基于灰度-梯度共生矩阵的钢轨表面缺陷检测方法
基于图像的钢轨轨面缺陷检测识别技术研究
基于图像的钢轨轨面缺陷检测识别技术研究基于图像的钢轨轨面缺陷检测识别技术研究摘要：随着高速铁路的不断发展，钢轨轨面缺陷的检测和识别技术显得尤为重要。
本文针对钢轨轨面的常见缺陷，结合图像处理和机器学习技术，提出了一种基于图像的钢轨轨面缺陷检测识别技术。
首先，通过高清摄像设备对钢轨进行图像采集，并对图像进行预处理和特征提取。
然后，采用卷积神经网络（CNN）对提取到的特征进行学习和训练，构建钢轨轨面缺陷的识别模型。
最后，通过实验验证了该方法的有效性和准确性。
关键词：钢轨轨面缺陷；图像处理；机器学习；卷积神经网络1. 引言高速铁路作为一种快速、安全、舒适的交通方式，已经成为人们生活中重要的一部分。
然而，长期以来钢轨轨面缺陷问题一直困扰着铁路运输，不仅会影响列车运行的平稳性和舒适性，还可能引发严重事故。
因此，钢轨轨面缺陷的检测和识别技术对保障铁路运输安全至关重要。
2. 钢轨轨面缺陷分类及检测方法钢轨轨面常见缺陷包括疲劳裂纹、磨损、断裂等。
传统的检测方法主要包括目视检测和机械测量，但这些方法需要大量人力和时间，并且不够准确和高效。
随着计算机视觉和机器学习技术的发展，基于图像的钢轨轨面缺陷检测识别技术逐渐成为研究热点和发展趋势。
3. 基于图像的钢轨轨面缺陷检测识别技术3.1 图像采集和预处理使用高清摄像设备对钢轨进行图像采集，获取高质量的钢轨图像。
然后，对图像进行预处理，包括灰度化、去噪和尺寸归一化等操作，以提高后续特征提取的准确性和效果。
3.2 特征提取钢轨轨面缺陷的特征包括纹理、形状和颜色等。
可以通过局部二值模式（LBP）、高斯拉普拉斯变换（GLTP）等方法进行特征提取，提取到的特征能够描述钢轨不同缺陷的纹理和形状信息。
3.3 卷积神经网络的学习和训练将提取到的特征作为输入，利用卷积神经网络进行学习和训练。
选择合适的神经网络结构，并通过反向传播算法进行模型调整和优化。
经过多轮的迭代训练，得到训练好的钢轨轨面缺陷识别模型。
轨道缺陷检测算法
轨道缺陷检测算法
轨道缺陷检测算法是指一种用于监测铁路轨道缺陷的技术。
这些缺陷
可能包括裂纹、变形、磨损等等。
传统的轨道检测方法通常需要大量
的人力和时间成本，因此不太适用于现代的高速铁路系统，因为它们
需要更频繁和更快速的检测。
为了解决这些问题，轨道缺陷检测算法
被越来越广泛地使用，以提高检测效率和准确性。
在设计和实现轨道缺陷检测算法时，有多种技术可供选择。
其中一种
使用的技术是计算机视觉。
在这种情况下，算法会通过对图像进行分
析来检测缺陷。
最近，一种称为深度学习的技术已被证明在轨道检测
领域中非常有用。
这种技术利用神经网络进行图像分析，以更快速、
更准确地识别缺陷。
此外，一些新技术也已应用于轨道缺陷检测上。
例如，无人机技术正
在被开发用于对轨道进行测量，这大大提高了检测的精度。
另一方面，机器人技术正在被研究和开发，以使检测更加高效。
尽管轨道缺陷检测算法在铁路维护中发挥着越来越重要的作用，但还
需要更多的创新来改进这些算法。
这可能涉及到更先进的技术或完全
新的方法。
