技术特征：
1.一种剪切工具图片的相似度匹配方法，其特征在于：所述剪切工具图片的相似度匹配方法的具体步骤如下：Step1、根据最初的三通道彩色图生成灰度图；Step2、在生成的灰度图上，去除工具图像两侧的角尺，得到含有工具部分的图像；Step3、对去除过角尺的工具图像进行GVF平滑图像的梯度场操作，消除噪声和尺度较小的细节，获得工具轮廓清晰的图像；Step4、对工具轮廓清晰的图像进行特征点检测；Step5、将检测到的特征点进行主方向分配；Step6、根据特征点的主方向生成特征描述子；Step7、利用欧式距离公式对特征点描述子中的特征向量进行特征点匹配，进而得出相似度大小。2.根据权利要求1所述的剪切工具图片的相似度匹配方法，其特征在于：所述步骤Step1中，具体步骤为：Step1.1、将图像的左上角作为原点，水平方向为x轴，垂直方向为y轴，构造一个笛卡尔坐标系；Step1.2、通过公式：gray＝0.27*red+0.71*green+0.07*blue将彩色图转化成灰度图；其中：gray是灰度值，red是红色通道值，green是绿色通道值，blue是蓝色通道值。3.根据权利要求1所述的剪切工具图片的相似度匹配方法，其特征在于：所述步骤Step2中，具体步骤为：Step2.1、利用公式Prewitthorizontal=111000-1-1-1]]>和Prewittvertical=10-110-110-1]]>分别计算转化后的灰度图图像I(x,y)的水平边缘和垂直边缘；其中：Prewitthorizontal是图像的水平边缘，Prewittvertacal是图像的垂直边缘；Step2.2、通过计算出来的水平边缘和垂直边缘，利用公式：Edge(x,y)=Edgehorizontal(x,y)2+Edgevertical(x,y)2]]>得出角尺的边缘图Edge(x,y)；其中：Edgehorizontal(x,y)＝Prewitthorizontal*I(x,y)，Edgevertical(x,y)＝Prewittvertical*I(x,y)；I(x,y)是灰度图图像点的坐标，Edgehorizontal是角尺的水平边缘图，Edgevertical是角尺的垂直边缘图；Step2.3、根据角尺的边缘图计算到的角尺的隶属度CrosshairMembership(x,y)，并且当隶属度CrosshairMembership(a,b)取最大时，正交线x＝a，y＝b将图片分成四个区域；其中：隶属度CrosshairMembership(x,y)＝EdgeSumhorizontal(x)+EdgeSumvertical(y)，水平边缘图强度EdgeSumhorizontal(x)＝∑yEdge(x,y)/sizey，垂直边缘图强度EdgeSumvertical(y)＝∑xEdge(x,y)/sizex，图像的尺寸大小用extent＝(sizex,sizey)表示，sizex是灰度图图像的水平尺寸，sizey是灰度图图像的垂直尺寸；Step2.4、裁剪保留四个区域中最大的一个，即为去除工具灰度图像两侧的角尺后的含有工具部分的图像p(x,y)，含有角尺的部分就被去除掉了。4.根据权利要求1所述的剪切工具图片的相似度匹配方法，其特征在于：所述步骤Step3中，具体步骤为：Step3.1、根据已经去除角尺后的图像的白底黑图定义：f(x,y)＝p(x,y)；p(x,y)为去除工具灰度图像两侧的角尺后的含有工具部分的图像；Step3.2、利用梯度向量场V(x,y)＝(u(x,y),v(x,y))最小化能量函数ε，来获得正则参数μ的取值；其中，ϵ=∫∫μ(ux2+uy2+vx2+vy2)+|▿f|2|V-▿f|2dxdy,]]>当时，积分结果ε最小，从而求出μ，μ是一个正则参数；Step3.3、通过解欧拉方程获得GVF；其中：欧拉方程为：μ▿2u-(u-fx)(fx2+fy2)=0]]>和μ▿2v-(v-fx)(fx2+fy2)=0,]]>此公式中：当f(x,y)均匀使该式的第二部分为零，u和v分别由其拉普拉斯等式决定，其中，u为梯度向量场中的横坐标，v为梯度向量场中的纵坐标；Step3.4、根据迭代公式：un+1=un+μ▿2un-(un-fx)(fx2+fy2)]]>和vn+1=vn+μ▿2vn-(vn-fx)(fx2+fy2)]]>获得上式欧拉公式的解；其中：当n足够大时，GVF会趋于稳定，该GVF即为梯度向量流场。5.根据权利要求1所述的剪切工具图片的相似度匹配方法，其特征在于：所述步骤Step4中，具体步骤为：Step4.1、利用获得的GVF场中的梯度向量场V的每一个梯度都进行归一化得到Vnormatize＝(s(x,y),t(x,y))；Step4.2、对Vnormatize进行微分计算得到改进后的Harris矩阵；其中：矩阵为：HGVF=sxsytxty;]]>Step4.3、计算Harris角点检测的隶属度Mc；其中：Mc＝λ1λ2-κ(λ1+λ2)2＝det(HGVF)-κtrace2(HGVF)，κ的取值范围为0.04～0.15；其中：λ1和λ2为矩阵HGVF进过特征分解得到的两个较大的特征值，det(HGVF)为求矩阵HGVF的行列式，trace(HGVF)为求矩阵HGVF的迹，即矩阵对角线上的元素之和；Step4.4、利用隶属度Mc为Harris角点设立阀值，设定原则为隶属度为0所对应的角点数值，用来排除去除角尺后的图像的部分角点，余下角点作为特征点的候选点。6.根据权利要求1所述的剪切工具图片的相似度匹配方法，其特征在于：所述步骤Step5中，具体步骤为：Step5.1、基于去除角尺后的图像的局部属性为每个特征点分配一个不变的方向；Step5.2、用GVF平滑后的图像梯度场代替SIFT里面的图像梯度场；Step5.3、用m(x,y)和θ(x,y)分别表示梯度的强度和方向；其中：m(x,y)=u(x,y)2+v(x,y)2,θ(x,y)=tanh-1(u(x,y)v(x,x));]]>其中：m(x,y)为梯度的强度，θ(x,y)为梯度的方向，u为梯度向量场中横坐标的表示法，v为梯度向量场中纵坐标的表示法，tanh(x)表示双曲正切函数；Step5.4、利用特征点周围区域的样点方向获得一个方向直方图；Step5.5、将直方图的最高峰值作为特征点的主方向。