CN105354831A - 一种基于图像分块方差-加权特征值的多缺陷检测方法 - Google Patents

Abstract

本发明是一种基于图像分块方差-加权特征值的多缺陷检测方法，本发明利用图像分块提取子图像，加权协方差计算加权特征值来确定缺陷。图像分块目的是利用图像方差与分块子图像的方差比较，去除图像方差值较小的子图像，得到包含潜在缺陷的子图像，作为下一步加权特征值计算输入。然后利用主元成分分析方法构建加权协方差矩阵，通过计算加权特征值来确定缺陷位置。本发明能对条状物体表面多处缺陷实现同时在线检测，能够一次性检测图像中存在多处表面缺陷，准确实现对条状物体多缺陷目标的检测与定位。具有检测速度快、实时性好、检测准确率高特点。

Description

一种基于图像分块方差-加权特征值的多缺陷检测方法

技术领域

本发明针对条状物体表面存在多个缺陷，提出基于图像分块方差-加权特征值(IPV-WEV)的多缺陷检测方法。本发明适用于条状物体或者类似物体的表面多缺陷在线检测，属于机器视觉、包装工程等交叉领域，属于本发明是一种基于图像分块方差-加权特征值的多缺陷检测方法的创新技术。

技术背景

条状物体，例如：火腿肠、工业炸药等，的包装是产品生产最后一道工序，包装质量的好坏直接影响产品的质量。由于诸多原因，在包装过程中会导致条状物体包装表面出现缺陷,并且图像中存在多处表面裂痕缺陷。这些包装质量有缺陷的物体一旦漏检进入用户环节，将会给用户和企业带来严重的经济损失以及负面影响。因此，条状物体的表面多缺陷检测是包装过程的重要环节。

目前人工检测是主要手段，通过人眼观察条状物体外表面等部位，实现对工业炸药的全面检测与质量控制。但存在以下问题：1)人工检测产品，难以满足生产效率的需求；2)检测工作需要大量工人，极大的增加了生产成本；3)人工检测劳动强度大，容易疲劳，检测标准不一致，容易误漏检。为此，采用机器视觉技术实现工业炸药的缺陷检测可以减少劳动成本，提高产品检测的质量。

条状物体表面缺陷表现为物体轮廓无异常，但物体表面出现裂痕，表面缺陷产生原因在于侧端热封不牢固或者运动过程的摩擦。实际生产过程中，此种缺陷的条状物体数量相对较少，但是，表面缺陷仍然是影响产品质量的一个重要原因，而且该类缺陷的在线检测相对较困难。原因在于：条状物体表面缺陷不规则、位置随机分布，无法事先预知，且表面有文字，文字位置也不确定；该类缺陷只占全部目标检测区域的很少部分，通常不多于5％；在包装过程中，条状物体呈现快速运动的特点。因此，传统的全部目标区域检测的方法，不适用于条状物体包装过程的快速检测要求。

发明内容

针对上述问题，本发明提出一种检测速度快、抗干扰强、实时性好、检测准确率高的基于图像分块方差-加权特征值多缺陷在线检测方法。本发明可用于条状物体表面多缺陷在线检测，实时高效地对目标对象的表面缺陷识别与定位。

为解决条状物体的表面多缺陷在线检测问题，本发明的技术方案如下：

本发明的基于图像分块方差-加权特征值的多缺陷在线检测方法，包括如下步骤：

1)缺陷图像预处理；

2)图像分块，先将预处理的一副m×n显著性图SM分成p×q块子图像，即：

$S=\left[\begin{array}{cccc}{S}_{11}& S_{12}& ...& S_{1q}\\ S_{21}& S_{22}& ...& S_{2q}\\ ...& ...& ...& ...\\ S_{p1}& S_{p2}& ...& S_{pq}\end{array}\right],k=1,2,...,p;l=1,2,...,q---\left(1\right)$

其中S表示显著性图SM，每个子图像S_kl是m_k×n_l矩阵形式，其中 $\underset{k=1}{\overset{k=p}{\Σ}}{m}_k=m,\underset{l=1}{\overset{l=q}{\Σ}}{n}_l=n;$

