CN108830851A - 一种lcd粗糙斑缺陷检测方法 - Google Patents

Abstract

本申请公开了一种LCD粗糙斑缺陷检测方法，包括建立训练模型，采用训练模型对图像进行训练，获得模型参数；利用训练好的模型对图像进行检测识别，获取测试结果；根据测试结果是否满足条件，判断产品属于良品还是不良品。本申请提供的缺陷检测方法通过对目标图像进行增强处理、提取缺陷特征，再调用训练好的模型对图像中的灰度集合进行聚类、分割，然后对分割结果进行二次处理，最后根据特定条件计算特征量并对结果进行筛选，以判断产品是否为不良品；本申请的方法可有效对LCD屏上的粗糙斑缺陷进行检测，避免发生过检，并且检测结果真实可靠。

Description

一种LCD粗糙斑缺陷检测方法

技术领域

本申请实施例涉及缺陷检测技术领域，特别涉及一种LCD粗糙斑缺陷检测方法。

背景技术

LCD屏广泛应用于手机、平板电脑、车载显示、游戏机、笔记本、数字相机屏等诸多领域。随着市场需求加大，竞争加剧，客户对LCD屏质量要求水平不断提高，导致LCD 生产厂家质量检测难度增大、检测内容增多。

常规的LCD屏检测缺陷主要包括点类缺陷、线类缺陷、色斑类缺陷(Mura)、画面异常类缺陷等，有时也会出现一些非常规的缺陷，比如粗糙斑。

点类缺陷，按与背景对比度，可分为亮点类和暗点类；按发生机制，可分为点亮类和异物类。检测特征主要包括对比度、面积、长度、个数、距离等。常规点类缺陷检测，大多采用基于邻域比较的方法。

线类缺陷，按与背景对比度，可分为亮线和暗线；按其方向，可分为水平和垂直；按其长度，可分为贯穿线和半截线。线类检测算法相对容易设计，大多也采用基于邻域比较的方法。

色斑缺陷(Mura)，是目前业界公认的检测难点，主要是因为其对比度弱，屏本身亮度不均匀等。常规色斑类缺陷，大多采用拟合背景、对比做差等方法，对于特别弱的缺陷，需要进行图像预处理，比如图像增强、带方向图像滤波等。

粗糙斑缺陷，是一种新型的缺陷，与色斑类似，但不完全相同。粗糙斑产生的原因与LCD屏逐渐趋向薄化有关。通常来讲，LCD屏幕越薄，其制作难度越大，在研磨或者玻璃溶液腐蚀过程中，越薄越容易造成玻璃的不均匀，从而导致粗糙斑缺陷的产生。采用相机拍图，如果不经过处理，缺陷部位很难觉察；采用人眼观察，也不能明显辨认出缺陷位置，在仔细分辨下，缺陷屏与正常屏之间，仍然存在细微的差别，有点类似皮肤上的斑点。现有技术中心，采用常规的点、线类缺陷检测方法或者色斑类缺陷检测方法检测粗糙斑，效果都不是特别好，容易发生过检。

发明内容

本申请提供了一种LCD粗糙斑缺陷检测方法，已解决现有技术中常规检测方法无法对粗糙斑进行有效检测的问题，并且本申请提供的缺陷检测方法的检测结果易辨认、识别度高，可广泛用于缺陷斑不良品的判定。

