样本进行稀疏表示,能够分别求出测试样本在正常字典与瑕疵字典下的稀疏重构误差,构造分类统计量实现组织病理图像的分类。

4.一种基于类别约束字典学习模型的织物图像瑕疵检测系统，其特征在于，包括如下模块：样本分类模块：随机将正常和瑕疵两个织物数据集样本中的各m张图片作为训练集样本，数据集样本中的其余图片作为测试集样本；

参数初始化模块：读取正常和瑕疵织物数据集样本，对训练集样本以及测试集样本进行特征提取，输入正常训练样本与瑕疵训练样本Y, 初始化正常与瑕疵样本个数、稀疏度L1与L2、迭代次数、正则化参数λ，ρ，λ2；

训练集矩阵初始化模块：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；

学习字典更新模块：利用得到的训练集样本的学习字典和稀疏表示矩阵，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D ,*

分类模块：根据学习字典D , 以及测试集样本的特征向量ytest，基于学习字典计算测试样本的稀疏重构误差,构造分类统计量进行分类；

参数初始化模块中，每张图像提取250个图块,块的尺寸为20像素×20像素,则正常和瑕疵样本分别为10000个图块，将每个图块的RGB三通道串成列向量作为训练样本,则Y,字典D,训练集矩阵初始化模块中，随机生成训练集样本字典学习中的学习字典D, 和稀疏系数S, 并对他们进行初始化，初始化结果为：式中：λ为尺度因子；N为第i类样本特征个数； 互补样本特征个数； 表示训练样本在字典D分解得到的稀疏系数； 表示互补训练样本在字典D分解得到的稀疏系数；||S||1为稀疏系数的控制稀疏项； 为互补样本的稀疏系数的控制稀疏项；||||F表示Frobenius范数；μS和μ分别表示第i类稀疏系数的类中心以及所有稀疏系数的类中心；ρ为正则化参数；

ε、β为了权衡类别内差异和类别间差异，两项结合使得类别内差异最小，类别间差异最大；σ为常量为了权衡 和等式的关系。

5.根据权利要求4所述的一种基于类别约束字典学习模型的织物图像瑕疵检测系统，其特征在于，学习字典更新模块中判别字典学习具体包括：稀疏编码子模块：

*

固定学习字典D, 解决稀疏编码迭代问题(1)，代入Si迭代更新稀疏系数S,最优解为

式中：μS表示第i类稀疏系数的类中心；λ，ρ，λ2为正则化参数；

字典更新子模块：

固定稀疏系数S, 解决学习字典迭代问题(2)，更新得到学习字典D,*

通过以下迭代来更新D直到收敛：

* * *

式中：F(k，k)是矩阵F坐标(k，k)处的值； 表示矩阵F的第k列； 是第i类更新字典的第k列；

*

输出学习字典子模块：用于输出学习字典D ,

6.根据权利要求5所述的一种基于类别约束字典学习模型的织物图像瑕疵检测系统，*其特征在于，分类模块中，根据得到的学习字典D , 以及测试集样本的特征向量ytest，利用所学习的字典对测试样本进行稀疏表示,能够分别求出测试样本在正常字典与瑕疵字典下的稀疏重构误差,构造分类统计量实现组织病理图像的分类。