CN106780455A - 一种基于滑动的局部邻域窗口的产品表面检测方法 - Google Patents

Abstract

本发明公开了一种基于滑动的局部邻域窗口的产品表面检测方法，能够对图像进行表面缺陷检测，对非模式图像利用积分图技术大大降低运算复杂度，从而提高了检测速度，具有快速的运算速度和很高的检测率，并且把变异系数作为图像局部邻域的同质性测度，利用自适应阈值处理技术，对表面缺陷进行检测和定位，能够有效的检测多种不同的表面缺陷，具有一定的普遍性和适应性，并且受光照不均的影响小，具有很好的鲁棒性，能够适用于工业生产线上产品质量的控制；对模式图像则建立缺陷图像稀疏表示，根据匹配跟踪算法,简化模型并求解，得到纹理背景部分最优解和缺陷前景部分最优解，将模式图像转化为非模式图像，从而能够对模式图像进行表面缺陷检测。

Description

一种基于滑动的局部邻域窗口的产品表面检测方法

技术领域

本发明涉及一种基于滑动的局部邻域窗口的产品表面检测方法，特别适用于自动化的工业生产线上不锈钢产品的表面缺陷检测。

背景技术

目前，不论模式产品还是非模式产品，其自动化工业生产线都是以表面缺陷检测算法作为自动检测系统的核心来进行产品质量的控制，但是由于表面缺陷检测涉及的产品范围较广，各种产品表面复杂度不同，缺陷随机性强等诸多的难题，表面缺陷检测一直是工业生产行业的难点。尽管近几年来基于机器视觉的表面缺陷检测技术取得了重大进步，但是表面缺陷检测技术仍面临着诸如检测速度慢、识别精度低、光照不均、环境噪声大等难题，并且由于检测算法没有普遍性和适应性，很难用一个算法应用到所有的实际工程项目中，因此研究人员需对不同的产品研究合适其的检测算法。

发明内容

为解决上述问题，本发明的目的在于提供一种基于滑动的局部邻域窗口的产品表面检测方法，该表面检测方法能够对图像进行表面缺陷检测。对非模式图像该表面检测方法利用积分图技术大大降低运算复杂度，从而大大提高检测速度，具有快速的运算速度和很高的检测率，并且把变异系数作为图像局部邻域的同质性测度，利用自适应阈值处理技术，对表面缺陷进行检测和定位，能够有效的检测多种不同的表面缺陷，具有一定的普遍性和适应性，并且受光照不均的影响小，具有很好的鲁棒性，能够适用于工业生产线上产品质量的控制；对模式图像则建立缺陷图像稀疏表示，根据匹配跟踪算法，简化模型并求解，得到纹理背景部分最优解和缺陷前景部分最优解，将模式图像转化为非模式图像，从而能够对模式图像进行表面缺陷检测。

本发明解决其问题所采用的技术方案是：

一种基于滑动的局部邻域窗口的产品表面检测方法，包括以下步骤：

A、判断产品的表面图像属于非模式图像还是模式图像，若为非模式图像，转到步骤C，若为模式图像，转到步骤B；

B、根据模式图像能够在冗余字典下稀疏表示的特点，建立缺陷图像稀疏表示模型，将缺陷前景从背景中分离出来，从而将模式图像的缺陷检测问题转化为非模式图像的缺陷检测问题；

C、对产品的非模式图像进行表面图像采集，得到一幅像素大小为M×N的图像I，其中，M和N均为大于零的整数；

D、采用一个像素大小为W*W，中心像素为P(x，y)的局部邻域窗口对图像I进行滑动扫描，同时使用能够大大降低运算复杂度的积分图技术，得到局部邻域窗口内所有像素的灰度均值，其中，W＝2*w+1，w为大于零的整数，W≤M且W≤N；