3)提取包含潜在缺陷的子图像,由于显著性图像SM中缺陷处像素与非缺陷位置像素特征不同，包含缺陷的图像方差明显要比没有缺陷图像的方差大；因此，通过计算子图像方差，与整幅图像均方差对比，确定包含潜在缺陷的子图像位置；

4)构建加权协方差矩阵，利用PCA的思想，通过构建加权协方差矩阵，基于每个像素点灰度值而计算加权特征值，从而确定显著性图SM缺陷位置；

5)加权特征值λ₁,λ₂计算；

6)识别与定位缺陷位置，通过判断λ₁,λ₂的值确定子图像是否包含缺陷：若λ₁,λ₂的值相近，则该子图像块中无缺陷；若λ₁远远大于λ₂，则该子图像块中存在缺陷。

上述步骤3)中，确定包含潜在缺陷的子图像的具体算法描述如下：

21)计算全幅显著性图像SM的均值和方差：

$E(k,l)=\frac{1}{m\×n}\underset{k=1}{\overset{m}{\Σ}}\underset{l=1}{\overset{n}{\Σ}}S(k,l)---\left(2\right)$

${\mathrm{\σ}}^2(k,l)=\frac{1}{m\×n}\underset{k=1}{\overset{m}{\Σ}}\underset{l=1}{\overset{n}{\Σ}}{|S(k,l)-E(k,l)|}^2---\left(3\right)$

式中E(k,l)、σ²(k,l)分别为显著性图像SM的均值，方差。

22)计算分块子图像S_kl均值和方差：

$E_{s_{kl}}(k,l)=\frac{1}{{(2n+1)}^2}\underset{p=k-\mathrm{\ω}}{\overset{k+\mathrm{\ω}}{\Σ}}\underset{q=l-\mathrm{\ω}}{\overset{l+\mathrm{\ω}}{\Σ}}S(p,q)---\left(4\right)$

${\mathrm{\σ}}_{S_{kl}}^2(k,l)=\frac{1}{{(2n+1)}^2}\underset{p=k-\mathrm{\ω}}{\overset{k+\mathrm{\ω}}{\Σ}}\underset{q=l-\mathrm{\ω}}{\overset{l+\mathrm{\ω}}{\Σ}}{|S(p,q)-E(k,l)|}^2---\left(5\right)$

式中(2ω+1)×(2ω+1)为图像分块大小，ω为整数， 分别为子矩阵S_kl的均值、方差；

23)对于整副图像，图像个体(单个像素点灰度值)偏离总体(整幅图像的灰度值)波动不大，也就是方差不是很大；而对于分块的子图像，如果不包含缺陷，其方差小于整幅图像均方差；如果包含缺陷，则子图像的方差必定大于整幅图像均方差，因此判别函数可定义为：

上述步骤4)中，确定显著性图SM缺陷位置的具体步骤描述如下：

31)定义子图像的中心像素点为：

$\stackrel{\‾}{x}=\underset{i-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}\underset{j=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}(x+i)\·f(x+i,y+j)/E_{S_{kl}}---\left(7\right)$

$\stackrel{\‾}{y}=\underset{i=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}\underset{j=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}(y+i)\·f(x+i,y+j)/E_{S_{kl}}---\left(8\right)$

32)子图像的加权协方差矩阵M定义为： $M=\left[\begin{array}{cc}{m}_{xx}& m_{xy}\\ m_{xy}& m_{yy}\end{array}\right],$ 其中

$m_{xx}=\[\underset{i=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}\underset{j=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}{(x+i)}^2\·f(x+i,y+j)/E_{S_{kl}})-{\stackrel{\‾}{x}}^2---\left(9\right)$

$m_{yy}=\[\underset{i=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}\underset{j=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}{(y+j)}^2\·f(x+i,y+j)/E_{S_{kl}}\]-{\stackrel{\‾}{y}}^2---\left(10\right)$

