像映射成等尺寸的二值图像，每一个索引值对应步 骤101中分割出的原图像的一个方块;若索引值等于1，则其对应的方块使用255进行填充； 若索引值等于0,则其对应的方块使用0进行填充。如图3所示，异常区域利用索引矩阵检测 绘制的效果图；
[0043] 步骤106:在生成的二值图像上进行轮廓查找，并计算出轮廓的最小外接矩形作为 疑似缺陷区域的粗检测定界线，如图4所示;轮廓的质屯、为粗检测后疑似缺陷的位置；
[0044] 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。
[0045] 其中，所述疑似缺陷区域为步骤一确定的异常区域的粗检测定界线所界定的区 域。
[0046] 步骤二具体包括：
[0047] 步骤201:对粗检测出的疑似缺陷区域进行旋转，对其区域的方向进行校正。其中， 该步骤中主要通过拟合出疑似缺陷区域的外接矩形，计算矩形主轴与水平方向的夹角，旋 转后使得主轴与水平方向重合。
[004引步骤202:对旋转后的图像进行归一化处理。
[0049] 步骤203:对归一化后的图像进行GIST特征提取，其中GIST特征由一个512维的向 量描述；
[0050] 步骤204:将Gist特征进行PCA降维，使得PCA覆盖能量在90% W上的维数;步骤Ξ 中利用所述降维后的向量输入到使用线性SVM分类器，输出的结果包含两个类别，即损伤和 非损伤(干扰污溃）；其中非损伤不计入损伤检测信息；
[0051] 其中，步骤201中对粗检测区域进行旋转校正的具体过程为：
[0052] (1)异常区域粗检测返回矩形区域;利用最小外接矩形的坐标计算矩形的倾斜角；
[0053] (2)将原图按（1)计算出的倾斜角反向旋转;此时，目标矩形区域成水平放置，如果 矩形中存在损伤，则损伤成水平方向；
[0054] (3)提取方向已校正后的目标区域。
[0055] 其中，步骤202和203中图像归一化处理和GIST特征提取的具体过程为：
[0056] (1)将图像缩放至64*64像素的正方形；
[0057] (2)图像灰度值调整，将图像的灰度级线性变换值区间[0，255];
[0058] (3)将图像的数据类型由单个字节的无符号整型转化为双精度浮点型数据类型， 并对图像进行白化处理;接下来所有图像的存储均采用双精度浮点型数据存储；
[0059] (4)对图像进行填补操作，填补方式选用对称填补，填补为原图像宽度的八分之 一，即为8个像素，具体为在图像边缘扩展出8个像素，相当于W图像四周像素为镜子对图像 进行镜像。
[0060] (5)建立四个尺度，每个尺度为八个方向的Gabor核，即选取四个不同的方差，每一 个方差计算八个角度上的Gabor核;每一个核的尺寸与填补后的图像保持一致；
[0061] (7)使用Gabor函数对图像进行卷积运算，I为原始图像，g为gabor函数，Ig为卷积 后图像，（x，y)为像素坐标；
[0062] Ig(x，y) = I(x，y)*g(x，y)
[0063] 为了提高运算效率，采用快速傅里叶变换进行加速
[0064] Ig(x,y) = ifft{fft[I(x,y)]Xfft[g(x,y)]}
[00化]其中，ifft表示反傅立叶变换，fft表示傅立叶变换。
[0066] (8)去除图像中的填充区域，使图像恢复至原来的尺寸；
[0067] (9)图像实数化，将Ig(x，y)归一化到[0-1];
[006引 Ig(x，y)=No;rm(Ig(x，y))，No;rm表示归一化处理；
[0069] (10)分割滤波后且实数化后的图像，将其等分为4*4的正方形方块；
[0070] (11)计算每个方块内的滤波响应均值，
[0071] mk=mean(Ik)
[0072] 其中，mk为第k个方块Ik区域中的图像平均值；
[0073] W此值作为图像特征之一；一幅图可产生4*4*8*4个特征值，构成图像的一个512 维的GIST特征向量；
[0074] 步骤上述GIST特征向量缺陷分类依据，输入到分类器中对损伤进行分类。对 分类结果进行分析，输出最终精检测后的损伤信息，如图3所示。统计的信息包括:缺陷类别 (通过分类得到），所在位置(通过粗定位矩形区域得到），面积(通过粗定位矩形区域得到）， 方向（即走向信息）。各类别缺陷的总数量、所占比例等；即实现了一种精粗结合的光学表面 缺陷的检测方法。
[00巧]实验结果
[0076]本发明提供的精粗结合的光学表面缺陷的检测方法通过W下实验进一步说明。
[0077] 实验采用的数据源为20 000余幅拍摄于钦玻璃表面的暗场图像，运些数据记录覆 盖了 7块800*400mm2的玻璃表面。
[0078] 本发明提供的基于图像处理和模式识别技术的光学表面缺陷检测方法的异常区 域检测效果如图2、图3和图4所示。图帥的白色区域表示索引矩阵中值等于1的位置;图帥 的白色方格是将索引矩阵映射至原图的结果；图4中的白色矩形框是根据索引矩阵表征的 位置信息在原图上计算出的异常区域最小外接矩形轮廓。几乎图像中的所有异常区域都可 W通过本发明提供的表面缺陷检测方法所检测，并且位置误差较小。
[0079] 实验中，使用本发明提供的基于图像处理和模式识别技术的精粗结合的光学表面 缺陷的检测方法对从20000余张图像中提取出的700多个样本进行了 GIST特征计算与SVM分 类测试，实验结果表明，在线性SVM分类器下，GIST特征用于区分污溃与划痕的准确度可W 平均达到90% W上。实验结果表明，本发明提供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既能有快速定位图像表面的缺陷，又能W高精度对光学表面 的损伤进行精检测，该方法的性能相当稳定，能满足于工业化检测的需求。
[0080] W上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详 细说明，应理解的是，W上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在 本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护 范围之内。
【主权项】
1. 一种精粗结合的光学表面缺陷的检测方法，其包括： 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； 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； 步骤三：以所述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； 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，对于超出预定方差阈值的块图像判断为疑似缺陷块图像，将未 超出预定方差阈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； 步骤二具体包括： 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； 对旋转后的所述图像进行归一化处理； 对归一化后的所述图像进行GIST特征提取，得到