本发明提供一种导光板黑点缺陷检测方法，对导光板进行灰度闭运算、卷积、灰度扩展、求最小矩形、均值滤波和局部标准差滤波等，本发明提出的导光板自适应检测方法复杂度相对较低，能够实现对导光板黑点自动检测提取。实验结果表明，该算法的检测精度和检测效率较高，稳定性和鲁棒性较强，能够对暗黑点进行实时检测，并且检测精度符合企业要求，能够进行实际工程应用。
导光板黑点缺陷检测方法
技术领域
[0001] 本发明涉及生产检测技术领域和计算机视觉领域，具体涉及一种导光板黑点缺陷检测方法。
背景技术
[0002] 导光板(LightGuide Plate，LGP)，主要材料为光学亚克力板，其化学名称是甲基丙烯酸甲脂，是利用光学级的亚克力板材，然后用具有极高反射率且不吸光的高科技材料，
在光学级的亚克力板材底面用激光雕刻、型十字网格雕刻、网版印刷技术印上导光点而成。
导光板具有超薄、超亮、导光均匀、节能、环保、耐用、安装维修简单快捷等鲜明特点，因此被
广泛应用于液晶显示、广告灯、光、平板灯照明等场合。在导光板的丝印制作、化学蚀刻、激
光加工和撞点加工等生产制造过程中，由于原料成分、设备使用情况、加工工艺以及工人操
作等因素的影响，其表面不可避免地会出现亮点、漏点、黑点、网面油墨、线刮伤、镜面点伤、
暗影等加工缺陷。导光板缺陷的存在会影响相关设备的使用，导致设备的使用效率，发光的
均匀性以及寿命等都会受到影响，此外，有缺陷导光板的外销会严重损害企业的信誉，对企
业的长远发展造成重大的负面影响，因此，对生产的导光板进行质量检测，剔除劣质品尤为
重要。
[0003] 目前，国内导光板缺陷检测主要依靠人工操作完成,但人工检测局限性明显，劣势众多。人工检测存在以下缺点：1、由于存在主观判断以及长时间用眼疲劳原因，导致检测质
量不稳定；2、人工成本高；3、劳动强度大；4、劳动效率低下等。为此，针对其中的黑点缺陷，
提出一种检测方法。
[0004] 由于导光板缺陷微小难找,因此为了尽可能检测出导光板中的缺陷需要借助高精度的面阵相机进行取图。目前curvelet变换,contourlet变换以及shearlet变换等方法被
运用到导光板常见缺陷检测上来，但这些算法在检测精度和检测时长上距离企业的相关标
准仍有一定的差距。
[0005] 因此,需要对现有技术进行改进。
发明内容
[0006] 本发明要解决的技术问题是提供一种高效的导光板黑点缺陷检测方法。
[0007] 为解决上述技术问题，本发明提供一种导光板黑点缺陷检测方法：包括以下步骤：
[0008] 步骤S1、读入导光板图像A；执行步骤S2；
[0009] 步骤S2、图像A做灰度闭运算，得到灰度闭运算图像B；执行步骤S3；
[0010] 步骤S3、分别用x方向、y方向的高斯导数对图像B做卷积，得到卷积图像C1、C2；执行步骤S4；
[0011] 步骤S4、取图像C1和C2均以两个灰度范围做灰度扩展，得到四张图像D1A、D1B、D2A、D2B；执行步骤S5；
[0012] 步骤S5、利用高斯平滑核的偏导数来寻找图像D1A、D1b、D2A、D2B上的直线作为导光板的边界，分别记为Left1、Right1、Bottom1、Top1；执行步骤S6；
[0013] 步骤S6、对Left1、Right1、Bottom1、Top1分别进行联合相近直线轮廓，得到处理后的边界，分别记为Left2、Right2、Bottom2、Top2；执行步骤S7；
[0014] 步骤S7、利用轮廓长度特征对处理过后的边界进行筛选，得到筛选后的边界，记为Left3、Right3、Bottom3、Top3；执行步骤S8；
