一种精粗结合的光学表面缺陷的检测方法及装置的制造方法
【技术领域】
[0001] 本发明属于图像模式识别领域，特别是设及一种精粗结合的光学表面缺陷的检测 方法及装置。
【背景技术】
[0002] 如今高透光性的光学元件已是各种图像采集设备和显示设备中重要的组件。在光 学元件检测的过程中，光学表面的洁净度与损伤检测是一个非常重要的环节。目前多数检 测依靠人工肉眼识别。依靠人工肉眼识别的方式不仅耗费时间，且由于视觉疲劳的影响，容 易出现遗漏现象。目前较为先进的检测方式是采用机器视觉手段获取放大的光学表面图 像，进而通过模式识别的方式进行损伤检测。
[0003] 目前主要应用于光学表面污溃损伤分析的手段主要有:Canny算子进行边缘检测 法、灰度共生矩阵法、不变矩法W及频域分析方法等;其中，Canny边缘检测要求前景相对于 背景具有较为显著的轮廓，当目标物呈絮状、点划线状时，难W提取;灰度共生矩阵方法计 算图像的纹理信息，通过比较灰度共生矩阵的能量、赌、对比度、方差等参数，可W有效的区 分不同的纹理;不变矩是通过计算图像的几何不变矩，从而区分不同几何特征;而纯粹频域 分析法只能分析图像的整体特征，忽略了图像的局部特征。
[0004] 光学表面的损伤具有良好的直线性特征，在提取出的图像上呈现一条水平的或略 带弯曲的细实线或者是虚线形式存在。然而光学表面上的污溃没有固定的方向性、纹理信 息不统一、位置分布各异。因此，基于边缘提取或者是整体特征分析的方法在进行损伤和污 溃的区分时表现不佳。
【发明内容】
[0005] 为了解决上述问题，本发明的目的在于提供一种有效的基于图像处理和模式识别 技术的精粗结合的光学表面缺陷的检测方法。
[0006] 为了达到上述目的，本发明提供了一种精粗结合的光学表面缺陷的检测方法，其 包括：
[0007] 步骤一:对材料表面的图像进行直接利用建模的方差信息进行快速粗检测，确定 疑似缺陷区域位置及轮廓；
[000引步骤二:对疑似缺陷区域利用基于Gist的模式识别方法进行精检测，得到图像的 GIST特征向量；
[0009] 步骤所述GIST特征向量为缺陷分类依据，输入到分类器进行分类，对分类结 果进行分析，输出最终精检测后的损伤信息；
[0010] 其中，步骤一中通过将原始图像进行分块得到多个块图像，并根据块图像的方差 判断其是否为疑似缺陷块图像，对于超出预定方差阔值的块图像判断为疑似缺陷块图像， 将未超出预定方差阔值的块图像判断为非疑似缺陷块图像;根据疑似缺陷块图像得到整个 图像上的疑似缺陷区域；
[0011] 步骤二具体包括：
[0012] 根据所述疑似缺陷区域的方向对所述图像进行旋转，使得旋转后疑似缺陷区域的 外接矩形的主轴与水平方向重合；
[0013] 对旋转后的所述图像进行归一化处理；
[0014] 对归一化后的所述图像进行GIST特征提取，得到GIST特征向量；
[001引将所述GIST特征向量进行PCA降维，使得PCA覆盖能量在90% W上的维数，
[0016] 步骤Ξ中利用所述降维后的所述GIST特征向量进行分类。
[0017] 本发明还提供了一种精粗结合的光学表面缺陷的检测装置，其包括：
[0018] 粗检测模块，对材料表面的图像进行直接利用建模的方差信息进行快速粗检测， 确定疑似缺陷区域位置及轮廓；
[0019]精检测模块，对疑似缺陷区域利用基于Gist的模式识另巧法进行精检测，得到图 像的GIST特征向量；
[0020] 分类模块，W所述GIST特征向量为缺陷分类依据，输入到分类器进行分类，对分类 结果进行分析，输出最终精检测后的损伤信息；
[0021] 其中，粗检测模块通过将原始图像进行分块得到多个块图像，并根据块图像的方 差判断其是否为疑似缺陷块图像，对于超出预定方差阔值的块图像判断为疑似缺陷块图 像，将未超出预定方差阔值的块图像判断为非疑似缺陷块图像;根据疑似缺陷块图像得到 整个图像上的疑似缺陷区域；
[0022] 所述精检测模块具体进行如下处理：
[0023] 根据所述疑似缺陷区域的方向对所述图像进行旋转，使得旋转后疑似缺陷区域的 外接矩形的主轴与水平方向重合；
[0024] 对旋转后的所述图像进行归一化处理；
[0025] 对归一化后的所述图像进行GIST特征提取，得到GIST特征向量；
[0026] 将所述GIST特征向量进行PCA降维，使得PCA覆盖能量在90% W上的维数，
[0027] 所述分类模块利用所述降维后的所述GIST特征向量进行分类。
[0028] 本发明提供的基于图像处理和模式识别技术的一种精粗结合的光学表面缺陷的 检测方法在进行损伤检测中表现出色，检测速度快，精度较高。该方法充分利用了图像的区 域性，直接利用建模的方差信息进行快速粗检测，利用图像的方向性，在进行精检测之前先 对图像的方向进行了矫正，并且对图像进行了归一化处理。进而计算图像的Gist场景信息， 使用一个高维的特征向量来表征图像的局部特征W及局部特征。图像的矫正使得所有图像 的场景信息基于同一个参考系，因此可W使用线性的SVM分类器对图像进行精检测分类。实 验结果表明，本发明提供的粗精结合的检测方法具有良好的检测效果和高度的稳定性。
【附图说明】
[0029] 图1为本发明中精粗结合的光学表面损伤检测方法流程图；
[0030] 图2为本发明实施例中索引矩阵样例示意图；
[0031 ]图3为本发明实施例中异常区域样本及检测效果图；
[0032]图4为本发明实施例中异常区域最小外接矩形轮廓提取图。
【具体实施方式】
[0033] 为使本发明的目的、技术方案和优点更加清楚明白，W下结合具体实施例，并参照 附图，对本发明作进一步的详细说明。
[0034] 如图1所示，本发明提供的一种精粗结合的光学表面缺陷的检测方法包括按顺序 进行的下列步骤：
[0035] 步骤一：对材料表面的（灰度）图像进行直接利用建模的方差信息进行快速粗检 巧。，确定异常区域位置及轮廓；
[0036] 该步骤具体包括：
[0037] 步骤101:将原始图像分割为64*64像素的多个方块；
[0038] 步骤102:对每个方块实行方差分析，W方差为依据判定区域是否异常，将超出预 定方差阔值的方块判定为疑似缺陷区域;其中方差阔值的选取依据为:对图像进行全局的 灰度直方图分析，使用灰度值的均匀分布模型对其进行建模，利用该均匀分布模型的方差 作为初始方差阔值，根据数据集合进行校正;设拟合出的均值分布区间为[y-r，y+r]，u为拟 合均匀分布区间中屯、点，r为拟合均匀分布的半径。则初始方差阔值的取值为
[0039]
[0040] 步骤103:根据方差判断生成疑似缺陷区域的索引矩阵Ind，如图2所示，若第i行、 第巧揃方块被标记为受污染区域，则Indu = l，否则lndu = 0;
[0041] 步骤104:对索引矩阵进行闭运算操作，消除索引矩阵中的空桐或者是空隙；窗口 半径为W的闭运算定义为半径为W的膨胀和腐蚀的复合运算；
[0042] 步骤105:利用索引矩阵将原图