但无论采用何种方法，都需要考虑如何在不损害铁路系统
运行的情况下完成检测，因为安全是铁路运输的首要责任。
总的来说，轨道缺陷检测算法对于现代铁路维护至关重要。
这些算法提高了检测的速度和准确性，从而使铁路系统更加安全和可靠。
通过采用更先进的技术和方法，这些算法将继续改善，以更好地适应不断变化的铁路网络和需求。
论文分享丨基于改进Sobel算法的轨道表面缺陷检测
论文分享丨基于改进Sobel算法的轨道表面缺陷检测作者丨fanstuck @CSDN编辑丨3D视觉开发者社区ASIR 论文分享本期是视界极地众创空间ASIR先进感知与交互研究组带来的论文翻译——基于改进Sobel算法的轨道表面缺陷检测，一起来看看吧~基本信息标题基于改进Sobel算法的轨道表面缺陷检测译者土豆摘要：我们开发了一种更有效、更准确的改进型Sobel算法来检测重型钢轨的表面缺陷。
所提出的方法可以通过在不同方向增加六个模板来弥补Sobel算法对X和Y方向的单纯敏感性。
同时，构建了一个由床架、带有CCD相机和光源的图像形成系统、并行计算机系统和电缆系统组成的表面缺陷检测实验平台。
后缘缺陷的检测结果表明，改进的Sobel算法可以实现准确有效的定位，减少缺陷边缘的干扰噪声。
它还可以提取更精确的后缘缺陷的特征和特性参数。
此外，采用BP神经网络进行缺陷分类，输入改进的Sobel算法的特征参数，在106步迭代的情况下可以获得0.0095827的最佳训练精度，时间比Sobel算法的146步和5秒少了3秒，最后，在改进Sobel算法后，缺陷的识别率提高了10%。
1.原理简述Sobel算法作为基于一阶微分的边缘检测算法之一，Sobel算法可以计算图像亮度函数的梯度值。
梯度是衡量函数变化的一个指标。
而且，缺陷图像可以被看作是灰度图像连续函数的采样点阵列。
在判断缺陷图像的边缘点时，首先要对运算器模板在水平和垂直方向上进行卷积计算，得到像素的横向和纵向梯度值。
图1(a)显示了包含一组3×3卷积掩码的X和Y方向的运算器模板。
然后，每个像素的梯度值（GN）可以通过与输入图像的梯度组合得到公式（1）。
→(1)其中G X和G Y分别是指水平和垂直方向的像素梯度值。
最后，通过比较G N和设定的灰色阈值η，可以区分出边缘点。
如果G N≥η，该点可以被判断为边缘点。
否则，它就不是边缘点。
图1 45°、135°、180°、225°、270°、315°、水平和垂直方向的算子模板（a）和欧氏距离对检测模板点权重的影响（b）改进的Sobel算法Sobel算子在检测图像中可以发现随机噪声的抑制作用，因为它引入了加权局部平均因子，而且计算量小，速度快，易于实现。
钢轨表面缺陷检测的图像预处理改进算法
