图像处理笔记（二十三）：应用

使用laws纹理滤波结合高斯混合分类器做缺陷检测

训练及测试数据使用德国DAGM提供的数据，来源：https://blog.csdn.net/qq_27871973/article/details/84974231
测试1：
使用少量图片测试发现缺陷对el和sl等检测横向的纹理的滤波器特别敏感，使用这两种滤波得到的特征作为高斯混合模型的特征，进行训练和测试。
主要参数：
sl shift 2
el shift 2
train threshold 0.001 regularize 1e-5
测试集分类时拒绝阈值 0.05
连通拒绝区域确认可接受为没有问题的最大面积50
测试集测试结果：
报警正确率 84.02%
误拒率 14.41% （没有问题却认为有问题）
误受率 1.39% （有问题却认为没有问题）
分析测试结果，针对误受的图片分析发现，往往缺陷是被分类出来的，但是这些区域没有被连通起来，导致连通区域面积较小，没有被认为有问题。
关于误拒的图片，我认为问题在于提取的特征主要针对横向问题，模板中缺少竖向纹理特征。

改进计划：

1. 增加竖向纹理特征，使用le做过滤器
2. 对分类出来的缺陷区域做形态学腐蚀膨胀等运算，以将一些区域能够连通到一起。

测试2：
针对测试1做改进：
el shift 3
sl shift 2
le shift 4
其他都不变
测试结果：
报警正确率：71.70%
误拒率：27.95%
误受率：0.17%（错误地接受了一张有缺陷的图片）
虽然几乎把有问题的都检测出来了，但是误报警明显增加，这显然也是不能接受的。

改进计划：
使用本次已经训练好的模型，增加形态学变换，并且同时将缺陷的拒绝面积调大，即面积更大一些才被认为是缺陷。

改进后进行测试，发现效果不好，识别正确率始终只能在百分之八十以上，很难达到百分之九十。