E、利用局部邻域窗口内所有像素的灰度均值，得到局部邻域窗口内所有像素的灰度均值的标准偏差；

F、利用局部邻域窗口内所有像素的灰度均值和标准偏差，得到图像I中每个像素的变异系数，即局部同质性测度值；

G、利用图像I中所有像素的局部同质性测度值，得到图像I中所有像素的局部同质性测度均值；

H、运用自适应阈值处理技术，利用图像I中所有像素的局部同质性测度均值求得自适应阈值；

I、把图像I中所有像素的局部同质性测度值与自适应阈值作比较，局部同质性测度值小于自适应阈值的像素被判断为非缺陷区域，反之，该像素则被判断为缺陷区域；

J、根据步骤I的结果，结合已知的可能出现的缺陷的尺寸大小，滤掉过小的伪缺陷区域，得到最后的缺陷分割图，由缺陷分割图判断图像I是否具有缺陷，并由此判断当前产品是否为缺陷产品。

进一步，步骤D中得到局部邻域窗口内所有像素的灰度均值的公式如下：

其中，μ_x，y为局部邻域窗口内像素灰度均值。

进一步，步骤E中得到标准偏差的公式如下：

其中，σ_x，y为标准偏差，I(x，y)为坐标(x，y)处对应像素的灰度值，x＝1，2，...，M，y＝1，2，...，N。

进一步，步骤F中得到图像I中每个像素的局部同质性测度值的公式如下：

其中，C_v(x，y)为局部同质性测度值。

进一步，步骤G中得到图像I中所有像素的局部同质性测度均值的公式如下：

其中，μ_cv为图像I中所有像素的局部同质性测度均值。

进一步，步骤H中运用自适应阈值处理技术得到自适应阈值的公式如下：

T_cv＝μ_cv+ω

其中，T_cv为自适应阈值，ω为阈值控制变量。不同的图像有不同的自适应阈值T_cv，其随着图像的不同而自适应的变化。阈值控制变量ω根据检测对象的不同而取不同的值，其能够通过选择大量的无缺陷样本和缺陷样本进行离线学习而被得到。

进一步，步骤D中利用积分图技术求得局部邻域窗口内所有像素的灰度均值的积分图表示式如下：

其中，G(x，y)为从图像I的左上角的起始像素与当前像素所围成的矩形区域内所有像素的灰度值之和。对于具有矩形特征的图像I，由于对其进行运算的运算量过大，会导致运算缓慢，因此在对图像I进行运算时引入能够快速计算特征值的积分图技术，积分图是一种能够描述全局信息的矩阵表示方法，能够只遍历一次图像I就可以求出图像I中所有区域的像素和，极大地提高了图像矩形特征值的计算效率。

进一步，对于光滑金属表面、布匹表面、钢板表面的缺陷检测，局部邻域窗口的像素大小W*W分别为13×13、13×13和16×16。在工业生产中，可能出现的缺陷，其尺寸大小是事先知道的，所以可以选择适当的局部邻域窗口的大小进行检测，局部邻域窗口的大小W×W的选择会直接影响算法的检测效果，如果局部邻域窗口的尺寸选择过小，可能只检测到缺陷的边缘部分，从而导致缺陷检测不完整，甚至会造成缺陷的误检和漏检，如果局部邻域窗口的尺寸选择过大，则可能会平滑图像而忽略细小缺陷，同样也会造成漏检。一般情况下，局部邻域窗口的大小应该比缺陷的尺寸大一些。

进一步，对于光滑金属表面、布匹表面、钢板表面的缺陷检测，阈值控制变量ω分别为0.3、0.8和0.3。在工业生产中，阈值控制变量ω的选择会直接影响算法的检测效果，其根据检测对象的不同而取不同的值，能够通过选择大量的无缺陷样本和缺陷样本进行离线学习而被得到。

进一步，步骤B中建立缺陷图像稀疏表示模型，并将模式图像转化为非模式图像的具体步骤为：

A1、把模式图像Y分解为纹理背景部分Y_t和缺陷前景部分Y_d，即模式图像Y由纹理背景部分Y_t和缺陷前景部分Y_d通过线性叠加组成，即Y＝Y_t+Y_d；

B1、对模式图像Y建立缺陷图像稀疏表示模型，即：

其中，α_t为纹理背景部分的稀疏系数，α_d为缺陷前景部分的稀疏系数，α_t ^opt为纹理背景部分的最优稀疏系数，α_d ^opt为缺陷前景部分的最优稀疏系数，λ为权重系数，D_t为超完备的背景字典，D_d为超完备的缺陷字典；