$m_{xy}=\[\underset{i=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}\underset{j=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}(x+i)\·(y+j)\·f(x+i,y+j)/E_{S_{kl}})-\stackrel{\‾}{x}\stackrel{\‾}{y}---\left(11\right).$

上述步骤5)中，加权特征值λ₁,λ₂计算，根据式M-λ·I＝0计算λ₁,λ₂，其中λ₁,λ₂分别为：

${\mathrm{\λ}}_1=\frac{1}{2}\[m_{xx}+m_{yy}+\sqrt{{(m_{xx}-m_{yy})}^2+4m_{xy}^2}\]---\left(12\right)$

${\mathrm{\λ}}_2=\frac{1}{2}\[m_{xx}+m_{yy}-\sqrt{{(m_{xx}-m_{yy})}^2+4m_{xy}^2}\]---\left(13\right).$

上述步骤23)中，图像个体是指单个像素点灰度值，偏离总体是指整幅图像的灰度值。

本发明充分利用图像预处理技术和视觉注意力模型。首先采用图像预处理运算，进行背景估计与差分，利用改进视觉注意力模型(Itti/Koch模型)，对条状物体进行图像增强，得到显著性图像；其次该图像进行图像分块方差计算，确定缺陷子图像；最后采用加权特征值计算缺陷子图像的特征值，判断并确定最终缺陷位置。相比现有技术，本发明具有以下有益效果：

1)提取潜在缺陷子图像速度快，具有自适应能力。首先对图像进行分块处理，根据图像方差与分块子图像方差进行比较，提取潜在缺陷的子图像；然后对缺陷子图像构建加权协方差矩阵，通过计算加权特征值从而将多缺陷目标检测出来。由于缺陷只占检测对象很小部分区域，而该算法关注缺陷的显性特征区域，减少了处理区域，因此提高了检测速度。

2)检测准确率高，该算法受外界环境(例如：光照、震动等)影响小，检测漏检率和误检率低，适合条状物体表面缺陷在线检测。

3)该算法只需要计算分块子图像方差，根据分块子图像方差与整幅图像均方差作比较，利用方差作为判别函数，就可以一次将图像中多处缺陷检测出来，不需要逐个像素点进行搜索或者“充电”，所以在检测时间上该算法远优于其它WTA模型算法和区域生长等算法。

附图说明

图1为本发明基于图像分块方差-加权特征值的多缺陷检测方法流程图；

具体实施方式

本发明采用基于图像分块方差-加权特征值的多缺陷在线检测方法，是一种改进性和综合性方法。其目的是同时将图像中所有缺陷目标检测出来。该方法首先对预处理后的图像进行分块处理，通过比较图像方差与分块子图像方差，提取出潜在缺陷位置子图像；然后对于缺陷子图像进行加权处理，构建多维加权协方差矩阵，然后计算加权协方差矩阵特征值，最后判断加权特征值λ₁,λ₂的值确定子图像是否包含缺陷：

Step1：若加权特征值λ₁,λ₂的值相近，则该子图像块中无缺陷；

Step2：若加权特征值λ₁远远大于加权特征值λ₂，则该子图像块中存在缺陷，从而最终检测并定位缺陷位置。

方法具体步骤如下：

步骤1:缺陷图像预处理。本发明通过对背景信息估计，使表面缺陷与背景信息分割，并利用图像变换突出缺陷部分像素亮度，具体过程如下：

1)采用开运算，对目标图像先腐蚀处理，再膨胀操作。通过结构元滑动既消除条状物体表面文字等像素干扰，又保留缺陷信息，获得背景估计图像；

2)将源图像与背景估计图像进行差分运算。对于一幅图像为M×N矩阵，差分矩阵△[i,j]＝S[i,j]-T[i,j]，S[i,j],T[i,j]分别为源图像与背景估计图像，其中△[i,j]中任意元素非负，最大值小于255。

