如公式（7)、（8)和（9)所 示：

[0122] 其中，當tG[1，tj時，Irr1 (x,y)值越小，f(x,y)為缺陷的可能性越高；當 tG(tut2)時，rr2(x,y)值越小，f(X,y)為背景的可能性越高；當tG[t2, 255]時，rr3(x,y) 值越大，f(x,y)為缺陷的可能性越高；
[0123] 前景目標面積特征的前景目標區(qū)域顯著度提高：
[0124] 前景目標區(qū)域顯著度被提高過程，采用公式（10)所示：
[0125]
[0126] 根據(jù)公式（10)，當1彡t彡1^且0彡rri(x,y)彡1，fjx,y)屬于缺陷可能性較 大，因此AU,y)的特征值被提高；當tft< 12且0彡rr2(x,y)彡1，fjx,y)屬于背景 可能性較大，因此A(X，y)的特征值被降低；當t2<t彡255且1彡rr3 (X，y)彡2,A(X，y) 屬于缺陷可能性較大，因此A(X，y)的特征值被提高。
[0127] 根據(jù)步驟1得到的灰度圖像f(x，y)的表面缺陷數(shù)目特征構(gòu)建前景目標數(shù)目特征 顯著圖f2(x，y)具體為，如圖3所示：
[0128] 首先根據(jù)灰度圖像的表面缺陷數(shù)目特征構(gòu)建前景目標數(shù)目權(quán)重函數(shù)，然后根據(jù)數(shù) 目權(quán)重函數(shù)曲線提高前景目標區(qū)域的顯著度；
[0129] 具體按照以下步驟實施：
[0130] 前景目標數(shù)目權(quán)重函數(shù)構(gòu)建
[0131] a)構(gòu)建前景目標數(shù)目函數(shù)n(l):
[0132] 前景目標數(shù)目n(l)用歐拉數(shù)表示，那么前景目標數(shù)目函數(shù)構(gòu)建如公式（11)所 示：
[0134] 其中，n(l)是以灰度級1作為閾值，分割所獲得的前景目標數(shù)目；
[0135] b)構(gòu)建前景目標數(shù)目函數(shù)梯度：
[0136] 前景目標數(shù)目函數(shù)一階梯度▽?(?)構(gòu)建如公式（12)所示：
[0137] Vn(I) =H(I)-n(!-\) (12 )
[0138] c)前景目標數(shù)目特征函數(shù)：
[0139] 設p和q分別為前景目標數(shù)目函數(shù)一階梯度的兩個極大值所對應的灰度值，則前 景目標數(shù)目特征函數(shù)分別如公式（13)、（14)和（15)所示：
[0143] 其中，當1彡1彡p時，S1U,y)值越大，f(x,y)為缺陷的可能性越高；當p< 1 < q時，s2(x,y)值越小，f(X,y)為背景的可能性越高；當q< 1 < 255時，s3(x,y)值越大， f(x，y)為缺陷的可能性越高；
[0144] d)前景目標數(shù)目特征權(quán)重函數(shù)：
[0145] 圖像f(x，y)前景目標數(shù)目特征函數(shù)分別如公式（16)、（17)和（18)所示：
[0149] 其中，當1彡1彡p時，SS1U,y)值越小，f(x,y)為缺陷的可能性越高；當p< 1 <q時，ss2(x,y)值越小，f(X,y)為背景的可能性越高；當q彡1彡255時，ss3(x,y)值越 大，f(x, y)為缺陷的可能性越高；
[0150] 前景目標數(shù)目特征的前景目標區(qū)域顯著度提高：
[0151] 前景目標區(qū)域顯著度被提高過程，采用公式（19)所示：
[0152]
[0153] 根據(jù)公式（18)，當1彡1彡p且0彡SS1U,y)彡l，f2(x,y)屬于缺陷可能性較大， 因此f2(x,y)的特征值被提高；當p<I<q且0彡ss2(x,y)彡1，f2(x,y)屬于背景可能 性較大，因此f2 (X，y)的特征值被降低；當q彡1彡255且1彡SS3 (X，y)彡2,f2 (X，y)屬于 缺陷可能性較大，因此(X，y)的特征值被提高。
[0154] 步驟3、如圖4所示，在步驟2得到的面積特征顯著圖fjx，y)和數(shù)目特征顯著圖 f2(x，y)上，分別確定閾值，然后根據(jù)所確定的閾值分別對面積特征顯著圖和數(shù)目特征顯著 圖進行分割分別獲得面積特征二值圖B1(^y)]和數(shù)目特征二值圖[f2(x，y)];
[0155] 獲得面積特征二值圖，具體為：
[0156] 將步驟2得到的面積特征顯著圖fjx，y)，采用大律法分割獲得面積特征二值圖 [AO^y)]，分割過程如公式（20)所示：
[0158] 其中，Sciustl為大律法確定的面積特征分割閾值。
[0159] 獲得數(shù)目特征二值圖，具體為：