C1、根据匹配跟踪算法的思想，把模式图像Y的缺陷图像稀疏表示模型转换为简化模型：

D1、求解步骤C1中的最终模型，得到纹理背景部分最优解T_t ^opt和缺陷前景部分最优解模式图像Y转化为非模式图像I。

本发明的有益效果是：一种基于滑动的局部邻域窗口的产品表面检测方法，能够对模式图像和非模式图像进行表面缺陷检测，对非模式图像利用积分图技术大大降低运算复杂度，从而大大提高检测速度，具有快速的运算速度和很高的检测率，并且把变异系数作为图像局部邻域的同质性测度，利用自适应阈值处理技术，对表面缺陷进行检测和定位，能够有效的检测多种不同的表面缺陷，具有一定的普遍性和适应性，并且受光照不均的影响小，具有很好的鲁棒性，能够适用于工业生产线上产品质量的控制；对模式图像则建立缺陷图像稀疏表示，根据匹配跟踪算法，简化模型并求解，得到纹理背景部分最优解和缺陷前景部分最优解，将模式图像转化为非模式图像，从而能够对模式图像进行表面缺陷检测。

附图说明

下面结合附图和实例对本发明作进一步说明。

图1是本发明表面检测方法的流程图。

具体实施方式

参照图1，本发明的一种基于滑动的局部邻域窗口的产品表面检测方法，包括以下步骤：

A、判断产品的表面图像属于非模式图像还是模式图像，若为非模式图像，转到步骤C，若为模式图像，转到步骤B；

B、根据模式图像能够在冗余字典下稀疏表示的特点，建立缺陷图像稀疏表示模型，将缺陷前景从背景中分离出来，从而将模式图像的缺陷检测问题转化为非模式图像的缺陷检测问题；

C、对产品的非模式图像进行表面图像采集，得到一幅像素大小为M×N的图像I，其中，M和N均为大于零的整数；

D、采用一个像素大小为W*W，中心像素为P(x，y)的局部邻域窗口对图像I进行滑动扫描，同时使用能够大大降低运算复杂度的积分图技术，得到局部邻域窗口内所有像素的灰度均值，其中，W＝2*w+1，w为大于零的整数，W≤M且W≤N；

E、利用局部邻域窗口内所有像素的灰度均值，得到局部邻域窗口内所有像素的灰度均值的标准偏差；

F、利用局部邻域窗口内所有像素的灰度均值和标准偏差，得到图像I中每个像素的变异系数，即局部同质性测度值；

G、利用图像I中所有像素的局部同质性测度值，得到图像I中所有像素的局部同质性测度均值；

H、运用自适应阈值处理技术，利用图像I中所有像素的局部同质性测度均值求得自适应阈值；

I、把图像I中所有像素的局部同质性测度值与自适应阈值作此较，局部同质性测度值小于自适应阈值的像素被判断为非缺陷区域，反之，该像素则被判断为缺陷区域；

J、根据步骤I的结果，结合已知的可能出现的缺陷的尺寸大小，滤掉过小的伪缺陷区域，得到最后的缺陷分割图，由缺陷分割图判断图像I是否具有缺陷，并由此判断当前产品是否为缺陷产品。

具体地，步骤D中得到局部邻域窗口内所有像素的灰度均值的公式如下：

其中，μ_x，y为局部邻域窗口内像素灰度均值。

具体地，步骤E中得到标准偏差的公式如下：

其中，σ_x，y为标准偏差，I(x，y)为坐标(x，y)处对应像素的灰度值，x＝1，2，...，M，y＝1，2，...，N。

具体地，步骤F中得到图像I中每个像素的局部同质性测度值的公式如下：

其中，C_v(x，y)为局部同质性测度值。对于具有矩形特征的图像I，对其进行运算的运算量过大，由上面的三个公式求得图像I内所有像素的局部同质性测度值的运算复杂度为O(W·W·M·N)，因此在对图像I进行运算时引入能够快速计算特征值的积分图技术，积分图是一种能够描述全局信息的矩阵表示方法，能够只遍历一次图像I就可以求出图像I中所有区域的像素和，能够极大地提高了图像矩形特征值的计算效率。对于图像I而言，其积分图也是一张图，该图上任意一点G(x，y)的值是指从图像I的左上角的像素与当前像素所围成的矩形区域内所有像素的灰度值之和，即