3)采用亮度变换方法，通过伽马(gamma)变化，增强或者减少图像亮度，达到突出表面缺陷目的。

4)利用视觉注意力模型，处理上述步骤得到图像，获得显著性图像SM。

步骤2：图像分块。先将一副m×n的显著性图SM分成p×q块子图像，即：

$S=\left[\begin{array}{cccc}{S}_{11}& S_{12}& ...& S_{1q}\\ S_{21}& S_{22}& ...& S_{2q}\\ ...& ...& ...& ...\\ S_{p1}& S_{p2}& ...& S_{pq}\end{array}\right],k=1,2,\mathrm{...},p;l=1,2,\mathrm{...},q---\left(1\right)$

其中S表示显著性图SM，每个子图像S_kl是m_k×n_l矩阵形式，其中、 $\underset{k=1}{\overset{k=p}{\Σ}}{m}_k=m,\underset{l=1}{\overset{l=q}{\Σ}}{n}_l=n.$

步骤3：提取缺陷子图像。由于显著性图像S中缺陷处的像素与非缺陷位置的像素特征不同，其方差可以更好体现缺陷显著特征，并且方差是描述图像中像素值与均值之间变化程度，包含缺陷图像方差明显要比没有缺陷图像方差大。因此，可以通过计算子图像方差，通过与整幅图像均方差对比，确定缺陷位置，具体算法描述如下：

a)计算整幅显著性图像S均值和方差：

$E(k,l)=\frac{1}{m\×n}\underset{k=1}{\overset{m}{\Σ}}\underset{l=1}{\overset{n}{\Σ}}S(k,l)---\left(2\right)$

${\mathrm{\σ}}^2(k,l)=\frac{1}{m\×n}\underset{k=1}{\overset{m}{\Σ}}\underset{l=1}{\overset{n}{\Σ}}{|S(k,l)-E(k,l)|}^2---\left(3\right)$

式中E(k,l)、σ²(k,l)分别为显著性图像S均值，方差。

b)计算分块子图像S_kl均值和方差：

$E_{s_{kl}}(k,l)=\frac{1}{{(2n+1)}^2}\underset{p=k-\mathrm{\ω}}{\overset{k+\mathrm{\ω}}{\Σ}}\underset{q=l-\mathrm{\ω}}{\overset{l+\mathrm{\ω}}{\Σ}}S(p,q)---\left(4\right)$

${\mathrm{\σ}}_{s_{kl}}^2(k,l)=\frac{1}{{(2n+1)}^2}\underset{p=k-\mathrm{\ω}}{\overset{k+\mathrm{\ω}}{\Σ}}\underset{q=l-\mathrm{\ω}}{\overset{l+\mathrm{\ω}}{\Σ}}{|S(p,q)-E(k,l)|}^2---\left(5\right)$

式中(2ω+1)×(2ω+1)为图像分块大小，ω为整数，分别为子图像矩阵S_kl的均值、方差。

c)对于整副图像而言，大部分像素点灰度值相近，仅仅包含缺陷区域灰度值较大，因此整幅图像个体(单个像素点灰度值)偏离总体(整幅图像的灰度值)波动不大，也就是方差不是很大；而对于分块的子图像，如果不包含缺陷，则灰度值差别不大，其方差小于整幅图像的方差；如果包含缺陷，灰度值相差较大，其值波动也大，这时子图像的方差必定大于整幅图像的方差。因此判别函数可定义为：

由此，可根据判别函数确定子图像是否包含缺陷。

步骤4：构建加权协方差矩阵,利用上述步骤确定的疑似缺陷子图像，本文利用PCA的思想，通过构建加权协方差矩阵，基于每个像素点灰度值而计算加权的特征值，从而确定显著性图SM中缺陷位置，具体步骤描述如下：

a)定义子图像中心像素点为：

$\stackrel{\‾}{x}=\underset{i=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}\underset{j=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}(x+i)\·f(x+i,y+j)/E_{S_{kl}}---\left(7\right)$