[0015] 步骤S8、将Left3、Right3、Bottom3、Top3从转换为区域类型，然后进行合并，得到联合边界区域a；执行步骤S9；
[0016] 步骤S9、求联合边界区域a的最小矩形，记为ROI区域b；执行步骤S10；
[0017] 步骤S10、图像A进行均值滤波后，再分别用11*3的标准差掩模和3*11的标准差掩模做局部标准差滤波，得标准差图像E1和E2；执行步骤S11；
[0018] 步骤S11、比较标准差图像E1和E2的相应像素点的灰度值，取两者的最大值，得到最大值图像F；执行步骤S12；
[0019] 步骤S12、图像F做均值滤波，得到均值图像G；执行步骤S13；
[0020] 步骤S13、图像F和图像G进行相除，得到相除图像H；执行步骤S14；
[0021] 步骤S14、图像H做中值滤波，得到中值图像I；执行步骤S15；
[0022] 步骤S15、采用八角形结构元素对图像I做灰度闭运算，得到灰度闭运算图像J；执行步骤S16；
[0023] 步骤S16、在图像J中剪切出ROI区域b所对应的图像K；执行步骤S17；
[0024] 步骤S17、对图像K进行阈值分割并连通处理得到疑似黑点区域c；执行步骤S18；
[0025] 步骤S18、采用圆形结构元素对疑似黑点区域c进行膨胀处理，得到膨胀区域d；执行步骤S19；
[0026] 步骤S19、将膨胀区域d和疑似黑点区域c作差，得到作差区域e；执行步骤S20；
[0027] 步骤S20、计算图像A中疑似黑点区域c对应位置的灰度均值Mean；执行步骤S21；
[0028] 步骤S21、计算图像A中作差区域e对应位置的灰度均值Surrounding_Mean；执行步骤S22；
[0029] 步骤S22、Surrounding_Mean和Mean作差后与人为规定的灰度差值Mean_Diff进行比较，保留大于灰度差值Mean_Diff的疑似黑点区域，记为第一次筛选黑点区域f；执行步骤
S23；
[0030] 步骤S23、对图像A进行灰度扩展，得到扩展图像L；执行步骤S24；
[0031] 步骤S24、对扩展图像L进行阈值分割，并与ROI区域b取交集，再做连通处理，得到新的疑似黑点区域g；执行步骤S25；
[0032] 步骤S25、利用面积和偏心距两个特征对新的疑似黑点区域g进行筛选，得到第二次筛选黑点区域h；执行步骤S26；
[0033] 步骤S26、第一次筛选黑点区域f和第二次筛选区域h进行合并，得到总的疑似黑点区域i；执行步骤S27；
[0034] 步骤S27、对图像A中区域i对应位置求取共生矩阵；执行步骤S28；
[0035] 步骤S28、共生矩阵中的一致性Energy与规定的Energy_Threshold进行比较，保留Energy参数小于Energy_Threshold的区域，即确定的黑点区域j；执行步骤S29；
[0036] 筛选公式：sgn(Energy‑Energy_Threshold)
[0037] Energy_Threshold是一致性阈值；
[0038] 步骤S29、求黑点区域j的最小矩形区域，并用矩形结构元素进行膨胀操作，得到矩形区域k；执行步骤S30；
[0039] 步骤S30、将矩形区域k与黑点区域j作差，得到黑点周围区域l；执行步骤S31；
[0040] 步骤S31、在图像A中显示黑点区域j和黑点周围区域l，得到最终图像。
[0041] 作为对本发明导光板黑点缺陷检测方法的改进：
[0042] 步骤2和步骤S15的灰度闭运算为：
[0043] 灰度闭运算公式：
[0044] 式中，A为输入图像，B为矩形结构元素，A·B表示利用B对A进行闭运算，
[0045] 表示利用利用B对A进行膨胀运算， 表示利用利用B对A进行腐蚀运算，闭运算实际上是A先被B膨胀，然后再被B腐蚀的结果。