因此，在图像I中，以P(x，y)为中心像素，大小为W*W的局部邻域窗口内所有像素的灰度均值，用积分图可以表示为：

此时，用此灰度均值μ_x，y求得图像I内所有像素的局部同质性测度值C_v(x，y)的运算复杂度只有O(M·N)，而且无论局部邻域窗口的尺寸大小如何，只需用积分图做3次算术运算就可以求得任意窗口内像素的灰度值之和，并且不管特征矩形的尺度怎样变化，在对类Haar特征的计算过程中，不需要重复扫描计算，只要进行一次图像扫描，就可以求出图像中各个需要的矩形特征值，因此大大降低了运算复杂度，从而大大提高了检测速度。

具体地，步骤G中得到图像I中所有像素的局部同质性测度均值的公式如下：

其中，μ_cv为图像I中所有像素的局部同质性测度均值。

具体地，步骤H中运用自适应阈值处理技术得到自适应阈值的公式如下：

T_cv＝μ_cv+ω

其中，T_cv为自适应阈值，ω为控制变量。不同的图像有不同的自适应阈值T_cv，其随着图像的不同而自适应的变化。控制变量ω根据检测对象的不同而取不同的值，其能够通过选择大量的无缺陷样本和缺陷样本进行离线学习而被得到。

具体地，对于光滑金属表面、布匹表面、钢板表面的缺陷检测，局部邻域窗口的像素大小W*W分别为13×13、13×13和16×16。在工业生产中，可能出现的缺陷，其尺寸大小是事先知道的，所以可以选择适当的局部邻域窗口的大小进行检测，局部邻域窗口的大小W×W的选择会直接影响算法的检测效果，如果局部邻域窗口的尺寸选择过小，可能只检测到缺陷的边缘部分，从而导致缺陷检测不完整，甚至是造成缺陷的误检和漏检，如果局部邻域窗口的尺寸选择过大，则可能会平滑图像而忽略细小缺陷，同样也会造成漏检。一般情况下，局部邻域窗口的大小应该比缺陷的尺寸大一些。

具体地，对于光滑金属表面、布匹表面、钢板表面的缺陷检测，阈值控制变量ω分别为0.3、0.8和0.3。在工业生产中，阈值控制变量ω的选择会直接影响算法的检测效果，其根据检测对象的不同而取不同的值，能够通过选择大量的无缺陷样本和缺陷样本进行离线学习而被得到。

具体地，针对具有规则纹理背景的模式图像，通过利用基于稀疏分析的表面缺陷检测算法，根据图像能够在冗余字典下稀疏表示的特点，建立缺陷图像稀疏表示模型，将缺陷前景从背景中分离出来，从而将模式图像的缺陷检测问题转化为非模式图像的缺陷检测问题，进而能够提取出缺陷部分。对于具有纹理分布的模式图像的表面缺陷检测而言，可以把模式图像Y看成是由纹理背景部分Y_t和缺陷前景部分Y_d的线性叠加组成，即：

Y＝Y_t+Y_d

若给定模式图像Y的大小为N×N，纹理背景部分Y_t仅包含模式图像的规则纹理，因此可假设存在一个超完备的背景字典(L表示字典的原子个数，通常L N²)，使其能够求解下列问题：

α_t ^opt＝arg min||α_t||₀，s.t.Y_t＝D_t×α_t

上式是对纹理背景部分进行超完备变换，背景字典D_t使其解得一个稀疏的解，并使得稀疏系数α_t的稀疏性最大。同样地，对于缺陷前景部分Y_d假设存在一个超完备的缺陷字典(K表示字典原子个数，通常K N²)，使其能够求解下列问题：

α_d ^opt＝arg min||α_d||₀，s.t.Y_d＝D_d×α_d

同理，上式也能够获得一个非常稀疏的解。另外，假设对于纹理背景部分Y_t，在缺陷字典D_d下不能得到一个稀疏解；对于缺陷前景部分Y_d，在背景字典D_t下也不能产生稀疏解。当上述假设条件成立时，模式图像Y就能够得到稀疏表示，即模式图像Y能够建立缺陷图像稀疏表示模型，因此，对模式图像Y建立的缺陷图像稀疏表示模型为：

