让我们假设眩光部分是图像中唯一的饱和区域。可以通过对强度进行阈值化来执行检测（Mathematica 中的代码）：

saturated = Binarize[ColorConvert[img, "Grayscale"], .9]

然后我们只需要替换饱和遮罩周围的图像部分（放大遮罩由形态函数完成Dilation）。在此示例中，使用纹理合成（使用函数Inpaint）进行修复似乎效果很好，尽管我无法将其作为缺陷检测算法的输入进行测试：

Inpaint[img, Dilation[saturated, DiskMatrix[20]]]

这可能是一个简单的答案，但是您可以设置阈值吗？例如：

img = imread('daRNS.png');
imflat = img; 
imflat(img>150) = 150; 
imagesc(imflat)

结果是：

自适应地选择阈值显然会更好。例如，您可以查看图像直方图：

hist(double(img(:)),0:255)

并尝试在此基础上选择合适的阈值。

没有照明信息，这很困难。但是，如果图像中物体的形状是已知的，您可以设置一个白色眩光（高斯）的形状模板并做一个滑动窗口以找到可能的眩光检测（随后是来自相邻区域的颜色混合）。在感知上，我们使用着色从图像中推断出 3D 形状。如果阴影形状能够提供表面渐变，我们可以做一个滑动窗口并检查每个位置的眩光模板。

在精明的边缘检测之后： -

基本上，图像#1 和#2 之间的重叠（最大重叠区域）将是缺陷。

我的观点是，这是一个机器视觉问题，您应该控制照明，并很好地了解图像中非眩光像素亮度的最大亮度。缺陷检测通常是机器视觉问题而不是计算机视觉问题。

我们看到的照明结果是增加了光的镜面反射和漫反射（加上一些发射率，但在这里可以忽略不计）。

镜面反射成分是眩光，在像这个苹果这样有光泽的表面上，它远远超过漫反射（>10x）

这意味着如果您在此之前在漫反射表面上设置照明、增益和曝光，您可以确定没有任何东西会接近饱和。因此，使用固定阈值实际上是这里的首选解决方案，只要您已经用足够的数据证明“没有不包含眩光的像素”会高于阈值。本质上，您正在设置照明条件和相机参数，以便像素的分类变得微不足道，在这种情况下，通过一个简单的阈值执行，而不是通过一个更复杂的机器学习函数来执行它周围的像素。

我喜欢“vini”的方法，不需要显示 RGB 平面。只是一个简单的灰度阈值实际上可以在这里工作。

1-您设计照明条件，而不是环境

2-使分类工作变得非常琐碎（阈值化）

3-测量特征

4-与公差比较