本发明涉及一种基于机器视觉技术的导光板表面缺陷提取方法，属于计算机视觉领域，具体说是一种缺陷检测算法。
背景技术：
导光板(lightguideplate,lgp)主要材料为光学压克力(pmma)板，其化学名称是甲基丙烯酸甲脂，经过特殊的科学的加工后的透明压克力板，只要在边上装上发光体(视导光板面积大小可选择普通日光灯管、ccfl冷阴极灯管、发光二极管等光源，一般装在长度的两边)，通电后压克力板整个平面就会发出明亮均匀柔和的光。透明压克力板材具有很高的透光率，扩冲击能力强，广泛应用于各种电子产品的屏幕。在导光板的丝印制作、化学蚀刻、激光加工和撞点加工等生产制造过程中，由于原料成分、设备使用情况、加工工艺以及工人操作等因素的影响，其表面不可避免地会出现亮点、漏点、黑点、网面油墨、线刮伤、镜面点伤、暗影等加工缺陷。因此，在导光板出厂前必须对其进行质量检测，将含有缺陷的导光板剔除出去。
由于导光板的缺陷具有种类繁多、表现形式各异、边缘模糊或没有明显边缘、对比度低等特点，国内导光板生产企业主要用经过专业训练的检测人员在各种角度打强光来人工检测。人工检测存在很多局限性和问题：(1)员工作业环境差，强光作业容易使员工视力变差，长时间可能使员工患有职业病；(2)由于要多角度的强光下才可能发现缺陷，对员工的技能和经验要求很高，员工不容易熟练掌握工作技能；(3)受员工经验、工作情绪波动变化、专注度降低等影响，产品缺陷不易全部拦截，造成产品质量波动；(4)由于使用人眼识别的判断，辅助的计量工具很难形成可量化的质量标准。数字图像处理技术具有信息含量大、表现形式直观、传输存储方便等优点，随着电子、计算机和通信技术的发展，基于机器视觉的表面缺陷检测成为可能，国内外学者对此开展了广泛的研究，一些研究成果已经成功应用于钢珠、铁轨等产品的表面缺陷检。
检测算法最终要应用于导光板表面缺陷的在线检测。由于导光板的制作精度要求比较高，导光板的缺陷一般非常微小，为了检测导光板缺陷需要采用高分辨率的线阵相机成像，一幅导光板图像有近500mb，这对缺陷在线检测的效率提出了很高的要求。而群创光电等导光板生产企业的一般要求每块导光板的检测速度在5秒以内，所以检测算法除了需要有比较高的表面缺陷正确识别率，还应具有很高的运行效率。采用curvelet变换、非下采样contourlet变换、shearlet变换、小波变换凳多尺度分析技术，算法运行效率不能满足要求，而且在嵌入式系统中难以实现；有的表面缺陷正确识别率比较低，不能满足精度要求。
因此，需要对现有技术进行改进。
技术实现要素：
本发明要解决的技术问题是提供一种准确的双侧入光式导光板缺陷视觉检测方法。
为解决上述技术问题，本发明提供一种双侧入光式导光板缺陷视觉检测方法，包括以下步骤：
同时执行步骤s1和步骤一；
s1、获取导光板线扫灰度图像，执行步骤s2；
s2、提取导光板线扫灰度图像的边缘，得到导光板线扫灰度图像本体部分图像h(x,y)，执行步骤s3；
s3、获取导光板线扫灰度图像本体部分图像h(x,y)的高度m1和长度n1，执行步骤s4；
s4、对导光板线扫灰度图像本体部分图像h(x,y)进行图像分区，执行步骤s5；
s5、利用均值滤波去除导光板线扫灰度图像本体部分图像h(x,y)中的噪声干扰，得到新图像j(x,y)，执行步骤s6；
s6、对新图像j(x,y)进行分段灰度变换，得到增强后的图像k(x,y)，执行步骤s7；
s7、对增强后的图像k(x,y)进行图像分割，分割出导光点像素，得到导光点区域像素i(mi,ni)，执行步骤s8；
s8、遍历导光板线扫灰度图像本体部分图像h(x,y)中导光点区域像素i(mi,ni)，计算每个导光点像素的灰度值的平均值gave，执行步骤s9；
s9、设定最大评判值gmax和最小评判值gmin，若gave＞gmax，导光板存在亮点，直接判断为不合格品；若gave＜gmin，导光板存在暗点，直接判断为不合格品；若gmin≤gave≤gmax，则不存在亮暗点，导光板线扫灰度图像合格，执行步骤s10；
s10、分析导光点区域像素i(mi,ni)的所有连通域特征，计算每一块连通域的面积si；执行步骤s11；
