1.一种叶轮表面缺陷识别方法，其特征在于，该方法包括以下步骤：

获取叶轮的表面图像，对所述表面图像进行灰度化处理得到灰度图像；

对所述灰度图像进行分割得到叶轮区域的分割图像，对所述分割图像进行霍夫圆检测得到多个圆形；以圆形上每个像素点作为边缘像素点，获取每个边缘像素点为特征点的概率；当所述概率大于预设阈值时，边缘像素点为特征点；

获取每个特征点的实际概率，当所述实际概率大于概率阈值时，所述特征点为实际特征点；当所述实际概率不大于概率阈值时，所述特征点为虚假特征点；

获取每个实际特征点的特征角度，基于任意两个实际特征点之间的特征角度差异以及灰度差异得到匹配度；基于所述匹配度得到多组特征组合；

获取每组特征组合中每个实际特征点的特征线，所述特征线构成特征区域，获取所述分割图像中所有的特征区域，所述分割图像中特征区域之外的区域为表面区域；对所述特征区域以及所述表面区域进行超像素分割得到多个超像素块，获取每个超像素块的异常程度，当所述异常程度大于预设阈值时，所述超像素块区域存在缺陷；

所述获取每组特征组合中每个实际特征点的特征线的步骤，包括：

以每个实际特征点为种子点进行区域生长，区域生长结束时得到的直线为所述实际特征点的特征线；

其中，区域生长时种子点的第一生长点为其对应点，其他生长点基于优选值确定，以特征组合对应的对应点 和对应点 为例，优选值的计算为：其中， 表示优选值； 表示对应点 的灰度值； 表示夹角为 时对应点 的邻域像素点的灰度值； 表示对应点 的灰度值； 表示夹角为 时对应点 的邻域像素点的灰度值；表示自然常数。

2.根据权利要求1所述的一种叶轮表面缺陷识别方法，其特征在于，所述获取每个边缘像素点为特征点的概率的步骤，包括：获取每个边缘像素点的八邻域内属于叶轮区域的像素点的数量，计算边缘像素点与其八邻域内属于叶轮区域的每个像素点的灰度差异以及所有灰度差异的均值；

获取灰度差异的均值与每个像素点对应灰度差异之间的差值，选取灰度差异的均值以及该像素点对应的灰度差异中的最大值作为分母，所述差值为分子得到一个分式，获取边缘像素点对应的八邻域内所有像素点对应分式的求和结果，计算所述求和结果与八邻域内属于叶轮区域的像素点的数量的比值作为边缘像素点为特征点的概率。

3.根据权利要求1所述的一种叶轮表面缺陷识别方法，其特征在于，所述获取每个特征点的实际概率的步骤，包括：获取任意特征点与其他特征点之间的欧式距离，选取所述特征点与其他所有特征点之间欧式距离的最大值；获取任意两个特征点之间欧式距离与所述最大值的距离比值；

计算两个特征点之间的灰度差值，基于所述灰度差值、所述距离比值以及所述特征点的概率得到实际概率；

所述实际概率与所述灰度差值呈负相关关系，与所述距离比值呈负相关关系，与所述特征点的概率呈正相关关系。

4.根据权利要求1所述的一种叶轮表面缺陷识别方法，其特征在于，所述获取每个实际特征点的特征角度的步骤，包括：获取每个实际特征点的对应点，以及实际特征点的坐标和其对应点的坐标；计算实际特征点与其对应点之间纵坐标差值和横坐标差值，根据反正切函数对所述纵坐标差值和横坐标差值的比值进行计算得到特征角度。

5.根据权利要求1所述的一种叶轮表面缺陷识别方法，其特征在于，所述基于任意两个实际特征点之间的特征角度差异以及灰度差异得到匹配度的步骤，包括：以所述特征角度差异和灰度差异分别作为幂指数，根据所述幂指数的负数构建两个指数函数，获取两个指数函数的平均值为所述匹配度。

6.根据权利要求1所述的一种叶轮表面缺陷识别方法，其特征在于，所述获取每个超像素块的异常程度的步骤，包括：获取超像素块中每个像素点的显著程度；计算每个超像素块与其邻近超像素块之间的显著性，基于超像素块中所有像素点的显著程度的求和与所述显著性的乘积得到所述超像素块的异常指标；

对所述异常指标进行优化得到超像素块的异常程度。

7.根据权利要求6所述的一种叶轮表面缺陷识别方法，其特征在于，所述对所述异常指标进行优化得到超像素块的异常程度的步骤，包括：所述异常程度的计算为：

其中， 表示异常程度； 表示超像素块K对应的超像素块D之间的轮廓相似度，采用形状上下文匹配算法获取； 表示超像素点K中所有像素点的平均灰度值； 表示超像素块D中所有像素点的平均灰度值； 表示除了超像素块D与其对应超像素块D外的第i个超像素块种子点之间的欧式距离； 表示第i个超像素块的异常程度； 表示所有的中的最大值。