钢轨表面缺陷检测的图像预处理改进算法袁小翠;吴禄慎;陈华伟【期刊名称】《计算机辅助设计与图形学学报》【年(卷),期】2014(026)005【摘要】由于线阵相机拍摄的图像光照不均、对比度低,使得钢轨表面离散缺陷检测成为机器视觉检测的难点,为此提出局部非线性对比度增强法和改进最大熵阈值分割法对钢轨图像进行预处理.该算法将局部区域内相对较低的灰度级映射到更低的范围,相对较高的灰度级映射到更高的范围,实现对比度拉伸;通过分析图像的目标熵、背景熵、灰度概率分布曲线,使用图像目标熵最大、目标概率较小的改进最大熵阈值分割法对图像进行分割,得到包含噪声相对较少的图像.实验结果表明,文中提出的非线性对比度图像增强算法简单、快速、有效,而且增强效果与光照无关;与原始的最大熵、目标最大熵、OSTU阈值分割法相比,改进的最大熵分割阈值较小,分割后的图像包含的噪声少;改进的预处理算法对测试图像的漏检率和误检率分别是6.2％和7.3％.【总页数】6页(P800-805)【作者】袁小翠;吴禄慎;陈华伟【作者单位】南昌大学机电工程学院南昌 330031;南昌大学机电工程学院南昌330031;南昌大学机电工程学院南昌 330031【正文语种】中文【中图分类】TP277【相关文献】1.基于图像处理的带钢表面缺陷检测改进算法的研究 [J], 孙光民;刘鹏;李子博2.改进的图像预处理算法在彩色年轮图像分割中的应用 [J], 朱琪;3.钢轨表面缺陷检测系统中图像增强预处理方法研究 [J], 岳彪;闵永智;马宏锋;肖本郁4.基于图像处理的带钢表面缺陷检测改进算法的研究 [J], 孙光民;刘鹏;李子博;5.遥感图像拼接中改进的图像预处理算法研究 [J], 么鸿原; 王海鹏; 林雪原; 潘新龙因版权原因，仅展示原文概要，查看原文内容请购买。
钢轨探伤 原理
钢轨探伤原理
钢轨探伤是一种用于检测钢轨缺陷的技术方法。
它的原理是利用感应电磁法或超声波法，通过测量钢轨表面或内部的电磁或超声信号的变化来判断钢轨是否存在缺陷。
感应电磁法是一种非接触式的探测方法，它利用电磁感应现象来检测钢轨中的缺陷。
当钢轨中存在缺陷时，缺陷处的磁导率或电导率会发生变化，从而影响到感应电磁场的分布和强度。
通过测量感应电磁场的变化，可以确定出钢轨中的缺陷位置和尺寸。
超声波法是一种利用超声波在物质中传播的特性来检测缺陷的方法。
这种方法是通过在钢轨表面或内部产生超声波，并接收和分析超声波信号来确定钢轨中的缺陷。
当超声波在钢轨中遇到缺陷时，会发生反射、折射或散射，从而产生回波。
通过分析回波的幅度、时差和波形等特性，可以确定出钢轨中的缺陷位置、形状和尺寸。
钢轨探伤技术在铁路运输中起着重要的作用，可以及时发现并修复钢轨上的缺陷，确保列车行驶的安全。
同时，钢轨探伤还可以提供有关钢轨疲劳、裂纹、腐蚀等方面的信息，为钢轨的维护和管理提供参考。
轨道缺陷检测算法
轨道缺陷检测算法
轨道缺陷检测算法是一种用于检测铁路轨道缺陷的技术。
铁路轨道是铁路运输的重要组成部分，其安全性和可靠性对于铁路运输的安全和稳定至关重要。
因此，及时发现和修复轨道缺陷是非常必要的。
轨道缺陷检测算法可以帮助铁路公司及时发现轨道缺陷，保障铁路运输的安全和稳定。
轨道缺陷检测算法主要基于计算机视觉技术和机器学习技术。
首先，通过高清摄像机或激光扫描仪等设备对铁路轨道进行拍摄或扫描，获取轨道图像或点云数据。
然后，利用计算机视觉技术对轨道图像进行处理，提取轨道的特征信息，如轨道的几何形状、颜色、纹理等。
接着，利用机器学习技术对轨道特征信息进行分析和分类，判断轨道是否存在缺陷。
最后，根据检测结果，及时对轨道缺陷进行修复。