本申请提供了一种LCD粗糙斑缺陷检测方法，所述方法包括以下步骤：

建立训练模型，采用训练模型对图像进行训练，获得模型参数；

利用训练好的模型对图像进行检测识别，获取测试结果；

根据测试结果是否满足条件，判断产品属于良品还是不良品。

可选的，所述建立训练模型，采用训练模型对图像进行训练，获得模型参数包括：

建立高斯混合模型；

循环处理训练图像；

迭代调用EM算法进行计算，直到满足终止条件；

获取模型参数。

可选的，所述建立高斯混合模型的概率分布模型如下：

其中a_k是系数，φ(y|θ)是高斯分布密度，θ_k为第k个参数集；

称为第k个分模型，其中μ_k为第k个分模型中的均值，σ_k为第k个分模型中的方差。

可选的，所述循环处理训练图像包括：

获取训练图像；

对训练图像采取CSF滤波处理；

提取纹理特征；

将纹理特征参数加入模型；

判断是否遍历完训练图像，若已遍历完，则循环处理结束；若未遍历完，则继续获取训练图像。

可选的，所述迭代调用EM算法进行计算，直到满足终止条件包括：

通过EM算法对高斯混合模型参数进行估计，计算后验概率值；

更新参数，计算误差；

若计算结果满足终止条件，则迭代结束；若计算结果不满足终止条件，则重新进行EM算法计算。

可选的，所述利用训练好的模型对图像进行检测识别，获取测试结果包括：

对待测图像进行CSF滤波处理；

提取纹理特征；

采用训练后的模型，对待测图像中的灰度集合进行聚类、分割；

对分割结果进行二次分析处理，得到测试结果。

可选的，所述CSF滤波处理包括：

采用傅里叶变换将图像转换到频域；

构建带通滤波器，并进行频域滤波；

将滤波后的图像经傅里叶反变换到空域。

可选的，所述对分割结果进行二次分析处理，得到测试结果包括：

采用Blob分析法去除分割结果中的小目标干扰；

对去除小目标干扰后的图像进行形态学闭运算；

采用Blob分析法再次选择目标，作为测试结果。

可选的，所述根据测试结果是否满足条件，判断产品属于良品还是不良品包括：

判断测试结果中目标的面积是否满足不良品条件，若不满足条件，则判断为良品；若满足条件，则进行下一步；

判断测试结果中目标的长宽是否满足不良品条件，若不满足条件，则判断为良品；若满足条件，则进行下一步；

判断测试结果中目标的对比度是否满足不良品条件，若不满足条件，则判断为良品；若满足条件，则判断为不良品。

可选的，所述采用训练后的模型，对待测图像中的灰度集合进行聚类、分割包括：

初始化高斯混合模型中的参数；

通过EM算法对高斯混合模型中的参数进行估计，迭代计算后验概率的值及更新参数，直到误差满足终止条件为止；

利用最大后验概率准则对像素进行分配；

输出图像分割结果。

由以上技术方案可知，本申请实施例提供了一种LCD粗糙斑缺陷检测方法，包括建立训练模型，采用训练模型对图像进行训练，获得模型参数；利用训练好的模型对图像进行检测识别，获取测试结果；根据测试结果是否满足条件，判断产品属于良品还是不良品。本申请提供的缺陷检测方法通过对目标图像进行增强处理、提取缺陷特征，再调用训练好的模型对图像中的灰度集合进行聚类、分割，然后对分割结果进行二次处理，最后根据特定条件计算特征量并对结果进行筛选，以判断产品是否为不良品；本申请的方法可有效对粗糙斑缺陷进行检测，避免发生过检，并且检测结果真实可靠。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一种LCD粗糙斑缺陷检测方法的检测流程图；

图2为本申请一种LCD粗糙斑缺陷检测方法中步骤S10的分步流程图；

图3为本申请一种LCD粗糙斑缺陷检测方法中步骤S12的分步流程图；

图4为本申请一种LCD粗糙斑缺陷检测方法中步骤S13的分步流程图；

图5为本申请一种LCD粗糙斑缺陷检测方法中步骤S20的分步流程图；

图6为本申请一种LCD粗糙斑缺陷检测方法中步骤S24的分步流程图；

图7为本申请一种LCD粗糙斑缺陷检测方法中步骤S30的分步流程图；

图8为本申请一种LCD粗糙斑缺陷检测方法中步骤S23的分步流程图；

图9至图12为本申请一种LCD粗糙斑缺陷检测方法测试图像的演变过程图。

具体实施方式

利用图像处理技术，进行缺陷检测，一般需要考虑设计预处理系统，对图像中待测目标进行增强，即逼近人眼视觉系统对目标的响应；另外也要考虑缺陷目标本身的特性。LCD缺陷，按照观察方式区分，可分为微观缺陷和宏观缺陷两种。微观缺陷，比如点类缺陷(亮点、暗点、异物等)，在显微镜下可见；宏观缺陷，比如色斑，在显微镜下不可见，需人眼在一定距离下观察，体现出块状、条状或其他形态的、成片的、连接在一起的不均匀区域。