[0160]將步驟2得到的面積特征顯著圖f2(x，y)，采用大律法分割獲得數(shù)目特征二值圖 [f2(x，y)]，分割過程如公式（21)所示：
[0162] 其中，S_2為大律法確定的數(shù)目特征分割閾值。
[0163] 步驟4、如圖5所示，將步驟3得到的面積特征二值圖B1(^y)]和數(shù)目特征二值 圖[f2(x，y)]采用相加融合獲得整體二值圖F(x，y)，如公式（22)所示：
[0164] F(.\\>?) = [/：(.v,}-)] ? [/；(.v,y)] (22)
[0165] 其中，a表示相加。
[0166] 步驟5、如圖6所示，在步驟4獲得的整體二值圖F(x，y)中，統(tǒng)計前景各個目標的 面積，然后采用大律法確定閾值進行濾波，濾波過程如公式（23)所示：
[0168] 其中，Sciust為由大律法確定的分割閾值面積。
[0169] 濾除小于濾波閾值的噪聲和偽目標，大于濾波閾值的即為工業(yè)產(chǎn)品表面缺陷。
[0170] 在工業(yè)現(xiàn)場采集織物疵點圖像、帶鋼缺陷圖像、刀具磨損圖像和齒輪裂紋圖像，然 后在圖像中添加均值y為〇,強度〇分別為〇、2、4、8、10及20的高斯噪聲，采用本發(fā)明檢 測方法進行檢測，檢測結(jié)果如圖7所示；當噪聲強度〇為0時，本發(fā)明檢測方法的各類工業(yè) 產(chǎn)品缺陷檢測準確率在95% - 100%之間變化，變化范圍小，說明該檢測方法準確率高，對 工業(yè)產(chǎn)品表面各類疵點檢測具有普適性；當噪聲強度〇分別為2、4、8、10時，本發(fā)明檢測方 法的各類工業(yè)產(chǎn)品缺陷檢測準確率隨著噪聲略有下降，但檢測準確率都大于93%，說明該 檢測方法具有較強的抗噪性能，表明適合工業(yè)現(xiàn)場在線檢測的需要；僅當噪聲強度 0大于 等于20時，本發(fā)明檢測方法的檢測準確率隨著噪聲下降較快，在實際檢測中強噪聲發(fā)生概 率較小，因此并不影響工業(yè)現(xiàn)場在線檢測的需要。本發(fā)明檢測方法之所以能適應工業(yè)現(xiàn)場 大背景小目標的缺陷檢測，主要在于本發(fā)明檢測方法是根據(jù)目標特征，提高目標區(qū)域的權(quán) 重系數(shù)，從而構(gòu)建特征顯著圖以及根據(jù)目標面積進行濾波的緣故，從而提高了檢測準確率 和抗噪性能。
[0171] 本發(fā)明基于目標特征顯著圖構(gòu)建的工業(yè)產(chǎn)品表面缺陷檢測方法，通過分析所采集 圖像前景目標面積特征，構(gòu)建圖像灰度密度函數(shù)及其梯度函數(shù)、前景目標面積特征函數(shù)及 其權(quán)重函數(shù)，形成面積特征顯著圖；通過分析所采集圖像前景目標數(shù)目特征，構(gòu)建前景目 標數(shù)目函數(shù)及其梯度函數(shù)、前景目標數(shù)目特征函數(shù)及其權(quán)重函數(shù)，形成數(shù)目特征顯著圖；然 后，對面積特征顯著圖和數(shù)目特征顯著圖采用大律法進行分割和二值特征圖的融合，并通 過濾波消除噪聲等干擾，最終完成缺陷檢測。
[0172] 本發(fā)明的原理為：工業(yè)產(chǎn)品表面缺陷檢測屬于大背景條件下弱小目標的檢測，如 果能利用目標特性提高前景目標區(qū)域的顯著度，就能解決弱小目標難以檢測的問題。因此， 我們通過分析缺陷區(qū)域的特征，構(gòu)建前景目標面積特征和數(shù)目特征顯著圖，提高目標與背 景的對比度，實現(xiàn)了缺陷的準確檢測和檢測適應性；同時采用前景目標面積特征作為選擇 濾波閾值條件，有效提高了抗噪性能。
[0173] 本發(fā)明的優(yōu)點在于：
[0174] (1)通過工業(yè)產(chǎn)品表面缺陷圖像面積特征和數(shù)目特征分析，然后分別構(gòu)建前景目 標面積特征權(quán)重函數(shù)和前景目標數(shù)目特征權(quán)重函數(shù)，形成面積特征顯著圖和數(shù)目特征顯著 圖，增大了前景與背景的對比度，避免了小目標檢測準確率低的問題；
[0175] (2)在工業(yè)產(chǎn)品表面缺陷圖像濾波時，根據(jù)整體二值圖中前景目標面積特征選擇 濾波閾值，有效避免了噪聲及偽目標的干擾。
【主權(quán)項】
1. 基于目標特征顯著圖構(gòu)建的工業(yè)產(chǎn)品表面缺陷檢測方法，其特征在于，具體按照以 下步驟實施： 步驟1、將采集到的彩色圖像轉(zhuǎn)換為灰度圖像f(x，y); 步驟2、根據(jù)步驟1得到的灰度圖像f(x，y)的表面缺陷面積特征和數(shù)目特