轨道缺陷检测算法具有以下优点：
1. 高效性：轨道缺陷检测算法可以快速地对铁路轨道进行检测，大大提高了检测效率。
2. 精度高：利用计算机视觉技术和机器学习技术，轨道缺陷检测算法可以对轨道缺陷进行精确的识别和分类，减少了误判率。
3. 自动化程度高：轨道缺陷检测算法可以实现对铁路轨道的自动化检测，减少了人工干预，提高了检测的可靠性和稳定性。
4. 经济性高：轨道缺陷检测算法可以减少人力和物力的投入，降低了检测成本，提高了经济效益。
轨道缺陷检测算法是一种非常重要的技术，可以帮助铁路公司及时发现和修复轨道缺陷，保障铁路运输的安全和稳定。
随着计算机视觉技术和机器学习技术的不断发展，轨道缺陷检测算法将会越来越成熟和完善，为铁路运输的安全和稳定提供更加可靠的保障。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第３９卷第２期 北京交通大
２Ｑ １ 生垒月 ．Ｊ ）ＬＪ｜ ＱＥ ！．Ｉ！ ．Ｊ！ Ｌ（
文章编号：１６７３—０２９１（２０１５）０２—０００７—０６ 学学报 Ｖｏ１．３９ Ｎｏ．２ ！ Ｅ ！： Ａ』￡：２ ＤＯＩ：１０．１１８６０／ｊ．ｉｓｓｎ．１６７３—０２９１．２０１５．０２．００２
基于灰度一梯度共生矩阵的钢轨表面缺陷检测方法
陈后金，许文达，郝晓莉
（北京交通大学电子信息工程学院，北京１０００４４）
摘要：根据钢轨表面缺陷的灰度和梯度特征，提出了钢轨缺陷自动检测方法：基于灰度一梯度共生
矩阵为模型提取钢轨缺陷的内边缘，其中以最大熵方法自动求取灰度一梯度二维阈值向量，利用形
态学方法对分割后的二值图像进行后期处理，有效区分正常轨面、缺陷区域、阴影和干扰区域．实验
表明：本方法能较好地对钢轨表面缺陷进行检测．
关键词：图像处理；灰度一梯度共生矩阵；最大熵；钢轨缺陷
中图分类号：ＴＰ３１７．４ 文献标志码：Ａ
Ｄｅｔｅｃｔｉｏｎ ｏｆ ｒａｉｌ ｔｒａｃｋ ｓｕｒｆａｃｅ ｄｅｆｅｃｔｓ ｂａｓｅｄ ｏｎ ｇｒａｙ
ｌｅｖｅｌ－－ｇｒａｄｉｅｎｔ ＣＯ－－ｏｃｃｕｒｒｅｎｃｅ ｍａｔｒｉｘ
ＣＨＥＮ Ｈｏｕｊｉｎ，ＸＵ Ｗｅｎｄａ，ＨＡＯ Ｘｉａｏｌｉ
（Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｂｅｉｊｉｎｇ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ １０００４４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ｒａｉｌ ｓｕｒｆａｃｅ ｄｅｆｅｃｔｓ，ｗｅ ｐｒｅｓｅｎｔ ａｎ ａｕｔｏｍａｔｉｃ ｔｅｃｈｎｉｑｕｅ
ｆｏｒ ｒａｉｌ ｓｕｒｆａｃｅ ｄｅｔｅｃｔｓ ｂａｓｅｄ ｏｎ ｇｒａｙ ｌｅｖｅｌ—－ｇｒａｄｉｅｎｔ ＣＯ—－ｏｃｃｕｒｒｅｎｃｅ ｍａｔｒｉｘ ａｎｄ ｔｈｅ ｍａｘｉｍｕｍ ｅｎｔｒｏｐｙ
ｐｒｉｎｃｉｐｌｅ，ｗｈｉｃｈ ｉｓ ｕｓｅｄ ａｓ ａ ｍｏｄｅｌ ｔｏ ｇｅｔ ｔｈｅ ｔｗｏ—ｄｉｍｅｎｓｉｏｎａｌ ｔｈｒｅｓｈｏｌｄ．Ｐｏｓｔ—ｐｒｏｃｅｓｓｉｎｇ ｔｏ ｔｈｅ ｓｅｇ—