而粗糙斑缺陷，在显微镜下无法观察到，不属于微观缺陷，在局部呈现不规律性；其虽属于宏观缺陷，在整体上表现出一定的规律性，但其形态与普通色斑不同，不会呈现块状或其他形状的聚类，内部有亮有暗，对比度很弱，在观察图像时，利用普通拉伸图像对比度等增强方法，效果均不好。但人眼观察实物屏，还是能够区分出正常屏和缺陷屏。因此，本申请实施例提供了一种LCD粗糙斑缺陷检测方法。

参见图1，为本申请一种LCD粗糙斑缺陷检测方法的检测流程图；

由图1可知，本申请实施例提供了一种LCD粗糙斑缺陷检测方法，所述方法包括以下步骤：

S10：建立训练模型，采用训练模型对图像进行训练，获得模型参数；本实施例中，首先建立训练模型，并通过模型对用于训练的特定图像做循环处理，当系统判定对所有训练图像的特征数据均加入到相应的模型中后，采用设定的算法进行计算并判断计算结果是否满足条件，如满足条件则输出相应的模型参数，即获得的相应的用于实际检测的模型。

参见图2，为本申请一种LCD粗糙斑缺陷检测方法中步骤S10的分步流程图；

进一步的，所述建立训练模型，采用训练模型对图像进行训练，获得模型参数包括：

S11：建立高斯混合模型；

习惯上，把局部不规则而宏观有规律的特性称之为纹理，纹理是指灰度(颜色)在空间以一定形式变化而产生的图案，其与尺度有着密切的关系，一般仅在一定的尺度上可以观察到，与单个像素无关；以纹理特性为主导的图像，常称为纹理图像；以纹理特性为主导特性的区域，常称为纹理区域。而粗糙斑在整体上表现出一定的规律性，其可作为一种区域特性，属于一种纹理区域。

在对纹理区域进行分析的方法中，高斯混合模型(Gaussian mixture model，GMM)作为有限混合模型的一种，其参数学习和建模已成为统计学习和模式识别中的一个重要方向而被广泛应用到许多领域。因此，本实施例中建立高斯混合模型，是将待聚类的数据看成来自于多个正态分布的混合概率分布，而这些正态分布代表不同的门类，即可分别代表粗糙斑和非缺陷部位，从而有效地用于缺陷分类和识别。

可选的，本实施例中，所述建立高斯混合模型的概率分布模型可选如下：

其中a_k是系数，φ(y|θ)是高斯分布密度，θ_k为第k个参数集；

称为第k个分模型，其中μ_k为第k个分模型中的均值，σ_k为第k个分模型中的方差。

S12：循环处理训练图像；为了保证建立的模型适用于所有图像类型，必须使模型能遍历完所有训练图像。

参见图3，为本申请一种LCD粗糙斑缺陷检测方法中步骤S12的分步流程图；

具体的，所述循环处理训练图像包括：

S121：获取训练图像；

S122：对训练图像采取CSF滤波处理；

S123：提取纹理特征；

S124：将纹理特征参数加入模型；

S125：判断是否遍历完训练图像，若已遍历完，则循环处理结束；若未遍历完，则继续获取训练图像。

由图3可知，本实施例中循环处理训练图像的过程为：首先获取训练图像，将获取到的训练图像采用CSF滤波处理，以增强训练图像，使缺陷点更加清晰可见，再通过提取缺陷部位的纹理特征，得到纹理特征参数；将特征参数代入到模型中，得到具有该缺陷特征的模型；最后，需要判断是否遍历完所有训练图像，如果存在未遍历的训练图像，则返回至步骤S121，重新开始处理，直至步骤S125中判断已经遍历完所有训练图像，此过程终止。