其中，α_t为纹理背景部分的稀疏系数，α_d为缺陷前景部分的稀疏系数，α_t ^opt为纹理背景部分的最优稀疏系数，α_d ^opt为缺陷前景部分的最优稀疏系数，λ为权重系数，D_t为超完备的背景字典，D_d为超完备的缺陷字典。由于模式图像的稀疏分解是一个近似过程，上式第三项为重构图像与原始图像的之间的误差，其在一定程度上表征了图像的噪声。为了简化上式，可根据匹配跟踪算法，把模式图像Y的缺陷图像稀疏表示模型转换为：

求解上述的最终模型，得到纹理背景部分最优解Y_t ^opt和缺陷前景部分最优解模式图像Y转化为非模式图像I，从而能够对模式图像Y进行表面缺陷检测。因此能够对模式产品和非模式产品进行表面缺陷检测，符合工业生产线上产品质量的控制要求。

综上所述，本发明采用的一种基于滑动的局部邻域窗口的产品表面检测方法，能够自适应地检测出光滑金属产品、布匹、钢板等非模式产品及模式产品的表面缺陷，具有快速的运算速度和很高的检测率，并且具有很好的鲁棒性，能够适用于工业生产线上产品质量的控制。

以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于滑动的局部邻域窗口的产品表面检测方法，其特征在于：

包括以下步骤：

A、判断产品的表面图像属于非模式图像还是模式图像，若为非模式图像，转到步骤C，若为模式图像，转到步骤B；

B、根据模式图像能够在冗余字典下稀疏表示的特点，建立缺陷图像稀疏表示模型，将缺陷前景从背景中分离出来，从而将模式图像的缺陷检测问题转化为非模式图像的缺陷检测问题；

C、对产品的非模式图像进行表面图像采集，得到一幅像素大小为M×N的图像I，其中，M和N均为大于零的整数；

D、采用一个像素大小为W*W，中心像素为P(x，y)的局部邻域窗口对图像I进行滑动扫描，同时使用能够大大降低运算复杂度的积分图技术，得到局部邻域窗口内所有像素的灰度均值，其中，W＝2*w+1，w为大于零的整数，W≤M且W≤N；

E、利用局部邻域窗口内所有像素的灰度均值，得到局部邻域窗口内所有像素的灰度均值的标准偏差；

F、利用局部邻域窗口内所有像素的灰度均值和标准偏差，得到图像I中每个像素的变异系数，即局部同质性测度值；

G、利用图像I中所有像素的局部同质性测度值，得到图像I中所有像素的局部同质性测度均值；

H、运用自适应阈值处理技术，利用图像I中所有像素的局部同质性测度均值求得自适应阈值；

I、把图像I中所有像素的局部同质性测度值与自适应阈值作比较，局部同质性测度值小于自适应阈值的像素被判断为非缺陷区域，反之，该像素则被判断为缺陷区域；

J、根据步骤I的结果，结合已知的可能出现的缺陷的尺寸大小，滤掉过小的伪缺陷区域，得到最后的缺陷分割图，由缺陷分割图判断图像I是否具有缺陷，并由此判断当前产品是否为缺陷产品。

2.根据权利要求1所述的一种基于滑动的局部邻域窗口的产品表面检测方法，其特征在于：所述步骤D中得到局部邻域窗口内所有像素的灰度均值的公式如下：

${\mathrm{\μ}}_{x,y}=\frac{\underset{i=-w}{\overset{w}{\Σ}}\underset{j=-w}{\overset{w}{\Σ}}I(x+i,y+j)}{W\×W}$

其中，μ_x，y为局部邻域窗口内像素灰度均值。

3.根据权利要求1所述的一种基于滑动的局部邻域窗口的产品表面检测方法，其特征在于：所述步骤E中得到标准偏差的公式如下：

${\mathrm{\σ}}_{x,y}=\sqrt{\frac{\underset{i=-w}{\overset{w}{\Σ}}\underset{j=-w}{\overset{w}{\Σ}}{\left(I\right(x,y)-{\mathrm{\μ}}_{x,y})}^2}{W\×W}}$

