- 文献综述（或调研报告）：
- 基于数字图像处理的缺陷特征提取
为了寻找合适的图像特征，降低识别难度，提高运行速度，首先需要对获取到的原始高分辨率纽扣表面图像进行一些图像预处理。
郭萌等[1]在研究陶瓷碗表面缺陷检测时，针对颜色单一的白色陶瓷，采用了一种对比度增强和直方图均衡化的方法对图像进行预处理，其效果显著。R. Shanmugamani 等[2]在研究枪管内表面的缺陷检测时提出了利用尺度空间降低原始图像分辨率的方法。一组包含了一系列不同分辨率的图像的数据集被称作是尺度空间，一个尺度空间是通过不断地对图像用高斯核函数[3]进行卷积生成的。高斯线性尺度空间是线性多重尺度空间表示的标准类，是计算机视觉中应用最为广泛的一种尺度空间。尺度空间概念的引入可以很大程度上减少模式分类问题的计算量。当然，对分辨率的牺牲也会使一些图像特征的信息被丢失，会造成识别率的下降，因此R. Shanmugamani 等在对比了在不同高斯度下的缺陷识别准确率和运行速度，最终选择了一种合适的尺度。
在对图像进行有效预处理后就能够进行后续的特征提取和缺陷判别。以二维平面图像作为其表现形式的缺陷目标，能够对其进行描述的特征值通常有：几何特征、灰度特征、纹理特征、投影特征和频谱特征，如图 1。
图 1 缺陷检测领域常用的图像特征
几何特征是图像分析中极为重要的一个依据。缺陷目标往往具有一定的几何形状，因此采用几何特征进行描述。几何特征一般包括线性度、曲率、圆度、矩形度等形状信息，也包括面积、周长、长短轴等尺寸信息。
灰度特征描述图像的灰度分布情况，一般由图像像素灰度值的统计特性给出，例如灰度均值、方差、峰值、熵等，都可以作为灰度特征描述子。纹理特征是指灰度分布在较大的区域内宏观上呈现周期性或者结构性[4]。纹理特征一般与灰度的周期分布、走向、形状、尺寸有关。纹理特征也分为空间域描述和频率域描述，空间域常用纹理描述子是灰度共生矩阵、灰度差分统计值、空域能量法等；频率域常用描述法有傅立叶频谱分析法和小波变换法等。投影特征是指将二维图像向水平或垂直方向(或任意选定方向)投影，将二维数据转化为一维数据。然后通过对投影数据的分析或变换，提取与图像相关的特征。采用投影特征的优点是，一方面它实现了数据的降维处理，使数据量减小；另一方面，投影曲线形状在一定程度上反映了原始图像的灰度分布情况，能够体现图像特征。
频谱特征是把原始图像变换到变换域，根据变换系数进行分析。之所以进行变换处理，是因为把图像从时域或空域变换到变换域后，可以把一些隐藏的图像特征很好的体现出来。
