1.一种LCD导光板的表面缺陷检测方法，其特征在于，所述LCD导光板的表面缺陷检测方法包括：S110、采集LCD导光板图像训练数据；

S120、对所述LCD导光板图像训练数据进行纹理能量特征提取，获得训练数据的多通道纹理能量特征；

S130、根据所述训练数据的多通道纹理能量特征建立高斯混合模型；

S140、采集待检测的LCD导光板的图像；

S150、对所述待检测的LCD导光板的图像重复步骤S130；

S160、根据所述高斯混合模型识别所述待检测的LCD导光板的图像的多通道纹理能量特征中的缺陷区域，得到检测结果；

其中，所述对所述LCD导光板图像训练数据进行纹理能量特征提取，获得训练数据的多通道纹理能量特征包括：采用相干增强扩散滤波对所述LCD导光板图像进行预处理；

将预处理后的LCD导光板图像进行纹理能量特征提取，获得训练数据的多通道纹理能量特征；

所述将预处理后的LCD导光板图像进行纹理能量特征提取，获得训练数据的多通道纹理能量特征包括：选择多组二维Laws纹理滤波模板对所述LCD导光板图像进行卷积操作，且在纹理能量变化阶段增加高斯平滑操作；

所述选择多组二维Laws纹理滤波模板对所述LCD导光板图像进行卷积操作，且在纹理能量变化阶段增加高斯平滑操作包括：将一维Laws模板向量两两卷积得到二维Laws纹理滤波模板；

将经过CED滤波的LCD导光板图像和未经过CED滤波的LCD导光板图像采用多组二维Laws纹理滤波模板进行卷积操作；

根据高斯滤波器对卷积操作后的LCD导光板图像进行纹理能量变换；

将经过高斯平滑后的多个纹理特征分量按顺序组成多通道纹理能量图，完成LCD导光板图像的特征提取。

2.根据权利要求1所述的LCD导光板的表面缺陷检测方法，其特征在于，所述采用相干增强扩散滤波对所述LCD导光板图像进行预处理包括：构建依赖于结构张量的相干增强扩散模型，其中所述相干增强扩散模型为：其中，x、y表示LCD导光板图像像素的坐标，I(x,y,t)表示t时刻的LCD导光板图像数据，I0(x,y)表示t＝0的LCD导光板图像的初始图像数据，D表示2×2的扩散矩阵，且为正定对称矩阵； 表示结构张量；扩散矩阵D的特征向量与结构张量Jρ相同；

构建结构张量，并计算所述结构张量的特征值，其中所述结构张量表示为：计算Jρ的两个特征值为λ1,λ2：

其中，Kρ表示高斯半径为ρ的高斯卷积核，令Jρ的特征值λ1＞λ2，λ1,λ2对应的特征向量分别为v1,v2，v1与所述LCD导光板图像梯度方向平行，v2与所述LCD导光板图像梯度方向垂直；

当λ1≈λ2≈0时，所述LCD导光板图像的相应区域有光滑特性；当λ1>>λ2≈0时，所述LCD导光板图像的相应区域有边缘或流线状结构；

通过相干性公式中的相干性测度C来定义所述LCD导光板图像局部区域的相干性，其中，所述相干性公式表示为：2

C:＝(λ1‑λ2) ；

根据构建的所述相干增强扩散模型对所述LCD导光板图像进行滤波。

3.根据权利要求1所述的LCD导光板的表面缺陷检测方法，其特征在于，所述根据所述训练数据的多通道纹理能量特征建立高斯混合模型包括：构建高斯混合模型，将多通道纹理能量特征采用K个高斯函数联合表示为：T

其中，Xj＝n＝[x1,n,x2,n,...,xd,n] ，αm,j表示j张训练数据中像素的观测值来自第m个分模型的先验概率；且αm,j满足αm,j≥0， θ＝{θ1,j,θ2,j,...,θm,j；α1,j,α2,j,...,αm,j}表示参数集合；φ(Xj|θm,j)表示Xj是第m个高斯分布的概率密度函数，对应d维高斯分布的参数为θm,j且均值和协方差分布为μm,j、∑m,j，φ(Xj|θm,j)的表达式为：将多通道纹理能量图像分区域添加至对应的高斯混合模型进行训练，计算对数似然函数的期望，以确定Q函数；

根据Q函数求解，直至对数似然函数收敛于最优值。

4.根据权利要求1所述的LCD导光板的表面缺陷检测方法，其特征在于，所述根据所述高斯混合模型识别所述待检测的LCD导光板的图像的多通道纹理能量特征中的缺陷区域，得到检测结果包括：将待检测的LCD导光板的图像以逐个像素点读入数据；

计算待检测的LCD导光板的图像所属第m个分布后的后验概率；

将所述后验概率与相应的高斯混合模型不匹配的像素作为缺陷检测结果输出；

汇总每个区域所对应的高斯混合模型的判别结果，输出包含缺陷的子图像。

5.根据权利要求1所述的LCD导光板的表面缺陷检测方法，其特征在于，所述对所述待检测的LCD导光板的图像重复步骤S130包括：对所述待检测的LCD导光板的图像根据所述训练数据的多通道纹理能量特征建立高斯混合模型。