进一步的，所述CSF滤波处理包括：

一、采用傅里叶变换将图像转换到频域；

二、构建带通滤波器，并进行频域滤波；

三、将滤波后的图像经傅里叶反变换到空域。

由于人眼观察目标，本质上是人眼视觉系统对外部刺激信号的响应。这个响应的强度，不单单取决于信号绝对亮度，而是取决于信号对于背景亮度或平均亮度的局部变化，即对比度。人眼对亮度差别达到一定的对比度阈值时才能感觉到，这个阈值被称为对比度阈值。在照度低时，人眼空间分辨率降低且不易辨别出颜色；当照度太强时，人眼空间分辨率不会增加，反而降低，这种非线性滤波效果，使对比度阈值随刺激信号空间频率的不同而变化，对比度阈值的倒数随着空间变换的曲线称为CSF(Contrast sensitivityfunction)。CSF受到如亮度、图像大小、观察距离等多种因素影响，一般认为CSF是带通滤波函数；因此，在本实施例中，进行CSF滤波处理即在模拟人眼视觉系统的条件下设计滤波器，对输入原始图像进行频域滤波，当图像中存在粗糙斑时，缺陷位置的频率与非缺陷位置不同，因此在宏观图像上灰度变化程度不一致，使得粗糙斑可容易被分辨；经CSF滤波后的图像比利用自动对比度算法进行图像拉伸的效果要明显的多。

步骤S123，是根据粗糙斑的图像属性，采用基于统计的方法进行纹理分析，以获取纹理特性，本实施例中所采用的方法为laws纹理能量测量法。

具体的，Laws纹理测量法的基本思想是设置两个窗口：

一个是微窗口，可为3×3、5×5或7×7，常取5×5用来测量以像元为中心的小区域的灰度的不规则性，以形成属性，称为微窗口滤波；

另一个为宏窗口，为15×15或32×32，用来在更大的窗口上求属性的一阶统计量(常为均值和标准偏差)，称之为能量变换。

整个纹理分析过程为

f(x,y)->微窗口滤波->F(x,y)->能量转换->E(x,y)->分类

Laws理论中，首先定义了一维滤波模板，然后通过卷积形成系列一维、二维滤波模板，用于检测和度量纹理的结构信息。主要包括以下三组一维滤波模板。

L3＝[1 2 1]灰度(Level)

E3＝[-1 0 1]边缘(Edge)

S3＝[-1 2 -1]点(Spot)

L5＝[1 4 6 4 1]灰度(Level)

E5＝[-1 –2 0 2 1]边缘(Edge)

S5＝[-1 0 2 0 –1]点(Spot)

W5＝[-1 2 0 –2 1]波(Wave)

R5＝[1 –4 6 –4 1]涟漪(Ripple)

L7＝[1 6 15 20 15 6 1]灰度(Level)

E7＝[-1 –4 –5 0 5 4 1]边缘(Edge)

S7＝[-1 -2 1 4 1 –2 –1]边缘(Edge)

W7＝[-1 0 3 0 –3 0 1]点(Spot)

R7＝[1 -2 –1 4 –1 –2 1]波(Wave)

O7＝[-1 6 –15 20 –15 6 –1]振荡(Oscillation)

以1×5矢量为基础，卷积同样维数的矢量，可获得25个5×5模板。其中最有用的是5×5的零和模板，即

其中a_ij是模板中的元素(i,j＝1,2,3,4,5)；

而本实施例中，在经过CSF滤波之后进行纹理特征提取时，考虑到纹理形状特点，可以采用边缘特征及灰度特征，结合水平及垂直方向，通过不同组合实验对比，最终选取laws理论中几个一维滤波模板，进行两两组合，形成四个二维滤波模板，分别为E5L5、L5E5、E5S5、S5E5，对应形成滤波结果图像，并将结果图像中的纹理特征进行提取。

S13：迭代调用EM算法进行计算，直到满足终止条件；

EM算法(最大期望算法)是在概率模型中寻找参数最大似然估计或最大后验估计的算法，其可以从非完整数据集中对参数进行估计；在本实施例中，采用EM算法对高斯混合模型的计算结果进行估计，并不断更新参数，使最终的计算结果误差值小，更接近于实际测量值，已达到训练目的。