$\stackrel{\‾}{y}=\underset{i=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}\underset{j=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}(y+i)\·f(x+i,y+j)/E_{S_{kl}}---\left(8\right)$

b)子图像加权协方差矩阵M定义为： $M=\left[\begin{array}{cc}{m}_{xx}& m_{xy}\\ m_{xy}& m_{yy}\end{array}\right],$ 其中

$m_{xx}=\[\underset{i=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}\underset{j=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}{(x+i)}^2\·f(x+i,y+j)/E_{S_{kl}})-{\stackrel{\‾}{x}}^2---\left(9\right)$

$m_{yy}=\[\underset{i=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}\underset{j=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}{(y+j)}^2\·f(x+i,y+j)/E_{S_{kl}})-{\stackrel{\‾}{y}}^2---\left(10\right)$

$m_{xy}=\[\underset{i=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}\underset{j=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}(x+i)\·(y+j)\·f(x+i,y+j)/E_{S_{kl}})-\stackrel{\‾}{x}\stackrel{\‾}{y}---\left(11\right)$

步骤5：加权特征值计算，根据式M-λ·I＝0计算λ₁,λ₂，其中λ₁,λ₂分别为：

${\mathrm{\λ}}_1=\frac{1}{2}\[m_{xx}+m_{yy}+\sqrt{{(m_{xx}-m_{yy})}^2+4m_{xy}^2}\]---\left(12\right)$

${\mathrm{\λ}}_2=\frac{1}{2}\[m_{xx}+m_{yy}-\sqrt{{(m_{xx}-m_{yy})}^2+4m_{xy}^2}\]---\left(13\right)$

步骤6：识别与定位缺陷位置，通过判断λ₁,λ₂的值确定子图像是否包含缺陷：若λ₁,λ₂的值相近，则该子图像块中无缺陷；若λ₁远远大于λ₂，则该子图像块中存在缺陷。

Claims (5)

1.一种基于图像分块方差-加权特征值的多缺陷检测方法，其特征在于包括如下步骤：

1)缺陷图像预处理；

2)图像分块，先将预处理的一副m×n显著性图SM分成p×q块子图像，即：

$S=\left[\begin{array}{cccc}{S}_{11}& S_{12}& ...& S_{1q}\\ S_{21}& S_{22}& ...& S_{2q}\\ ...& ...& ...& ...\\ S_{p1}& S_{p2}& ...& S_{pq}\end{array}\right],k=1,2,...,p;l=1,2,...,q---\left(1\right)$

其中S表示显著性图SM，每个子图像S_kl是m_k×n_l矩阵形式，其中 $\underset{k=1}{\overset{k=p}{\Σ}}{m}_k=m,\underset{l=1}{\overset{l=q}{\Σ}}{n}_l=n;$

3)提取包含潜在缺陷的子图像,由于显著性图像SM中缺陷处像素与非缺陷位置像素特征不同，包含缺陷的图像方差明显要比没有缺陷图像的方差大；因此，通过计算子图像方差，与整幅图像均方差对比，确定包含潜在缺陷的子图像位置；

4)构建加权协方差矩阵，利用PCA的思想，通过构建加权协方差矩阵，基于每个像素点灰度值而计算加权特征值，从而确定显著性图SM缺陷位置；

5)加权特征值λ₁,λ₂计算；

6)识别与定位缺陷位置，通过判断λ₁,λ₂的值确定子图像是否包含缺陷：若λ₁,λ₂的值相近，则该子图像块中无缺陷；若λ₁远远大于λ₂，则该子图像块中存在缺陷。

2.根据权利要求1所述的基于图像分块方差-加权特征值的多缺陷检测方法，其特征在于上述步骤3)中，确定包含潜在缺陷的子图像的具体算法描述如下：

21)计算全幅显著性图像SM的均值和方差：

$E(k,l)=\frac{1}{m\×n}\underset{k=1}{\overset{m}{\Σ}}\underset{l=1}{\overset{n}{\Σ}}S(k,l)---\left(2\right)$