ｍｅｎｔｅｄ ｂｉｎａｒｙ ｉｍａｇｅｓ ｂｙ ｍｏｒｐｈｏｌｏｇｙ ｏｐｅｒａｔｉｏｎ ｉｓ ａｌｓｏ ｐｒｅｓｅｎｔｅｄ，ｗｈｉｃｈ ｔｕｒｎｓ ｔｏ ｂｅ ｅｆｆｅｃｔｉｖｅ ｔｏ ｔｈｅ ｒａｉｌ
ｓｕｒｆａｃｅ ｄｅｔｅｃｔ．
Ｋｅｙ ｗｏｒｄｓ：ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ；ｇｒａｙ ｌｅｖｅｌ—ｇｒａｄｉｅｎｔ ｃｏ－ｏｃｃｕｒｒｅｎｃｅ ｍａｔｒｉｘ；ｍａｘｉｍｕｍ ｅｎｔｒｏｐｙ；ｒａｉｌ ｔｒａｃｋ
Ｓ１】ｒｆａ ｄｅｆｅｃｔｓ
钢轨在长期服役的过程中，由于列车负载、自然 环境等多种因素的作用，不可避免的发生应变、材料 疲劳、裂纹损伤和断裂等，这些缺陷部分或者全部体 现在钢轨表面上．如果钢轨缺陷得不到及时地维护 和更换，将会有很大的安全隐患． 近年来，随着ＩＴ技术的发展，计算机图像处理 能力得到了极大的提升，不少研究机构开始采用计 算机视觉的方法对钢轨表面进行检测．美国佛罗里 达大学采用线性扫描相机和ＬＥＤ光源组成成像系 统，对钢轨的波纹擦伤与裂纹实现了非在线检测．此 外，国外研究机构更倾向于钢轨部件的检测，如扣件 和枕木等【１－３ｊ，却少有对钢轨表面检测的研究．国内 文献Ｅ４—８］对钢轨表面缺陷方法进行了研究．但是在
钢轨图像中，不同地方的钢轨因不同的环境因素和
使用情况导致其绝对灰度值变化，因此其绝对灰度
值不能作为衡量标准区别钢轨上的正常区域和有损
区域．特别当成像部分有较大范围的阴影、锈迹和斑
痕的时候，无法预知其形状和大小，单一的灰度值阈
值方法ｌ４ Ｊ或自动灰度阈值分割方法ｌ６ ３均无法满足
需要．此外，钢轨表面缺陷没有固定的形状特征和位
置特征，在钢轨某个投影面上有可能出现多个缺陷
部分累加的情况，使用投影对钢轨缺陷进行定位的
方法［７－８ Ｊ也无法满足实际需求．
本文作者从灰度一梯度的角度分析了钢轨表面
收稿日期：２０１４－１０－１３
基金项目：国家自然科学基金资助项目（６０９７２０９３）；中央高校基本科研业务费专项资金资助（２０１０ＪＢＺ０１０）
作者简介：陈后金（１９６５一），男，安徽当涂人，教授，博士，博士生导师．研究方向为数字图像处理．ｅｍａｉｌ：ｈｊｃｈｅｎ＠ｂｊｔｕ．ｅｄｕ．ｃｎ
０ 北京交通大学学报 第３９卷
区和Ｄ区分割，即钢轨内外边缘分开． 在４个象限中定义像素概率和为 ＰＡ＝∑∑ｐ（ｉ，Ｊ），ＰＢ＝∑∑ｐ（ｉ，ｊ：） Ｐｃ＝∑∑ｐ（ｉ， ），ＰＤ＝∑∑ｅ（ｉ， ）（５） 对Ａ～Ｄ区域的概率分别进行归一化处理．例如 ＰＡ（ｉ，ｊ）＝ ㈤ 式中：１≤ｉ≤ｓ １；ｌ≤ ≤￡一１．同理：可求得Ｂ～Ｄ 区的归一化概率矩阵ＰＢ（ｉ， ），Ｐｃ（ｉ，Ｊ），ＰＤ（ｉ， ）． 从熵的角度考虑，Ｂ区的点为灰度值低梯度值高的 点，故ＰＢ（ｉ，Ｊ）的熵为一个条件熵：缺陷区域条件下 的边缘熵．