[0046] 作为对本发明导光板黑点缺陷检测方法的进一步改进：
[0047] 步骤S4中的两个灰度范围分别为(‑4,0)和(0,4)，
[0048] 灰度扩展公式：f*(x,y)＝f(x,y)*Mult+Add
[0049] 其中
[0050] 式中Gmax和Gmin分别是灰度值上边界和下边界；Mult表示灰度范围适应因子，Add表示灰度范围适应值。
[0051] 作为对本发明导光板黑点缺陷检测方法的进一步改进：
[0052] 步骤S5中如果图像D1A、D1b、D2A、D2B上没有直线，则以图像边缘作为导光板的边界。
[0053] 作为对本发明导光板黑点缺陷检测方法的进一步改进：
[0054] 步骤S13的相除操作公式：g′＝g1/g2*Mult2+Add2
[0055] 其中，g1表示被除图像的灰度值，g2表示除图像的灰度值，Mult2表示灰度范围适应因子，Add2表示灰度范围适应值；g’表示相除图像H的灰度值。
[0056] 作为对本发明导光板黑点缺陷检测方法的进一步改进：
[0057] 步骤S17和步骤S24的阈值分割为通过最大类间差法分隔：最大类间差法公式：
[0058] t＝Max[θi1(t)×(ρi1(t)‑ρ)2+θi2(t)×(ρi2(t)‑ρ)2]
[0059] 式中θi1(t)为背景部分比例，θi2(t)为前景部分比例，ρi1(t)为背景部分均值，ρi2(t)为前景部分均值，ρ为导光板实际图像均值，t为所分割的阈值。
[0060] 作为对本发明导光板黑点缺陷检测方法的进一步改进：
[0061] 步骤S23的灰度扩展为：将图像A的灰度范围从(2*Mean/3,3*Mean/4)扩展到(0,255)。
[0062] 作为对本发明导光板黑点缺陷检测方法的进一步改进：
[0063] 步骤S27、对图像A中区域i对应位置求取共生矩阵；执行步骤S28；
[0064] 共生矩阵参数：
[0065] 一致性Energy、相关性Correlation、同质性Homogeneity和对比度Contrast的公式如下：
[0066] 具有K个灰度级的图像，对应的灰度共生矩阵大小为K*K
[0067]
[0068]
[0069]
[0070]
[0071] 式中：pij＝gij/n，n是满足Q的像素对总数；i代表灰度共生矩阵的行索引；j代表灰度共生矩阵的列索引；gij代表灰度共生矩阵第i行、第j列的位置的值；pij代表灰度共生矩
阵第i行、第j列的位置的概率值，即归一化后的灰度共生矩阵第i行、第j列的位置的值；
[0072] mr、mc、σr、σc的公式如下：
[0073]
[0074]
[0075] 式中：mr代表沿归一化后的灰度共生矩阵行计算的均值；mc代表沿归一化后的灰度共生矩阵列计算的均值；σr代表沿归一化后的灰度共生矩阵行计算的标准差；σc代表沿归一
化后的灰度共生矩阵列计算的标准差。
[0076] 本发明导光板黑点缺陷检测方法的技术优势为：
[0077] 相对其他检测方法，本发明提出的导光板自适应检测方法复杂度相对较低，能够实现对导光板黑点自动检测提取。实验结果表明，该算法的检测精度和检测效率较高，稳定
性和鲁棒性较强，能够对暗黑点进行实时检测，并且检测精度符合企业要求，能够进行实际
工程应用。
[0078] 具体优点：
[0079] 1、本发明在实际应用时只需进行适量的参数调节，其余能实现全自动检测；
[0080] 2、本发明对光照变化和导光板类型变化适应性强；
[0081] 3、本发明算法的稳定性和鲁棒性较强，系统的维护方便；
[0082] 4、用不同方法多次监测和筛选黑点区域，避免误检和漏检，算法可靠性高。
附图说明