参见图4，为本申请一种LCD粗糙斑缺陷检测方法中步骤S13的分步流程图；

具体的，所述迭代调用EM算法进行计算，直到满足终止条件包括：

S131：通过EM算法对高斯混合模型参数进行估计，计算后验概率值；

S132：更新参数，计算误差；

S133：若计算结果满足终止条件，则迭代结束；若计算结果不满足终止条件，则重新进行EM算法计算。

S14：获取模型参数。当步骤S13中满足终止条件后，可将满足条件的参数作为训练好的模型参数，并储存以备实测。

S20：利用训练好的模型对图像进行检测识别，获取测试结果；在训练完成后，实际图像检测过程中，前期预处理过程与训练过程类似，主要是通过增强图像、提取缺陷特征，之后调用训练好的模型对图像进行处理，得到测试结果。

参见图5，为本申请一种LCD粗糙斑缺陷检测方法中步骤S20的分步流程图；

具体的，步骤S20包括：

S21：对待测图像进行CSF滤波处理；此处的CSF滤波处理与步骤S122中的方法相同，在此不再赘述；

S22：提取纹理特征；此处的提取方法与步骤S123中的方法相同，在此不再赘述；

S23：采用训练后的模型，对待测图像中的灰度集合进行聚类、分割；将待测图像中的灰度集合聚类分割后，会在原图像中显示出存在的所有疑似粗糙斑的位置点，以供后续的筛选操作；

参见图8，为本申请一种LCD粗糙斑缺陷检测方法中步骤S23的分步流程图。

具体的，所述采用训练后的模型，对待测图像中的灰度集合进行聚类、分割包括：

S231：初始化高斯混合模型中的参数；

S232：通过EM算法对高斯混合模型中的参数进行估计，迭代计算后验概率的值及更新参数，直到误差满足终止条件为止；

S233：利用最大后验概率准则对像素进行分配；

S234：输出图像分割结果。

S24：对分割结果进行二次分析处理，得到测试结果。

参见图6，为本申请一种LCD粗糙斑缺陷检测方法中步骤S24的分步流程图；

具体的，所述对分割结果进行二次分析处理，得到测试结果包括：

S241：采用Blob分析法去除分割结果中的小目标干扰；

S242：对去除小目标干扰后的图像进行形态学闭运算；

S243：采用Blob分析法再次选择目标，作为测试结果。

Blob(Binary large object)是指从图像中获取的二值区域，一般来说，该二值区域是图像中的前景。Blob分析法是指对该二值区域，进行面积、周长重心等特征的分析；在本实施例中，Blob分析法的分析对象为目标的大小、形状等进行分析。

S30：根据测试结果是否满足条件，判断产品属于良品还是不良品；需要满足的条件包括面积、长宽及对比度等因素，当所有条件均满足不良品条件时，即判定为不良品。

参见图7，为本申请一种LCD粗糙斑缺陷检测方法中步骤S30的分步流程图；

具体的，所述根据测试结果是否满足条件，判断产品属于良品还是不良品包括：

S31：判断测试结果中目标的面积是否满足不良品条件，若不满足条件，则判断为良品；若满足条件，则进行下一步；

S32：判断测试结果中目标的长宽是否满足不良品条件，若不满足条件，则判断为良品；若满足条件，则进行下一步；

S33：判断测试结果中目标的对比度是否满足不良品条件，若不满足条件，则判断为良品；若满足条件，则判断为不良品。

由以上技术方案可知，本申请实施例提供了一种LCD粗糙斑缺陷检测方法，包括建立训练模型，采用训练模型对图像进行训练，获得模型参数；利用训练好的模型对图像进行检测识别，获取测试结果；根据测试结果是否满足条件，判断产品属于良品还是不良品。本申请提供的缺陷检测方法通过对目标图像进行增强处理、提取缺陷特征，再调用训练好的模型对图像中的灰度集合进行聚类、分割，然后对分割结果进行二次处理，最后根据特定条件计算特征量并对结果进行筛选，以判断产品是否为不良品；本申请的方法可有效对粗糙斑缺陷进行检测，避免发生过检，并且检测结果真实可靠。