s11、设定判定值smax，如果满足si＜smax，则线扫图像无缺陷，执行步骤九；反之则导光板存在压伤或者异物，直接判断为不合格品；
步骤一、获取导光板面阵灰度图像，执行步骤二；
步骤二、提取导光板面阵灰度图像的边缘，得到导光板面阵灰度图像本体部分p(x,y)，执行步骤三；
步骤三、获取导光板面阵灰度图像本体部分图像p(x,y)的高度m2、长度n2，执行步骤四；
步骤四、生成导光板面阵灰度图像本体部分图像p(x,y)的背景模版背景模板q(x,y)，执行步骤五；
步骤五、对导光板面阵灰度图像本体部分图像p(x,y)和背景模版背景模板q(x,y)进行背景差分，得到新图像s(x,y)，执行步骤六；
步骤六、对新图像s(x,y)进行中值滤波，得到中值滤波后的图像w(x,y)，执行步骤七；
步骤七、对图像w(x，y)作固定阈值分割，得到分割后的图像t(x,y)，执行步骤八；
步骤八、遍历分割后的图像t(x,y)的所有区域长度li，设定判别长度标准lmax，若li＞lmax，则导光板存在暗影缺陷，判定为不合格品；若li≤lmax，则导光板不存在暗影缺陷，导光板面阵灰度图像合格，执行步骤九；
步骤九、判断导光板线扫灰度图像和导光板面阵灰度图像是否都判定为合格，如果都为合格，则相应导光板为合格品；否则，则相应导光板为不合格品。
作为对本发明双侧入光式导光板缺陷视觉检测方法的改进，步骤s12包括以下步骤：
s12.1、用常量函数g(r,c)＝gsub与边缘函数f(r,c)相交得到边界轮廓；组成2×3区域的6个相邻像素，选取导光板线扫灰度图像本体部分图像h(x,y)中6个像素中心点，分别为qi,j、qi,j+1、qi+1,j、qi+1,j+1、qi+2,j、qi+2,j+1，插值点为pi+x,j+y点，通过插入三个点r1,r2,r3，选取其中四个像素点，比如qi,j、qi,j+1、qi+1,j、qi+1,j+1，插值点pi+x,j+y对这四个像素灰度权重影响分别为：
得到插值点pi+x,j+y的灰度值为：
s12.2、分别在x方向和y方向进行插值
在x方向上对r1、r2、r3进行插值，可以得到：
在y方向上对r1、r3进行插值，可得f1(p)；对r2、r3进行插值，可得f2(p)
得到点pi+x,j+y处的灰度值
s12.3、对获得的边界轮廓采取非极大值抑制并进行拟合，分割出线划伤区域并计算出区域长度li(i＝0,1,2...n)。
作为对本发明双侧入光式导光板缺陷视觉检测方法的进一步改进，步骤四包括以下步骤：
步骤4.1、将导光板面阵灰度图像本体部分图像p(x,y)进行快速傅里叶变换，使其变换到频域中；执行步骤4.2；
步骤4.2、对于步骤4.1傅里叶变换后的图像，使用高斯滤波器，消除高斯噪声；执行步骤4.3；
步骤4.3、对于步骤4.2消除高斯噪声的图像，作傅里叶反变换，得到就是背景模板q(x,y)。
作为对本发明双侧入光式导光板缺陷视觉检测方法的进一步改进，还包括以下步骤：
对判定为不合格品的导光板，把相应的导光板线扫灰度图像本体部分图像h(x,y)或者导光板面阵灰度图像本体部分p(x,y)的像素点作为随机变量值f(x,y)；
感兴趣区域t的p+q阶矩为
将目标的质心移动到参考坐标系的原点位置，得出中心距：
类似的，求出u00、u20、u02等；那么感兴趣区域t的最小外接矩形的长与宽：
得到含有感兴趣区域t的图像。
本发明双侧入光式导光板缺陷视觉检测方法技术优势为：
(1)本发明对光照变化和导光板类型变化适应性强；
(2)在生产安装时只需调节几个控制参数，之后全部自动检测无需人工看守；
(3)面阵相机和线扫相机同时检测，不增加检测时间的前提下提高了检测精度；
(4)本发明搭建双目检测系统，即线扫相机和面阵相机，大幅提升检测准确性；本发明的运行效率高，稳定性和鲁棒性强，不仅能够识别常见的缺陷，对于不常见的微小缺陷也具有比较高的检测能力。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细说明。
图1是本发明双侧入光式导光板缺陷视觉检测方方法的流程图；