[0083] 下面结合附图对本发明的具体实施方式作进一步详细说明。
[0084] 图1为本发明导光板黑点缺陷检测方法的流程图；
[0085] 图2为步骤S31中最终结果图；
[0086] 图3为不含导光板上下边界的图；
[0087] 图4为只含导光板上边界的图；
[0088] 图5为只含导光板下边界的图；
[0089] 图6为步骤S1中读入的导光板原图A；
[0090] 图7为步骤S2中灰度闭运算结果图B；
[0091] 图8为步骤S3中卷积结果图C1；
[0092] 图9为步骤S3中卷积结果图C2；
[0093] 图10为步骤S4中灰度扩展结果图D1A——含左边界；
[0094] 图11为步骤S4中灰度扩展结果图D1B——含右边界；
[0095] 图12为步骤S4中灰度扩展结果图D2A——不含下边界；
[0096] 图13为步骤S4中灰度扩展结果图D2B——不含上边界；
[0097] 图14为步骤S5中左边界Left1轮廓结果图；
[0098] 图15为步骤S5中右边界Right1轮廓结果图；
[0099] 图16为步骤S6中左边界Left2轮廓结果图；
[0100] 图17为步骤S6中右边界Right2轮廓结果图；
[0101] 图18为步骤S7中左边界Left3轮廓结果图；
[0102] 图19为步骤S7中右边界Right3轮廓结果图；
[0103] 图20为步骤S8中联合边界区域a结果图；
[0104] 图21为步骤S9中ROI区域b结果图；
[0105] 图22为步骤S10中标准差结果图E1；
[0106] 图23为步骤S10中标准差结果图E2；
[0107] 图24为步骤S11中最大值结果图F；
[0108] 图25为步骤S12中均值最大值结果图G；
[0109] 图26为步骤S13中相除结果图H；
[0110] 图27为步骤S14中中值结果图I；
[0111] 图28为步骤S15中灰度闭运算结果图J；
[0112] 图29为步骤S16中ROI结果图K；
[0113] 图30为步骤S17中疑似黑点区域c结果图(ROI图像K上)；
[0114] 图31为步骤S17中疑似黑点区域c局部放大图；
[0115] 图32为步骤S18中膨胀区域d结果图(ROI图像K上)；
[0116] 图33为步骤S18中膨胀区域d局部放大图；
[0117] 图34为步骤S19中作差区域e结果图(ROI图像K上)；
[0118] 图35为步骤S19中作差区域e局部放大图；
[0119] 图36为步骤S22中第一次筛选黑点区域f结果图；
[0120] 图37为步骤S23中扩展结果图L；
[0121] 图38为步骤S24中新的疑似黑点区域g结果图(只显示区域)；
[0122] 图39为步骤S25中第二次筛选黑点区域h结果图(只显示区域)；
[0123] 图40为步骤S26中总的疑似黑点区域i结果图(只显示区域)；
[0124] 图41为步骤S26中总的疑似黑点区域i局部放大图；
[0125] 图42为步骤S28中确定的黑点区域j结果图；
[0126] 图43为步骤S29中矩形区域k结果图(只显示区域)；
[0127] 图44为步骤S29中矩形区域k局部放大图。
具体实施方式
[0128] 下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此。
[0129] 实施例1、导光板黑点缺陷检测方法，如图1‑44所示，包括以下步骤：
[0130] 步骤S1、读入导光板图像A；执行步骤S2；
[0131] 步骤S2、图像A做灰度闭运算，得到灰度闭运算图像B；执行步骤S3；
[0132] 灰度闭运算作用：对图像中亮的细节和背景相对影响较小，但削弱了暗特征。图像中黑点区域就属于暗特征；