实施例一

参见图9至图12，为本申请一种LCD粗糙斑缺陷检测方法测试图像的演变过程图；

下面以一任选实施例为例，对本申请提供的检测方法对测试图像的处理过程进行说明：图9为测试图像原图，由于粗糙斑的自身特征，因此在测试图像原图上通过肉眼观测无法发现可见缺陷；当对测试图像进行CSF滤波处理后，采用E5L5、L5E5、E5S5、S5E5 四个二维滤波模板对应的滤波结果图像如图10a-d所示，由图10a-d可知，位于原图像下方边缘附近区域均显示出不同纹理的粗糙斑缺陷；然后，将提取后的纹理特征图像进行聚类分割，得到最初聚类结果如图11所示，由图11可知，原图像经处理后，疑似的粗糙斑主要集中在下侧边缘附近区域，在上、中部也存在少量的聚类结果；最后，对初始聚类分割结果进行二次分析筛选，得到结果如图12所示，由图12可知，在二次分析处理的过程中，先是通过分析去除了原本位于上部及中部的小目标干扰，再将位于下部的目标利用形态学闭运算进行了组合，并将组合的结果再次选定，利用图12中的筛选结果，可清晰地进行缺陷的判定及其它运算等操作。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种LCD粗糙斑缺陷检测方法，其特征在于，所述方法包括以下步骤：

建立训练模型，采用训练模型对图像进行训练，获得模型参数；

利用训练好的模型对图像进行检测识别，获取测试结果；

根据测试结果是否满足条件，判断产品属于良品还是不良品。

2.根据权利要求1所述的方法，其特征在于，所述建立训练模型，采用训练模型对图像进行训练，获得模型参数包括：

建立高斯混合模型；

循环处理训练图像；

迭代调用EM算法进行计算，直到满足终止条件；

获取模型参数。

3.根据权利要求2所述的方法，其特征在于，所述建立高斯混合模型的概率分布模型如下：

其中a_k是系数，φ(y|θ)是高斯分布密度，θ_k为第k个参数集；

称为第k个分模型，其中μ_k为第k个分模型中的均值，σ_k为第k个分模型中的方差。

4.根据权利要求2所述的方法，其特征在于，所述循环处理训练图像包括：

获取训练图像；

对训练图像采取CSF滤波处理；

提取纹理特征；

将纹理特征参数加入模型；

判断是否遍历完训练图像，若已遍历完，则循环处理结束；若未遍历完，则继续获取训练图像。

5.根据权利要求2所述的方法，其特征在于，所述迭代调用EM算法进行计算，直到满足终止条件包括：

通过EM算法对高斯混合模型参数进行估计，计算后验概率值；

更新参数，计算误差；

若计算结果满足终止条件，则迭代结束；若计算结果不满足终止条件，则重新进行EM算法计算。

6.根据权利要求1所述的方法，其特征在于，所述利用训练好的模型对图像进行检测识别，获取测试结果包括：

对待测图像进行CSF滤波处理；

提取纹理特征；

采用训练后的模型，对待测图像中的灰度集合进行聚类、分割；

对分割结果进行二次分析处理，得到测试结果。

7.根据权利要求4或6所述的方法，其特征在于，所述CSF滤波处理包括：

采用傅里叶变换将图像转换到频域；

构建带通滤波器，并进行频域滤波；

将滤波后的图像经傅里叶反变换到空域。

8.根据权利要求6所述的方法，其特征在于，所述对分割结果进行二次分析处理，得到测试结果包括：

采用Blob分析法去除分割结果中的小目标干扰；

对去除小目标干扰后的图像进行形态学闭运算；

采用Blob分析法再次选择目标，作为测试结果。

9.根据权利要求1所述的方法，其特征在于，所述根据测试结果是否满足条件，判断产品属于良品还是不良品包括：

判断测试结果中目标的面积是否满足不良品条件，若不满足条件，则判断为良品；若满足条件，则进行下一步；

判断测试结果中目标的长宽是否满足不良品条件，若不满足条件，则判断为良品；若满足条件，则进行下一步；

判断测试结果中目标的对比度是否满足不良品条件，若不满足条件，则判断为良品；若满足条件，则判断为不良品。

10.根据权利要求6所述的方法，其特征在于，所述采用训练后的模型，对待测图像中的灰度集合进行聚类、分割包括：

初始化高斯混合模型中的参数；

通过EM算法对高斯混合模型中的参数进行估计，迭代计算后验概率的值及更新参数，直到误差满足终止条件为止；

利用最大后验概率准则对像素进行分配；

输出图像分割结果。