图2是导光板线扫灰度图像均值滤波图像；
图3是导光板线扫灰度图像灰度变换图像；
图4是导光板线扫灰度图像基于小波变换的阈值分割图像；
图5是导光板面阵灰度图像生成的背景模版图像；
图6是导光板面阵灰度图像背景差分图像；
图7是导光板面阵灰度图像中值滤波图像；
图8是导光板面阵灰度图像固定阈值分割图像；
图9是导光板面阵灰度图像暗影原图；
图10是导光板面阵灰度图像暗影边界提取图像；
图11是导光板线扫灰度图像亮点缺陷提取图像；
图12是导光板线扫灰度图像线划伤缺陷提取图像；
图13是导光板线扫灰度图像压伤缺陷提取图像；
图14是导光板线扫灰度图像使用传统阈值分割得到的线划伤图像；
图15是导光板线扫灰度图像使用本发明改进的亚像素精度阈值分割得到的线划伤图像。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此。
实施例1、双侧入光式导光板缺陷视觉检测方法，如图1-15所示，本发明首先搭建双目检测平台，线扫相机负责检查划痕、压伤、亮暗点等细微缺陷，面帧相机负责检测导光板经光照后是否有暗影问题。其次，对于存在缺陷的导光板图像，识别缺陷类型，计算缺陷区域的尺寸，并根据导光板不同缺陷技术要求判断其是否合格。最后，搭建实验平台和开发缺陷检测系统，并通过实验对检测系统的准确性、实时性和鲁棒性进行完善。
具体解决方案如下：
开始后同时进行步骤s1和步骤一；
s1、采用dalsa公司16k线扫相机，获取导光板线扫灰度图像，用于检测细微缺陷；执行步骤s2；
s2、导光板本体图像提取
对目标物体的识别先是得到它的轮廓，机器视觉系统也是如此，要想识别目标物体首先要获取表现目标物体或图像轮廓的关键信息，本发明采用sobel算子提取导光板边缘，获得导光板本体图像。
该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以a代表原始图像(导光板线扫灰度图像)，hx及hy分别代表经横向及纵向边缘检测的图像灰度值，其公式如下：
具体计算如下：
hx＝[f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)]
-[f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)]
hy＝[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]
-[f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)]
其中f(x,y)表示输入原始图像a点的灰度值；
图像h(x,y)的每一个像素的横向及纵向灰度值通过以下公式，来计算该点灰度的大小：
为了提高效率，使用不开平方的近似值：|h|＝|hx|+|hy|
如果梯度h大于某一阀值，则认为该点(x,y)在图像h(x,y)中为边缘点。
sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息。原始图像a减去边缘点的部分，即为导光板线扫灰度图像本体部分图像h(x,y)。执行步骤s3；
s3、获取导光板本体的尺寸，导光板线扫灰度图像的本体部分图像h(x,y)的高度m1、长度n1；执行步骤s4；
s4、图像分区，执行步骤s5；
由于传统生产线人工检测将导光板分成9个均等区域，为了方便最终的缺陷产品人工复检，本发明用3*3的网格将m1*n1的导光板线扫灰度图像本体部分图像h(x,y)平均分为9块，并标记ni(i＝1,2,3...9)，以便确定缺陷位置。
s5、利用均值滤波去除导光板线扫灰度图像本体部分图像h(x,y)中的噪声干扰，得到新图像j(x,y)；执行步骤s6；如图2所示；
由于电噪声等干扰，导光板图像不可避免会存在噪声，本发明采用均值滤波避免图像噪声对检测造成影响。
对于导光板线扫灰度图像本体部分图像h(x,y)中的每个像素点p，取其邻域s。设邻域s中含有t个像素，取其加权平均值作为处理后所得图像像素p处的灰度值。用一个像素邻域内各像素灰度的加权平均值来代替该像素原来灰度值的方法，就是邻域加权平均技术。一般邻域s的形状为正方形、矩形或者十字形等。邻域加权平均技术即可得到噪声n(i,j)和未受噪声污染的图像g(x,y)。