其中，σ_x，y为标准偏差，I(x，y)为坐标(x，y)处对应像素的灰度值，x＝1，2，...，M，y＝1，2，...，N。

4.根据权利要求1所述的一种基于滑动的局部邻域窗口的产品表面检测方法，其特征在于：所述步骤F中得到图像I中每个像素的局部同质性测度值的公式如下：

$C_v(x,y)=\frac{{\mathrm{\σ}}_{x,y}}{{\mathrm{\μ}}_{x,y}}\×100\%$

其中，C_v(x，y)为局部同质性测度值。

5.根据权利要求1所述的一种基于滑动的局部邻域窗口的产品表面检测方法，其特征在于：所述步骤G中得到图像I中所有像素的局部同质性测度均值的公式如下：

${\mathrm{\μ}}_{cv}=\frac{\underset{i=1}{\overset{M}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{C}_v(i,j)}{M\×N}$

其中，μ_cv为图像I中所有像素的局部同质性测度均值。

6.根据权利要求1所述的一种基于滑动的局部邻域窗口的产品表面检测方法，其特征在于：所述步骤H中运用自适应阈值处理技术得到自适应阈值的公式如下：

T_cv＝μ_cv+ω

其中，T_cv为自适应阈值，ω为阈值控制变量。

7.根据权利要求1所述的一种基于滑动的局部邻域窗口的产品表面检测方法，其特征在于：所述步骤D中利用所述的积分图技术求得局部邻域窗口内所有像素的灰度均值的积分图表示式如下：

$G(x,y)=\underset{x^{\′}\≤x}{\Σ}\underset{y^{\′}\≤y}{\Σ}I(x^{\′},y^{\′})$

${\mathrm{\μ}}_{x,y}=\frac{G(x+w,y+w)-G(x+w,y-w)-G(x-w,y+w)+G(x-w,y-w)}{W\×W}$

其中，G(x，y)为从图像I的左上角的起始像素与当前像素所围成的矩形区域内所有像素的灰度值之和。

8.根据权利要求1所述的一种基于滑动的局部邻域窗口的产品表面检测方法，其特征在于：对于光滑金属表面、布匹表面、钢板表面的缺陷检测，所述的局部邻域窗口的像素大小W*W分别为13×13、13×13和16×16。

9.根据权利要求6所述的一种基于滑动的局部邻域窗口的产品表面检测方法，其特征在于：对于光滑金属表面、布匹表面、钢板表面的缺陷检测，所述的阈值控制变量ω分别为0.3、0.8和0.3。

10.根据权利要求1所述的一种基于滑动的局部邻域窗口的产品表面检测方法，其特征在于：所述步骤B中建立缺陷图像稀疏表示模型，并将模式图像转化为非模式图像的具体步骤为：

A1、把模式图像Y分解为纹理背景部分Y_t和缺陷前景部分Y_d，即模式图像Y由纹理背景部分Y_t和缺陷前景部分Y_d通过线性叠加组成，即Y＝Y_t+Y_d；

B1、对模式图像Y建立缺陷图像稀疏表示模型，即：

$\{{{\mathrm{\α}}_t}^{opt},{{\mathrm{\α}}_d}^{opt}\}=\arg \min \left|\right|{\mathrm{\α}}_t|{|}_0+|\left|{\mathrm{\α}}_d\right|{|}_0+\mathrm{\λ}\left|\right|Y-D_t{\mathrm{\α}}_t-D_d{\mathrm{\α}}_d|{|}_2^2$

其中，α_t为纹理背景部分的稀疏系数，α_d为缺陷前景部分的稀疏系数，α_t ^opt为纹理背景部分的最优稀疏系数，α_d ^opt为缺陷前景部分的最优稀疏系数，λ为权重系数，D_t为超完备的背景字典，D_d为超完备的缺陷字典；

C1、根据匹配跟踪算法的思想，把模式图像Y的缺陷图像稀疏表示模型转换为简化模型：

$\begin{array}{c}\{{Y_t}^{opt},{Y_d}^{opt}\}=\arg min\left|\right|{D_t}^{+}{Y}_t|{|}_1+|\left|{D_d}^{+}{Y}_d\right|{|}_1\\ +\mathrm{\λ}\left|\right|Y-Y_t-Y_d|{|}_2^2\end{array};$

D1、求解步骤C1中的最终模型，得到纹理背景部分最优解Y_t ^opt和缺陷前景部分最优解此时，模式图像Y转化为非模式图像I。