[0133] 灰度闭运算公式：
[0134] 式中，A为输入图像，B为矩形结构元素，A·B表示利用B对A进行闭运算，
[0135] 表示利用利用B对A进行膨胀运算， 表示利用利用B对A进行腐蚀运算，闭运算实际上是A先被B膨胀，然后再被B腐蚀的结果；
[0136] 步骤S3、分别用x方向、y方向的高斯导数对图像B做卷积，得到卷积图像C1、C2；执行步骤S4；
[0137] 高斯导数卷积作用：x方向的高斯导数卷积会体现出横向的图像梯度变化，y方向的高斯导数卷积会体现出纵向的图像梯度变化。图像中左边界和右边界是横向梯度变化较
大处，x方向图像先从亮变暗，所以左边界呈现暗线，再从暗变亮，所以右边界呈现亮线，图
像中下边界和上边界是纵向梯度变化较大处，下边界呈现亮线，上边界呈现暗线；
[0138] x方向的高斯导数公式：
[0139] y方向的高斯导数公式：
[0140] 其中g(x,y)是高斯函数；
[0141] 步骤S4、取图像C1和C2不同的灰度范围做灰度扩展，得到四张不同的图像D1A、D1B、D2A、D2B；执行步骤S5；
[0142] 灰度扩展作用：增强图像中亮暗部分的对比度。此处针对图像C1分别选择两个灰度范围进行扩展，分别得到D1A和D1B，D1A中左边界的暗线被突出，D1B中右边界的亮线被突
出，D2A和D2B也是同理，突出了边界；
[0143] 卷积后的图像暗线部分灰度值在‑6～‑4范围内，亮线部分灰度值在4～6范围内，其余部分灰度值在‑1～1范围内，所以，选取(‑4,0)范围将其扩展到(0,255)会使暗线变得
更暗，除去暗线的其他部分变得更亮，增强了暗线和除去暗线的其他部分的对比度；选取
(0,4)范围将其扩展到(0,255)会使亮线变得更亮，除去亮线的其他部分变得更暗，增强了
亮线和除去亮线的其他部分的对比度。
[0144] 灰度扩展公式：f*(x,y)＝f(x,y)*Mult+Add
[0145] 其中
[0146] 式中Gmax和Gmin分别是灰度值上边界和下边界；Mult表示灰度范围适应因子，Add表示灰度范围适应值；
[0147] 步骤S5、利用高斯平滑核的偏导数来寻找图像D1A、D1b、D2A、D2B上的直线，图像D1A上是导光板的左边界，图像D1B上是导光板的右边界，图像D2A上是导光板的下边界(此
次实施例的导光板图像A中没有直线，直接以图像D2A的下边缘作为导光板的下边界)，图像
D2B是导光板的上边界(此次实施例的导光板图像A中没有直线，直接以图像D2B的上边缘作
为导光板的上边界)，提取的直线均是XLD类型，分别记为Left1、Right1、Bottom1、Top1；执
行步骤S6；
[0148] 步骤S6、对各组边界分别进行联合相近直线轮廓的操作，得到处理后的边界，分别记为Left2、Right2、Bottom2、Top2；执行步骤S7；
[0149] 联合相近直线轮廓作用：耦合一些离得近的线，或使一些断线相连；
[0150] 步骤S7、利用轮廓长度特征对处理过后的边界进行筛选，去除特别短的轮廓，得到筛选后的边界，记为Left3、Right3、Bottom3、Top3；执行步骤S8；
[0151] 步骤S8、将上述各组筛选后的边界从XLD类型转换为区域类型，然后进行合并，得到联合边界区域a；执行步骤S9；
[0152] XLD类型转换为区域类型可以使用OpenCV或Halcon等图像处理软件进行。
[0153] 步骤S9、求联合边界区域a的最小矩形，得到导光板所在区域，记为ROI区域b；执行步骤S10；
[0154] 步骤S10、图像A进行均值滤波后，再分别用11*3的标准差掩模和3*11的标准差掩模做局部标准差滤波，得标准差图像E1和E2；执行步骤S11；