设噪声n(i,j)为加性噪声，且各点互不相关，其期望为0，方差为σ2，g(i,j)是未受噪声污染的图像，含有噪声的图像h(x,y)经过均值滤波后如下所示：
因此，滤波后图像j(x,y)的噪声方差如下：
s6、由于导光点的颜色和背景区分性不强，需要采用分段灰度变换，将对比度扩大，得到增强后的图像k(x,y)；执行步骤s7；如图3所示；
设步骤s5得到的新图像j(x,y)中每个像素为h(x,y)，灰度变换后的像素为k(x,y)，对图像中每个点用以下公式进行处理，得到增强后的图像k(x,y)：
x1、x2代表需要需要转换的灰度范围，y1、y2代表转换后输出的灰度范围。
s7、使用基于小波变换的阈值分割，对s6得到增强后的图像k(x,y)进行图像分割，分割出导光点像素：如图4所示；
s7.1将图像映射成图
令g＝(v,e)是一个连通图，其中集合v＝{v1,v2，...,vn}称为节点集，集合e＝{e1,e2，...,em}称为边集。令ψjk:v→r是一个小波信号，其在(j,k)处局部化，其中，j代表尺度因子，k代表平移因子。
图像中相邻像素的强度值沿着连续段移动平缓变化，像素强度值的突变部分可以看作两个不同像素集群之间的边缘。一个二维、无向、稀疏的图像g＝(v,e)可以由大小为m1×n1的增强后的图像k(x,y)映射形成，如下:
s7.1.1增强后的图像k(x,y)中像素点形成图的节点:i(m,n)→vi，其中m∈{1，2,...,m1}，n∈{1，2，...n1}，i＝m1(n-1)+m。执行步骤s7.1.2；
s7.1.2图像中相邻像素点之间的关系形成图中节点之间的边:
ei,j＝h(i(mi,ni),i(mj,nj))，
其中τ∈{1，2，...,n}，j＝0,1,2…n，i≠j。τ值决定了相邻像素的范围。例如，τ＝1，那么相邻像素由8个最近邻像素组成。执行步骤s7.1.3；
s7.1.3图像像素的强度值形成定义在图上的节点函数：
f(vi)＝i(m,n)，其中，i(m,n)为图像像素的强度值。执行步骤s7.2；
s7.2计算小波系数wi；
利用gwt结合哈尔小波(j＝1)的方法对图像i(m,n)计算小波系数wi。由于哈尔函数是最简单的小波函数，并且可以有效地检测出信号的突变部分，因此选择哈尔小波对图像进行研究分析。此外，由于更高的尺度小波分解需要考虑更多的相邻像素，然而感兴趣的只是第一尺度的分析，因此选择j＝1。执行步骤s7.3；
s7.3局部阈值处理
对计算得到的小波系数进行局部阈值处理，从而提取导光点的区域:
其中wi为对应于节点vi的小波系数，th为设定的阈值，i(mi,ni)为导光点区域像素(为一个个的点)。执行步骤s8；
s8、根据步骤s7提取的导光点区域像素i(mi,ni)，遍历导光板线扫灰度图像本体部分图像h(x,y)所有导光点区域像素i(mi,ni)的灰度范围，利用公式：
计算每一颗导光点灰度值的平均值gave，式中ni为第i个导光点的像素总数，gi为第i个导光点所有像素的灰度总和；
然后执行步骤s9；
s9、设定最大评判值gmax和最小评判值gmin，若gave＞gmax，导光板存在亮点，如图11所示，直接判断为不合格品；若gave＜gmin，导光板存在暗点，直接判断为不合格品；若gmin≤gave≤gmax，则不存在亮暗点，执行步骤s10。导光板存在亮点和暗点都判定为不合格品。
s10、遍历所有导光点区域面积；执行步骤s11；
遍历所有导光点区域面积；分析i(mi,ni)的所有连通域特征，这里计算每一块连通域的面积si。
s11、设定判定值smax。对于所有的连通域，如果满足si＜smax(所有的si都小于smax)，则线扫图像无压伤或者异物，导光板线扫灰度图像合格，执行步骤九；反之则存在压伤或者异物，如图13所示，直接结束检测。
s12、基于改进的亚像素精度阈值分割算法，提取细微线划伤区域；如图12所示；
