1.基于人类视觉特性的微型磁瓦表面缺陷检测方法，其特征在于：包括以下步骤：(1)采用DALSA相机进行图像采集，得到图像Image；执行步骤(2)；

(2)通过阈值分割从图像Image得到磁瓦图像Region；执行步骤(3)；

具体包括如下：

通过阈值分割将有灰度分布的磁瓦图像从全白且没有灰度分布的背景区域中提取出来；

通过二值化快速从图像Image的白色背景中取出磁瓦图像Region并对采集到的图像中定位磁瓦的坐标记作Region(Area,Row,Column,Phi，Length1,Length2)；

其中，Area为提取区域的面积，Row、Column分别代表区域中心的横纵坐标，Phi为最小外接矩形的角度，Length1、Length2为最小外接矩形的长、宽；通过最小外接矩形对磁瓦区域进行位置信息提取，方便下一步对磁瓦区域进行更多的位置操作；

(3)磁瓦图像Region屏蔽边缘区域，得到屏蔽后的图像；执行步骤(4)；

具体包括以下：

3.1)、背景区域干扰的屏蔽；在步骤(2)先进行快速阈值分割，然后进行打散操作对远离磁瓦部分的干扰过滤掉，进行闭运算操作以减少磁瓦边缘部分干扰，得到过滤后图像；

在对步骤(1)采集到的图像进行快速阈值分割的时候由于背景区域可能带来的灰度干扰，需要进行滤波；灰度干扰分为两种，一种是存在于背景远离磁瓦部分的干扰，一种是邻近磁瓦部分的干扰；前者在进行阈值分割后进行打散操作，打散操作是用来计算输入区域中的所有连通域，可以把磁瓦部分与这类区域分割开来，在做特征筛选操作可以完成对第一类干扰部分的屏蔽；后者由于与磁瓦部分相邻，在打算操作后不能完全保证分隔开，因此需进行闭运算操作；令A代表被操作区域的集合，B为闭运算的结构元，则闭运算表示为：考虑到磁瓦形状类矩形的特点，采用矩形结构元对目标区域进行元素，运算时的复杂度为：其中F1为快速阈值分割得到的区域图像的面积，H为矩形结构元的高，O是代表的是复杂度函数，ld为软件内置系数；

3.2)、尺度变换完成边缘区域屏蔽，得到屏蔽后的图像；

对过滤后图像进行仿射变换；首先要对处理后的图像即提取出的磁瓦区域进行凸型转换，将原本边缘较为不规则的磁瓦区域转为凸型区域；这是为了方便下一步进行尺度变换时整体区域的规则，更加便于计算；接着将变换后的凸型磁瓦区域做图像旋转，这样有利于磁瓦姿态的矫正以及边缘区域的屏蔽；仿射变换包括两部分：水平变换和旋转变换，主要按照一个对应点和两个同位角进行变换并将其返回为齐次变换矩阵，表示为：其中，HomMat2D为上述齐次变换矩阵，R为旋转变换矩阵，T为平移系数；

最后将变换后的图像作为掩模，通过不断地微调整直至尺度变换后的图像与原来图像作差后分割出的区域为一整个连通区域，所述原来图像为步骤3.1得到的过滤后图像；设此时尺度变换函数数ξ发生了n次运算；磁瓦区域作差不能为一整个连通区域是因为磁瓦本身特殊形状所导致的，而作差区域为一整个连通区域时并不能立即停止尺度变换，这是因为在磁瓦边缘区域的灰度值与其余地方相差较大，两个区域连接处的灰度值变化梯度较大，根据显著性原理即对梯度变化较大区域具有强敏感性可以很容易的想到这部分区域会对检测造成很大干扰，因此当尺度变换函数数ξ发生了 次运算后，可以认为是完成了对磁瓦边缘以及四角的屏蔽，得到屏蔽后的图像；

尺度变换函数ξ其实就是将磁瓦按照横向和纵向方向上的等比例放缩，微调整实质上就是尺度变换函数ξ的循环；

(4)屏蔽后的图像结构张量计算；执行步骤(5)；

具体包括以下：

4.1)对于给定的步骤3.2得到的屏蔽后的图像进行缩放，将其尺寸变换至期望显著图的尺寸，得到缩放后的图像；

4.2)计算缩放后的图像中每一个位置的线性结构张量Jσ:

其中，Ks为标准差σ的高斯核函数，*为卷积运算；

4.3)对所有的线性结构张量Jσ，求其特征值λ1和λ2，进而计算图像中所有像素位置的|λ1‑λ2|，构成矩阵A；计算图像中所有像素位置的|λ1+λ2|，构成矩阵B；

对于任一结构张量，将其表示为 则可以分别计算出该矩阵的特征值λ1和λ2：G、F、H分别代表上述线性结构张量Jσ中的

4.4)对矩阵A进行归一化，所的矩阵作为边缘显著图；对矩阵B进行归一化，所得矩阵为角点显著图；

4.5)最终显著图由各通道的显著图的线性组合而获得；

其中，S代表最终显著图，ψ表示图像的规范化，ψ(CL)、ψ(f)和ψ(O)分别表示灰度、边缘以及角点规范化后的显著图；

(5)缺陷区域提取；

包括以下：

为了描述图像的纹理属性，提出以不均匀性Inhomogeneity以及各向同性Isotropy对图像的特征进行描述，两者计算步骤如下：Inhomogeneity＝Trace(Jσ)

Trace代表计算矩阵的迹，Det代表计算矩阵行列式的值；

设某个像素点的不均匀性为PInhomo，各向同性为PIsotropy，在实际计算中只有同时满足以下两个条件的像素点才能继续进行计算：ThreshInhom、ThreshShape是人为设定的参数，通过调整这两项参数可以得到不同的处理结果。

2.根据权利要求1所述的基于人类视觉特性的微型磁瓦表面缺陷检测方法，其特征在于：在步骤5中：经过不均匀性、各向同性计算得到相应的协方差矩阵，通过分析协方差矩阵可以得到感兴趣区域点的具体点坐标；遍历协方差矩阵中的点，检测是否存在符合条件的特征点，只要检测到有特征点的存在，就说明存在缺陷点，那么就可以确定这是一个缺陷磁瓦，反之则为正常磁瓦。

3.根据权利要求2所述的基于人类视觉特性的微型磁瓦表面缺陷检测方法，其特征在于：若要对步骤5剩下的区域进行更加精细的特征计算并且定位特征点，需要将计算的区域返回至原有的灰度值，这样就必须估计输入图像的噪声质量以及将协方差矩阵的所有分量与噪声方差相乘，噪声均值Mean与偏差Deviation的具体计算公式如下：其中p为图像区域R中的任意一个像素，图像为步骤3.2得到的屏蔽后的图像，g(p)为区域的灰度值函数；F是图像区域R中的任意一个像素块区域。

4.根据权利要求3所述的基于人类视觉特性的微型磁瓦表面缺陷检测方法，其特征在于：对于偏差精度要求高的情况下，可采用更加详细的计算公式：

其中F是图像区域Regions中的任意一个像素块区域，(r′,c′)为图像区域的中心，α、β和μ为图像平面的参数。