[0155] 局部标准差滤波作用：在抑制噪声的同时保留图像边缘信息；
[0156] 局部标准差滤波机理：在图像中移动一个固定的掩模，计算掩模中每一像素点的局部标准差，然后通过确定最小局域标准差对应的像素点，使之作为滤波器的输出；
[0157] 步骤S11、比较图像E1和E2的相应像素点的灰度值，取两者的最大值，得到最大值图像F；执行步骤S12；
[0158] 取最大值操作作用：更加突出亮的部分；
[0159] 步骤S12、图像F做均值滤波，得到均值图像G；执行步骤S13；
[0160] 均值滤波作用：平滑图像，消除噪声；
[0161] 均值滤波机理：在图像中移动一个固定的掩模，计算掩模中各像素点的均值，使之作为滤波器的输出；
[0162] 步骤S13、图像F和图像G进行相除，得到相除图像H；执行步骤S14；
[0163] 相除操作作用：更加突出边缘；
[0164] 相除操作公式：g′＝g1/g2*Mult2+Add2
[0165] 其中，g1表示被除图像F的灰度值，g2表示除图像G的灰度值，Mult2表示灰度范围适应因子，Add2表示灰度范围适应值；g’表示相除图像H的灰度值。
[0166] 步骤S14、图像H做中值滤波，得到中值图像I；执行步骤S15；
[0167] 中值滤波作用：平滑图像，去除噪声，保护边缘信息；
[0168] 中值滤波机理：在图像中移动一个固定的掩模，计算掩模中各像素点的中间值，使之作为滤波器的输出；
[0169] 步骤S15、采用八角形结构元素(正八边形)对图像I做灰度闭运算，得到灰度闭运算图像J；执行步骤S16；
[0170] 灰度闭运算的方法与步骤S2相同；
[0171] 步骤S16、在图像J中剪切出ROI区域b所对应的图像K；执行步骤S17；
[0172] 步骤S17、通过最大类间差法对图像K进行阈值分割并连通处理得到疑似黑点区域c；执行步骤S18；
[0173] 最大类间差法作用：使得阈值分割错分的概率大大降低；
[0174] 最大类间差法公式：t＝Max[θi1(t)×(ρi1(t)‑ρ)2+θi2(t)×(ρi2(t)‑ρ)2]
[0175] 式中θi1(t)为背景部分比例，θi2(t)为前景部分比例，ρi1(t)为背景部分均值，ρi2(t)为前景部分均值，ρ为导光板实际图像均值，t为所分割的阈值。
[0176] 步骤S18、采用圆形结构元素对疑似黑点区域c进行膨胀处理，得到膨胀区域d；执行步骤S19；
[0177] 步骤S19、将膨胀区域d和疑似黑点区域c作差，得到作差区域e；执行步骤S20；
[0178] 步骤S20、计算图像A中疑似黑点区域c对应位置的灰度均值Mean；执行步骤S21；
[0179] 步骤S21、计算图像A中作差区域e对应位置的灰度均值Surrounding_Mean；执行步骤S22；
[0180] 步骤S22、Surrounding_Mean和Mean作差后与规定的Mean_Diff进行比较，保留大于Mean_Diff的疑似黑点区域，记为第一次筛选黑点区域f；执行步骤S23；
[0181] 筛选公式：sgn((Surrounding_Mean‑Mean)‑Mean_Diff)
[0182] Mean_Diff是人为规定的灰度差值；
[0183] 筛选作用：黑点区域和周围区域在灰度上会有较大差异，以此公式来确认灰度差异大的区域，保留值等于1的区域；
[0184] 步骤S23、图像A的灰度范围为(2*Mean/3,3*Mean/4)，对图像A进行灰度扩展，将灰度范围从(2*Mean/3,3*Mean/4)扩展到(0,255)，得到扩展图像L；执行步骤S24；