观察发现，某些细小线划伤宽度甚至不及一个像素大小，利用传统边缘检测或者阈值分割，都无法提速出来。本发明采用改进的亚像素精度阈值分割算法，传统算法根据边缘相邻像素的灰度值进行双线性插值处理，从而达到像素细分的目的。为了进一步提高插值精度，本发明进行了三点插值法，并先后从水平、垂直两个方向进行线性插值，最终亚像素精度阈值分割处理的结果就可以用常量函数g(r,c)＝gsub(gsub为阈值)与“连续”的边缘函数f(r,c)相交得到，插值具体过程如下：
s12.1以组成2×3区域的6个相邻像素为例，选取导光板线扫灰度图像本体部分图像h(x,y)中6个像素中心点分别为qi,j、qi,j+1、qi+1,j、qi+1,j+1、qi+2,j、qi+2,j+1，插值点为pi+x,j+y点，通过插入三个点r1,r2,r3，选取其中四个像素点(任意选取)，比如qi,j、qi,j+1、qi+1,j、qi+1,j+1，插值点pi+x,j+y对这四个像素灰度权重影响分别为：
可以得到插值点pi+x,j+y的灰度值为：
s12.2分别在x方向和y方向进行插值
在x方向上对r1、r2、r3进行插值，可以得到：
在y方向上对r1、r3进行插值，可得f1(p)；对r2、r3进行插值，可得f2(p)
综上，可以得到点pi+x,j+y处的灰度值
s12.3确定阈值分割大小，经实验测试，本发明采用阈值gsub＝38并与该区域相交得到边界轮廓，如图10所示，对获得的边界轮廓采取非极大值抑制并进行拟合，分割出线划伤区域并计算出区域长度li(i＝0,1,2...n)。
图14和图15分别为导光板线扫灰度图像使用传统阈值分割和本发明改进的亚像素精度阈值得到的线划伤图像，可见使用本发明改进的亚像素精度阈值得到的线划伤图像更加准确。
s13、设定判定值lmax。对于所有的li，如果满足li＜lmax(每个li都小于lmax)，则线扫图像不存在线划伤，导光板线扫灰度图像合格，执行步骤九；反之则存在线划伤，直接结束检测。
图14为导光板线扫灰度图像使用传统阈值分割得到的线划伤图像；图15是导光板线扫灰度图像使用本发明改进的亚像素精度阈值分割得到的线划伤图像。
对于导光板面阵灰度图像，含有以下步骤：
步骤一、采用dalsa公司500w面阵相机，获取导光板面阵灰度图像，用于检测暗影缺陷；执行步骤二；
步骤二、等同于步骤s2，其中的a代表原始图像(导光板面阵灰度图像)，最后得到的是导光板面阵灰度图像本体部分图像p(x,y)。执行步骤三；
步骤三、获取导光板本体的尺寸，导光板面阵灰度图像本体部分图像p(x,y)的高度m2、长度n2；执行步骤四；
步骤四、生成背景模版；如图5；
步骤4.1、将图像进行快速傅里叶变换，使其变换到频域中；执行步骤4.2；
由步骤二可以得到，导光板面阵灰度图像本体部分图像p(x,y)大小为m2×n2，则图像p(x,y)即为周期的m2×n2离散信号，傅立叶变换类型为2-dft，其表达公式如下：
将p(x,y)代入标准傅里叶公式为：
其中f(u,v)为f(x,y)的像函数，f(x,y)为原函数p(x,y)。u＝0，1，2，...，m2-1；v＝0，1，2，...，n2-1，且u，v为频率值。x，y为空域中的频率值。m2和n2为尺寸大小，j为复平面上的点。
步骤4.2、使用高斯滤波器，消除高斯噪声；执行步骤4.3；
构造一个二维高斯滤波器，相对于均值滤波(meanfilter)，它的平滑效果更柔和，而且边缘保留的也更好。该滤波器可以用以下公式描述：
步骤4.3、对于步骤4.2消除高斯噪声的图像，通过以下公式，作傅里叶反变换，将频域中的图像变换回空间域，该步骤得到的图像就是背景模板q(x,y)；执行步骤五；
傅里叶反变换标准公式为：
其中f(x，y)为背景模板q(x,y)。u＝0，1，2，...，m2-1；v＝0，1，2，...，n2-1，且u，v为频率值。x，y为空域中的频率值，m2和n2为尺寸大小。
步骤五、背景差分，增强两幅图像的差异，得到新图像s(x,y)；如图6所示；执行步骤六；
s(x,y)＝p(x,y)-q(x,y)
