1.一种缺陷图像分割方法，其特征在于，包括：对原始图像进行差分运算得到差分图像；

对原始图像和差分图像进行处理得到两组数组信号；

对两组数组信号进行归一化处理；

利用独立分量分析进行解混，对归一化后的两组数组信号中的背景信号和缺陷目标特征信号进行分离，得到两个独立分量；

将两个独立分量还原成矩阵形成两个分量图像；

对每一个分量图像设置阈值进行阈值分割；

将两个分量图像的分割结果进行融合得到缺陷分割图。

2.根据权利要求1所述的缺陷图像分割方法，其特征在于，所述对原始图像和差分图像进行处理得到两组数组信号的具体为：将原始图像和差分图像按行或列首尾相连得到两组数组X1和X2。

3.根据权利要求1所述的缺陷图像分割方法，其特征在于，对两组数组信号进行归一化处理的具体步骤包括：设X1和X2分别为原始图像和差分图像所对应的数组信号，长度均为MN；

min1＝min(X1),max1＝max(X1)，X1归一化后的数据为G1，min2＝min(X2),max2＝max(X2)，X2归一化后的数据为G2，其中X1(t)、X2(t)分别表示t时刻观测到的信号。

4.根据权利要求1所述的缺陷图像分割方法，其特征在于，利用独立分量分析进行解混，对归一化后的两组数组信号中的背景信号和缺陷目标特征信号进行分离，得到两个独立分量的具体步骤包括：采用基于负熵的FastICA方法求解分离矩阵W，通过分离矩阵W计算独立分量。

5.根据权利要求1所述的缺陷图像分割方法，其特征在于，采用基于负熵的FastICA方法求解分离矩阵W，通过分离矩阵W计算独立分量的具体步骤包括：求解分离矩阵W的具体步骤：

将数据 进行中心化和白化，其中G1和G2分别表示归一化后的两组数组信号，MN表示数组的长度：设数据G，其均值为 互相关矩阵为 相关矩阵的特征值对角阵为V，特征值对应的特征向量矩阵为UT，白化数据为取任意初始正交矩阵W＝[w1,...,wm]T，逐个估计出分解向量wi的方向，，i＝1,2,...,m，m为待提取的独立分量的数目，取值为整数；

(1)wi(0),且||wi(0)||＝1，令k＝0,(2)计算 其中E(·)可以对Z的各采样

时刻值求均值来估计；

(3)将wi(k+1)归一化：

(4)如果wi(k+1)Twi(k)不接近于1，则令k＝k+1，回到步骤(3)；否则迭代结束，输出最终的wi(k+1)作为wi；

2

其中，负熵采用的近似表达式为J(y)∝{E[g(y)]-E[g(y)]} ，g(y)＝(1/a1)logcosh a1y， 分别为函数g(y)的一阶导数和二阶导数；y是随机变量,y的方差为1，||w||2也必须等于1，y的负熵为J(y),其中，1≤a1≤2；

通过分离矩阵W＝[w1,w2,...,wm]T计算独立分量：

6.根据权利要求1所述的缺陷图像分割方法，其特征在于，将两个独立分量还原成矩阵形成两个分量图像的具体为：将两个独立分量进行归一化，将归一化的两个独立分量转化成M*N的矩阵，得到分量图像。

7.根据权利要求1所述的缺陷图像分割方法，其特征在于，对每一个分量图像设置阈值进行阈值分割的具体步骤包括：采用直方图分割方法对每个分量图像进行阈值分割，具体的，f1、f2分别表示对分量图像A1,A2的分割结果，阈值分割函数如下:其中，(i,j)表示空间位置，0标签表示背景像元，1标签代表目标像元，d表示预设阈值。

8.根据权利要求1所述的缺陷图像分割方法，其特征在于，将两个分量图像的分割结果进行融合得到缺陷分割图的具体步骤包括：设fi(i，j)，i＝1，2分别表示两个分割结果，用f(i,j)表示对两个分割结果进行融合，若像素(i,j)是背景像元，记为f(i,j)＝0，若为目标则记为f(i,j)＝1。融合函数为：

9.根据权利要求1至8任一项所述的缺陷图像分割方法，其特征在于，所述方法还包括对缺陷分割图进行噪声消除，得到最终的缺陷分割图。

10.根据权利要求9所述的缺陷图像分割方法，其特征在于，所述噪声消除采用ISing模型进行噪声去除。