同理，Ｄ区的点为灰度值高梯度值高的 点，ＰＤ（ｉ，Ｊ）的熵为另一个条件熵：钢轨背景下的边 缘熵． Ｈ（边缘ｌ缺陷）＝一∑∑ＰＢ（ｉ，ｊ）ｌｂ ＰＢ（ｉ，Ｊ） （７） Ｈ（边缘ｌ背景）＝一∑∑ＰＤ（ｉ，ｊ）ｌｂ ＰＤ（ｉ， ） （８） 因此，图像的条件熵为 Ｈ（Ｓ，ｔ）＝［Ｈ（边缘【缺陷）＋Ｈ（边缘ｌ背景）］／２＝ １／２ｆ ３２∑ＰＢ（ｉ，ｊ）ｌｂ ＰＢ（ｉ，Ｊ）＋ ∑∑Ｐ Ｌ （ｉ，Ｊ）ｌｂ ＰＩ （ｉ，Ｊ）１ （９） 根据最大熵原理，使Ｈ天于（ ，ｔ）取最大值，得 到最佳分割向量为 （５ ， ）＝ａｒｇ（ｍａｘＨ（Ｓ，ｔ）） （１０） ２．１．３钢轨内边缘提取 梯度值高且灰度值低的区域为钢轨缺陷内边 缘，因此，令分割后图像为ＢＷ得 ＢＷ（…）＝ ’ 且Ｇ （１ １） ２．２形态学处理 以边缘信息为基础，将得到的钢轨缺陷的内边 缘二值图像通过形态学中的操作手段定位钢轨中的 缺陷部位．由于钢轨缺陷边缘可能由于阴影、杂质和 干扰等影响导致边缘区域断裂，这种情况可以通过 二值图像的膨胀处理方式解决．对钢轨缺陷部分大 小设定阈值，滤除缺陷部位太小的杂质，通过图像的 填充定位钢轨缺陷或者钢轨锈迹部分．
２．３钢轨表面锈迹滤除
钢轨表面缺陷和锈迹部分在其区域边缘有着相
同的灰度梯度特征，但区域内部的梯度值的表现形
式上有着较大的区别，如表１所示．通过腐蚀的方法
得到区域内部对应像素点，统计这部分像素点中超
过设定的梯度阈值的个数ｔ及像素点的总个数Ｎ，
若ｔ／Ｎ的比值超过既定阈值Ｔｈｒ（Ｐ），则认为对应
区域为锈迹区域，并加以滤除．
３仿真实验
３．１共生矩阵的边缘提取实验对比
共生矩阵中采用ｓｏｂｅｌ算子求取梯度值，其阈值
（Ｓ ，ｔ ）可以看作由ｔ 分割梯度值得到边缘区域和
由ｓ 分割边缘区域得到钢轨缺陷内外边缘．与常用
ｓｏｂｅｌ边缘提取的方法相比，降低了梯度阈值得到了
更多的边缘信息，设定了灰度阈值分割内外边缘滤
除了多余信息，同时提高了边缘提取的精度和广度，
更加适用于钢轨缺陷块边缘的寻找．
３．１．１ 阴影部分对边缘提取的影响对比
对于钢轨受到阴影干扰的区域，如图４（ａ）左侧
矩形框标记所示，自动阈值的ｓｏｂｅｌ的方法不能提取
到该区域的边缘信息，如图４（Ｃ）左侧矩形框标记所
示；而基于二阶导数的ｌｏｇ的方法虽然在阴影区域
能提取到钢轨边缘信息如图４（ｄ）中左侧矩形框标
记所示，但是在钢轨高亮区域增加了过多的边缘信
息，如图４（ｄ）中右侧矩形框标记所示．
本文作者提出的基于共生矩阵和最大熵的方法
在这两个区域中表现出更强的可靠性，较好地提取
了边缘信息，如图４（ｂ）所示．
３．１．２表面杂质对边缘提取的影响对比
当钢轨表面杂质较多，目标提取缺陷（如图５
（ａ）中下侧矩形框标记部分）和伪缺陷（如图５（ａ）中
上侧矩形框标记部分）共存的时候，由于自动阈值的
ｓｏｂｅｌ、ｌｏｇ方法只单一地考虑了梯度信息，完全不能
满足要求，真实检测目标完全淹没在噪声中，如图５
（Ｃ）、（ｄ）所示．本文作者提出的基于共生矩阵的分割
方法较成功地提取了缺陷边缘并且滤除了伪缺陷边
缘，如图５（ｂ）中矩形框标记所示（处理前均采用高
斯平滑滤波去噪）．
综上，基于共生矩阵的边缘提取的方法比常用
的ｓｏｂｅｌ、ｌｏｇ方法更具有广适性，在自动阈值的选择
上明显优于常用边缘提取算法，特别是当钢轨缺陷
处于复杂表面上，如：阴影干扰或者伪缺陷干扰时，
其边缘提取性能将远优于常用边缘提取算子，更能