检测-基于频域的mura缺陷检测

dev_close_window ()
dev_update_off ()
Path := 'lcd/mura_defects_texture_'
read_image (Image, Path + '01')
get_image_size (Image, Width, Height)
dev_open_window (0, 0, 640, 480, 'black', WindowHandle)
set_display_font (WindowHandle, 14, 'mono', 'true', 'false')
dev_set_draw ('margin')
dev_set_line_width (3)
dev_set_color ('red')
for f := 1 to 2 by 1
    * 读图像
    read_image (Image, Path + f$'.2i')
    * 将RGB图像的R  G  B三个通道分别分出来为三个分量的图像
    decompose3 (Image, R, G, B)
    * defects are characterized by dark patches. Hence, by substracting the
    * estimated background illumination from the original image the
    * defects become more apparent
    * 缺陷的特征是暗斑。 因此，通过从原始图像中减去估计的背景照明，缺陷变得更加明显
    
    * 这个是自己定义的一个函数，使用F7快捷键，可以跳转到函数内部
    estimate_background_illumination (B, ImageFFT1)
    * 两个图像相减，
    * 计算公式：g' := (g1 - g2) * Mult + Add
    * 原图减去低通滤波后的图像，得到边缘明显的图像
    sub_image (B, ImageFFT1, ImageSub, 2, 100)
    * median filter smooths out the fine texture, simplifying the following
    * segmentation and final detection of defects
    * 中值滤波器可以平滑精细纹理，简化了以下分割和最终缺陷检测
    
    * 中值滤波
    median_image (ImageSub, ImageMedian, 'circle', 9, 'mirrored')
    * 分水岭阈值分割
    * 首先使用分水岭分割方法分离出多个区域，然后假设相邻区域内的最小值分别为B1、B2，分水岭的最小值为W。
    * 当满足max{W-B1,W-B2} < Threshold时，合并为同个区域。
    watersheds_threshold (ImageMedian, Basins, 20)
    * dark patches corresponding to defects have a very low energy
    * Energy：灰度值能量 （能量：是灰度共生矩阵各元素值的平方和，是对图像纹理的灰度变化稳定程度的度量，反应了图像灰度分布均匀程度和纹理粗细度。能量值大表明当前纹理是一种规则变化较为稳定的纹理）
    * Correlation：灰度值的相关性 （能量：是灰度共生矩阵各元素值的平方和，是对图像纹理的灰度变化稳定程度的度量，反应了图像灰度分布均匀程度和纹理粗细度。能量值大表明当前纹理是一种规则变化较为稳定的纹理）
    * Homogeneity：灰度值的局部同质性 （是图像包含信息量的随机性度量。当共生矩阵中所有值均相等或者像素值表现出最大的随机性时，熵最大；因此熵值表明了图像灰度分布的复杂程度，熵值越大，图像越复杂）
    * Contrast：灰度值对比 （反差：又称为对比度，度量矩阵的值是如何分布和图像中局部变化的多少，反应了图像的清晰度和纹理的沟纹深浅。纹理的沟纹越深，反差越大，效果清晰；反之，对比值小，则沟纹浅，效果模糊）
    cooc_feature_image (Basins, ImageMedian, 6, 0, Energy, Correlation, Homogeneity, Contrast)
    
    * sgn：确认是1还是-1
    * 分析能量，能量值越大，灰度分布越平稳，能量值越小，灰度变换大。然后得到能量数组中符合条件的索引
    tuple_find (sgn(Energy - 0.05), -1, Indices)
    * 通过索引值，选择对应的区域
    select_obj (Basins, Defects, Indices + 1)
    * 在原图上标记出mura缺陷
    dev_display (Image)
    dev_display (Defects)
    * 计算缺陷的个数
    count_obj (Defects, NDefects)
   
    disp_message (WindowHandle, NDefects + ' \'mura\' defects detected', 'window', -1, -1, 'red', 'true')
    if (f < 2)
        disp_continue_message (WindowHandle, 'black', 'true')
        stop ()
    endif
endfor

estimate_background_illumination自定义函数内容：

* 获取图像宽高
get_image_size (Image, Width, Height)
* 对一幅图片的实部进行快速傅里叶变换的计算，将图像转为傅里叶图像
rft_generic (Image, ImageFFT, 'to_freq', 'none', 'complex', Width)

* 在频域中生成高斯低通滤波器
* Sigma1和Sigma2越大，建立的滤波器能通过更多的信息
* Sigma1和Sigma2越小，建立的滤波器将滤去更多的尖锐信息
gen_gauss_filter (ImageGauss, 50, 50, 0, 'n', 'rft', Width, Height)
* 对图片用滤波器在频域进行卷积运算，也就是使用高斯滤波器在频域内进行滤波处理
convol_fft (ImageFFT, ImageGauss, ImageConvol)
* 对滤波后的图片进行傅里叶反变换，得到空间域图像
rft_generic (ImageConvol, IlluminationImage, 'from_freq', 'none', 'byte', Width)
return ()

重点分析：
频域分析时，空间域到频域的转换，使用是rft_generic算子，因此，在生成高斯频域滤波器的时候，参数Mode选择的是’rft’。
生成高斯频域滤波器的算子gen_gauss_filter中，两个sigma的值，值越大，通过滤波器的信息将更多，值越小，滤波器将过滤掉更多的尖锐信息。
频域到空间域的转换之后，得到的是低通滤波之后的图像，通过sub_image算子，对原图的B分量图像和低通滤波之后的图像做减法，从而得到包括更多轮廓信息的图像。
为了最终得到mura缺陷，还需要对空间域图像进行如下三个步骤的处理：
median_image：中值滤波
watersheds_threshold：分水岭算法之后阈值分割
cooc_feature_image：通过灰度特征矩阵，得到纹理特征
最后通过分析纹理特征中的能量特征，得到mura缺陷。

执行流程：