一起养成写作习惯！这是我参与「掘金日新计划 · 4 月更文挑战」的第18天，点击查看活动详情。
前言
紧接昨日介绍的《比较几种常见的图像特征》juejin.cn/post/708754… 结合帧差法解决缺陷检测（juejin.cn/post/707635… 这样处理对图像特征细节处理也较为粗糙，依靠单一的配准后图像进行差分处理得到缺陷图像，并没有对缺陷信息再次处理，即存在较多伪缺陷图像，因此在检测较为复杂的包装印刷图像时存在检测难度大和鲁棒性较低的不佳效果。
一. 传统缺陷检测
基础流程：
1.1 输入标注图像&待测图像
1.2 标准图和待测图经过预处理
1.3 待测图进行定位配准
1.4 标准图和待测图进行图像差分
1.5 图像缺陷标记
传统差分算法存在的弊端和不足:
①处理小幅图像的速度快,但对于较大的图像还属于两幅图像逐一像素点差分， 导致处理速度变慢;
②图像预处理步骤简单，图像处理过程中会引入各种噪声，在后续差分处理过 程中并无对噪声处理，导致图像结果较差;
③标准图像和待测图像的各类特征位置必须完全对准，局部特征稍有偏差都会 导致差分处理失败。
④传统差分算法对某张或多张图像能够有较好的处理效果，但处理数量较大的 图像数据会出现各种问题，适应性和鲁棒性都较弱。
二. 改进缺陷检测
基础流程：
2.1 输入标注图像&待测图像
2.2 标准图和待测图经过预处理(灰度化+降噪)
2.3 图像相似度计算
2.4 待测图像进行定位配准
2.5 图像差分改进
2.6 图像增强处理
2.7 降噪处理
2.8 阈值分割
2.9 边缘检测
2.10 形态学处理
2.11 缺陷检测
2.12 缺陷标记
2.13 特征提取
2.14 缺陷特征分类
待测图像与标准模板图像定位配准后基本找到了多种特征信息之间一一对应的关系，下一步工作是希望能找到待测图像上含有的缺陷部分，即待测图像与标准模板图像之间存在的差异信息，可先对两者图像进行改进后的差分处理找到差异信息，针对差异信息进行形态校正,优化目标特征参数减少算法计算次数并提高检测速度，还可降低非缺陷点的检测处理，然后以差分后的缺陷图像进行多阈值分割，此时存在的缺陷也并非最佳缺陷图像，还存在一-定的非缺陷像素点的误判，需要通过边缘检测、形态学处理、去除伪影部分等步骤来提取最接近实际情况下的缺陷，最后再.根据不同缺陷特征的信息进行统计分析，并对多种缺陷特征完成分类工作。
①为了更好凸显差分后图像差异特征信息，以灰度变换和直方图均衡化对图像进行增强处理。通过对比试验发现，灰度变换是把目标图像的独立像素点通过变换函数改变像素灰度值，而直方图均衡化是通过图像直方图对比度调整，均衡化后的卷烟小盒商标纸图像存在较多明显非缺陷特征。
②增强图像特征后需要将缺陷特征从图像中分离出来，基于阈值分割算法相比边缘和区域信息分割算法更具计算量小、处理速度快的特点，然后分别以迭代式阈.值法、自适应阈值法和最大类间方差法对4种卷烟小盒商标纸图像进行试验，试验发现相比于由于检测对象的差异性，需要不同的算法进行检测才能得到更好的检测 效果。
④为了剔除缺陷图像边缘存在的不相关信息，并保留图像缺陷的结构属性，提出以图像特征信息导数的最大、最小值来处理缺陷边缘,分别以Canny算子和Sobel算子对待测图像进行检测试验，并能够有效去除缺陷图像的伪边缘，然后通过形态学处理消除缺陷图像内部含有的伪缺陷，并得到最接近实际缺陷的二值化缺陷图，最后提取图像中存在的缺陷信息。