${\mathrm{\σ}}^2(k,l)=\frac{1}{m\×n}\underset{k=1}{\overset{m}{\Σ}}\underset{l=1}{\overset{n}{\Σ}}|S(k,l)-E(k,l){|}^2---\left(3\right)$

式中E(k,l)、σ²(k,l)分别为显著性图像SM的均值，方差；

22)计算分块子图像S_kl均值和方差：

$E_{s_{kl}}(k,l)=\frac{1}{{(2n+1)}^2}\underset{p=k-\mathrm{\ω}}{\overset{k+\mathrm{\ω}}{\Σ}}\underset{q=l-\mathrm{\ω}}{\overset{l+\mathrm{\ω}}{\Σ}}S(p,q)---\left(4\right)$

${\mathrm{\σ}}_{s_{kl}}^2(k,l)=\frac{1}{{(2n+1)}^2}\underset{p=k-\mathrm{\ω}}{\overset{k+\mathrm{\ω}}{\Σ}}\underset{q=l-\mathrm{\ω}}{\overset{l+\mathrm{\ω}}{\Σ}}|S(p,q)-E(k,l){|}^2---\left(5\right)$

式中(2ω+1)×(2ω+1)为图像分块大小，ω为整数， 分别为子矩阵S_kl的均值、方差；

23)对于整副图像，图像个体(单个像素点灰度值)偏离总体(整幅图像的灰度值)波动不大，也就是方差不是很大；而对于分块的子图像，如果不包含缺陷，其方差小于整幅图像均方差；如果包含缺陷，则子图像的方差必定大于整幅图像均方差，因此判别函数可定义为：

3.根据权利要求1所述的基于图像分块方差-加权特征值的多缺陷检测方法，其特征在于上述步骤4)中，确定显著性图SM缺陷位置的具体步骤描述如下：

31)定义子图像的中心像素点为：

$\stackrel{\‾}{x}=\underset{i=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}\underset{j=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}(x+i)\·f(x+i,y+j)/E_{S_{kl}}---\left(7\right)$

$\stackrel{\‾}{y}=\underset{i=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}\underset{j=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}(y+i)\·f(x+i,y+j)/E_{S_{kl}}---\left(8\right)$

32)子图像的加权协方差矩阵M定义为： $M=\left[\begin{array}{cc}{m}_{xx}& m_{xy}\\ m_{xy}& m_{yy}\end{array}\right],$ 其中

$m_{xx}=\[\underset{i=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}\underset{j=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}{(x+i)}^2\·f(x+i,y+j)/E_{S_{kl}}\]-{\stackrel{\‾}{x}}^2---\left(9\right)$

$m_{yy}=\[\underset{i=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}\underset{j=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}{(y+j)}^2\·f(x+i,y+j)/E_{S_{kl}}\]-{\stackrel{\‾}{y}}^2---\left(10\right)$

$m_{xy}=\[\underset{i=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}\underset{j=-\mathrm{\ω}}{\overset{\mathrm{\ω}}{\Σ}}(x+i)\·(y+j)\·f(x+i,y+j)/E_{S_{kl}}\]-\stackrel{\‾}{x}\stackrel{\‾}{y}---\left(11\right).$

4.根据权利要求1所述的基于图像分块方差-加权特征值的多缺陷检测方法，其特征在于上述步骤5)中，加权特征值λ₁,λ₂计算，根据式M-λ·I＝0计算λ₁,λ₂，其中λ₁,λ₂分别为：

${\mathrm{\λ}}_1=\frac{1}{2}\[m_{xx}+m_{yy}+\sqrt{{(m_{xx}-m_{yy})}^2+4m_{xy}^2}\]---\left(12\right)$

${\mathrm{\λ}}_2=\frac{1}{2}\[m_{xx}+m_{yy}-\sqrt{{(m_{xx}-m_{yy})}^2+4m_{xy}^2}\]---\left(13\right).$

5.根据权利要求2所述的基于图像分块方差-加权特征值的多缺陷检测方法，其特征在于上述步骤23)中，图像个体是指单个像素点灰度值，偏离总体是指整幅图像的灰度值。