[0185] 灰度扩展作用：增强图像中亮暗部分的对比度。此处使得黑点区域变得更暗，而其他区域变得更亮；
[0186] 步骤S24、对扩展图像L进行阈值分割(与步骤S17相同)，并与ROI区域b取交集，再做连通处理，得到新的疑似黑点区域g；执行步骤S25；
[0187] 步骤S25、利用面积(指像素点个数)和偏心距两个特征对新的疑似黑点区域g进行筛选，得到第二次筛选黑点区域h；执行步骤S26；
[0188] 偏心距公式：
[0189] 其中，Ra代表椭圆长半轴，Rb代表椭圆短半轴；As为偏心距。
[0190] 步骤S26、第一次筛选黑点区域f和第二次筛选区域h进行合并，得到总的疑似黑点区域i；执行步骤S27；
[0191] 步骤S27、对图像A中区域i对应位置求取共生矩阵；执行步骤S28；
[0192] 共生矩阵作用：用条件概率来反映纹理，是相邻像素的灰度相关性的表现；
[0193] 共生矩阵参数：
[0194] 1、一致性(也称为能量)Energy：值域为[0,1]的一致性度量。对于恒定图像，一致性为1；
[0195] 2、相关性Correlation：一个像素在整个图像上与其邻居相关程度的度量。值域是[1，‑1]，对应于完美的正相关和完美的负相关。如果任意的一个标准差为0，则该度量无定
义；
[0196] 3、同质性Homogeneity：共生矩阵G中元素对角线分布的空间紧密度的度量。值域为[0,1]，当G是对角矩阵时，其值最大；
[0197] 4、对比度Contrast：一个像素在整个图像上与其邻居间的灰度对比的度量。值域为0到(K‑1)^2，此处K代表了图像的灰度级，K常取256；
[0198] 公式如下：例如一张具有K个灰度级的图像，对应的灰度共生矩阵大小为K*K
[0199]
[0200]
[0201]
[0202]
[0203] 式中：pij＝gij/n，n是满足Q的像素对总数；i代表灰度共生矩阵的行索引；j代表灰度共生矩阵的列索引；gij代表灰度共生矩阵第i行、第j列的位置的值；pij代表灰度共生矩
阵第i行、第j列的位置的概率值，即归一化后的灰度共生矩阵第i行、第j列的位置的值；
[0204] mr、mc、σr、σc的公式如下：
[0205]
[0206]
[0207] 式中：mr代表沿归一化后的灰度共生矩阵行计算的均值；mc代表沿归一化后的灰度共生矩阵列计算的均值；σr代表沿归一化后的灰度共生矩阵行计算的标准差；σc代表沿归一
化后的灰度共生矩阵列计算的标准差。
[0208] 步骤S28、共生矩阵中的Energy参数与规定的Energy_Threshold进行比较，保留Energy参数小于Energy_Threshold的区域，即确定的黑点区域j；执行步骤S29；
[0209] 筛选公式：sgn(Energy‑Energy_Threshold)
[0210] Energy_Threshold是人为规定的一个一致性阈值；
[0211] 筛选作用：黑点区域的一致性较小，利用此公式来确定黑点区域，保留值等于‑1的区域；
[0212] 步骤S29、求黑点区域j的最小矩形区域，并用矩形结构元素进行膨胀操作，得到矩形区域k；执行步骤S30；
[0213] 步骤S30、将矩形区域k与黑点区域j作差，得到黑点周围区域l；执行步骤S31；
[0214] 步骤S31、在图像A中显示黑点区域j和黑点周围区域l，得到最终图像。
[0215] 最后，还需要注意的是，以上列举的仅是本发明的若干个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容
直接导出或联想到的所有变形，均应认为是本发明的保护范围。