步骤六、对新图像s(x,y)进行中值滤波，抑制图像上的小斑点，得到中值滤波后的图像w(x,y)；如图7所示；执行步骤七；
中值滤波是一种非线性的图像平滑方法，与均值滤波器以及其他线性滤波器相比，它能够很好地滤除脉冲噪声，同时又能够保护目标图像边缘。它是一种邻域运算，类似于卷积，但计算的不是加权求和，而是把邻域中的像素按灰度级进行排序，然后选择该组的中间值作为输出像素值，中值滤波可定义为：
g(x,y)＝median{f(x-i,y-j)}(i,j)∈w
式中:g(x,y)和f(x-i,y-i)分别为输出和输入像素灰度值，w为模板窗口，取方形区域。
经实验验证，本发明采用5*5的模版进行中值滤波，得到中值滤波后的图像w(x,y)。
步骤七、对w(x，y)图像作固定阈值分割；如图8所示；执行步骤八；
式中w(x，y)为步骤六得到的中值滤波后的图像，t(x,y)为分割后的图像，th为分割阈值。对采集的样品进行反复的算法验证，确定了针对于本实验条件的最佳阈值th＝138。
步骤八、判断连通域长度范围；执行步骤九；
遍历步骤七得到的分割后的图像t(x,y)的所有区域长度li(i＝0,1,2,3…n)，设定判别长度标准lmax，若li＞lmax，则导光板存在暗影缺陷，判定为不合格品；若li≤lmax，则导光板不存在暗影缺陷，导光板面阵灰度图像合格，执行步骤九；
步骤九、判断导光板线扫灰度图像和导光板面阵灰度图像是否都判定为合格，如果都为合格，则导光板为合格品；否则，则导光板为不合格品；
经以上步骤，可提取导光板的所有缺陷区域，最后借助最小外界矩形，将缺陷区域表示出来，并计算缺陷区域数学特征，具体为：
对判定为不合格品的导光板，把相应图像的像素点作为随机变量值f(x,y)；(缺陷为存在亮暗点或者压伤异物，则使用相应的导光板线扫灰度图像的本体部分图像h(x,y)；缺陷为存在暗影缺陷，则使用相应的导光板面阵灰度图像的本体部分图像p(x,y))；
感兴趣区域t(即roi)的p+q阶矩为
将目标的质心移动到参考坐标系的原点位置，得出中心距：
类似的，求出u00、u20、u02等。那么roi的最小外接矩形的长与宽：
得到含有感兴趣区域t的图像。
实验一：
(1)利用线扫相机和面阵相机，获得灰度图像；
(2)对两种相机采集的图像分别作sobel边缘检测，提取导光板本体部分；
(3)对线扫图像进行7*7均值滤波，获得如图2所示的均值滤波图像(实验得出)；
(4)对均值滤波图像按照用公式进行灰度分段线性变换，将对比度进一步扩大，得到增强都的图像k(x,y)
式中x1＝40，x2＝140，y1＝20，y2＝200(实验得出)；
(5)使用基于小波变换的阈值分割，对步骤4得到的k(x,y)进行图像分割，分割出导光点像素；
5.1将图像映射成图
5.2计算小波系数wi
5.3局部阈值处理
(6)遍历所有导光点区域像素的灰度范围，利用公式
(7)计算每一块连通域的面积si，并且按照设定值进行判别；
(8)使用基于改进的亚像素精度阈值分割算法，提取细微线划伤区域；
8.1选取三个插值点r1,r2,r3
8.2分别在x和y方向进行插值，得到点pi+x,j+y处的灰度值
8.3确定分割阈值gsub＝38
(9)计算每一道线划伤的长度li，并且按照设定值进行判别；
(10)按照如下公式，对图像做快速傅立叶变换；
(11)构造一个二维高斯滤波器g(x,y)
(12)作傅里叶反变换，将频域中的图像变换回空间域，该步骤得到的图像就是背景模板q(x,y)；
(13)背景差分，得到新图像s(x,y)；
s(x,y)＝p(x,y)-q(x,y)
(14)对s(x,y)进行中值滤波，抑制图像上的小斑点，得到w(x,y)；
g(x,y)＝median{f(x-i,y-j)}(i,j)∈w
(15)固定阈值th＝138，利用如下公式，分割出暗影边缘；
(16)判断连通域li长度范围，并且按照设定值进行判别；
(17)对提取的缺陷区域作最小外接矩形mpq，将缺陷显示出来；
最后，还需要注意的是，以上列举的仅是本发明的若干个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。