《用亮度流估计的图像增强法自动检测LCD.ppt》由会员分享,可在线阅读,更多相关《用亮度流估计的图像增强法自动检测LCD.ppt(18页珍藏版)》请在三一文库上搜索。
1、用亮度流估计的图像增强法自动检测LCD,摘要,我们提出一个最佳估计TFT-LCD表面除去缺陷区域的过滤的方法。估计不均匀变化表面的TFT-LCD面板区域,利用4方向的高斯过滤法则是基于图像渐增结构的(image pyramid structure)。试验的结果校正了这个方法的性能。,1绪论,由于TFT-LCD市场的不断扩展,成产的效率变得越来越重要,但是,总的来说,自动检测系统被看成是特别重要的。然而,当我们要求自动检测系统的面板表面图像时有非常严格的亮度变化和这些亮度变化都主要是由TFT-LCD的面板的结构引起的。在这些亮度变化下,我们不能找到几个精确的区域;因此,我们要使得TFT-LCD图
2、像单调化,除去有缺陷的区域,并保证有稳定性和鲁棒性的检测结果。 为了做这些,下面的过程能够被用到:第一步为TFT-LCD图像建立一个精确的模型,第二步是评估这个模型,最后是有效的扁平化缺陷分割。有很多已知的数学模型可以有效的匹配,例如多项式近似值和B-方栓方法。但是这些模型方法都不能用于稳定性和鲁棒性的缺陷分割要求因为这些模型都要求在分割前就要知道缺陷的信息。换一句话说,如果我们用多项式逼近的方法去评估表面,那么我们就不能建立一个合理的评估多项式。同样,在B-方栓方法中,在我们知道最大缺陷大小之前我们不能确定分散矩阵的大小。尽管我们建立最初标准去寻找TFT表面的粗略评估,我们同样不能发现模糊的
3、缺陷。 因此,我们提出一个除去缺陷区域之外的TFT-LCD面板表面的优化评估的全新的过滤方法。我们用傅立叶变化的频率分析的方法减少非规则的亮度变化。首先,我们描述面板上的非规则的特性和分析它去适应自动检测系统有多困难,然后我们在细节上标记我们提出的方法和讨论这个方法的前提。另外,实验结果和与其他表面匹配方法都会被提到,2TFT-LCD的非规则亮度变化。,通常来说,TFT-LCD由很多特殊金属板组成很多层结构。BLU(back light unit)是金属底层之一元素,是负责照明整个面板的。BLU是由一些荧光灯和一些扩散盘组成。荧光灯组成照明的光源,然后光就通过扩散盘扩散到整个面板上。考虑到TF
4、T-LCD内部的空间狭小,我们能够看到在边缘的空间处没有足够的地方去放置更多的荧光灯所以那里缺乏光源和这点会造成整个面板的亮度变化不均匀,甚至我们用设计得最好的扩散盘。 当我们要求TFT-LCD面板显示图像的时候,我们能够看极爱你面板上的亮度变化和我们把这个变化在图1中表示出来。因此,我们能够发现大部分的TFT-LCD面板的亮度变化都是不均匀的,这个也是开发自动检测系统中的一个重要问题。这个问题能够变得非常严重,当自动检测系统要求达到很高的精确度的时候。,3评估TFT-LCD表面图像的亮度流,我们从现在开始将提及亮度变化的减少作为图像平整。在图1中,我们能够看见亮度的变化有低频率相关联与缺陷或
5、者噪声有关系。所以任何过程在频率领域里都比在空间领域里更有效的减少亮度变化。在空间领域中,我们要考虑太多东西,例如大小和缺陷的强度。用傅立叶变化求解频率领域时,一般低通过滤器能够被圈型的从直流电半径来表示。 然而,在分析LCD表面图像时,我们的目的是减少不规则的亮度变化,这个变化是由光源的限制产生的,因此,通过照明方向能更高效率的分析低频率系数。 好像先前所描述的,我们因为空间的限制而不能放置更多的荧光灯。所以,按照惯例,通常在TFT-LCD面板的四周放置荧光光源,光源的评估中,不能少于4个边。我们能够很容易的知道非规则的亮度变化的基本效率是随X-Y轴变化的。如果亮度的变化只随Y轴变化,那么傅
6、立叶变化频率的反应可能只发生在Y轴上,下面的等式1显示了2维坐标上的傅立叶变化,等式2是X,Y轴上的分解。,在等式2中,很清楚的是X轴上的变化表示了2维空间里的垂直变化,Y轴上的变化表示了水平的变化。因此,我们能够减少水平的低频率用Y轴上的边停止过滤,在傅立叶变化领域。同样,我们能够减少垂直的低频率用X轴上边停止过滤。 这里,我们不用2维过滤,但是用4方向的过滤,因为光源会非常复杂,这些光源能够被用于描绘左上角和右上角。但是我们在检测过程之前没有任何信息,所以我们不得不利用斜过滤,这是同时通过水平和垂直变化产生各种照明的方式。所以我们定义一下过滤: 我们能够容易判断变化的带宽的不同的值,图2中
7、显示了我们设计的过滤的形状。利用等式3,我们能够分割原始图像上的亮度变化和缺陷的区域。,然而,我们不得不判断我们提议的方法的精确的带宽为了有效的分割原始图像的有缺陷的部分,但是精确的带宽不一定能找到因为已获得的图像中,背景图像和缺陷图像混合了。同时我们在检测完成之前不能获得预先知道的缺陷信息。 但是缺陷的大小,它是在生产过程中产生的,能够被LCD生产者知道。因此,在确定亮度流之前我们把缺陷的大小反射出来作为条件。图3显示了这个方法中亮度流的确定。 在图3中,金字塔型图像是用来减少带宽描述的问题。原始图像被分解了N次。N的大小取决于最大缺陷的大小。如果一些TFT-LCD制造商能提供缺陷大小,例如
8、32*32,那么N的就=32.在这个问题中,最大缺陷大小是像素中的1/32,我们就能够确定背景的纯亮度流。 同时,亮度流应该被在后图像中下分解。但是亮度流的空间发生频率比缺乏少,所以信息的丢失在这个问题中显得不那么重要。更进一步说,我们用分级图像来确定信息流失量。,4式 亮度流的噪声比率信号在比起高阶段来,低阶段中更多。因此另外一个就是确定额外开销在低阶段中比高阶段中大,这是为了获得亮度流。这个能够被下面的等式描述。 5式 在本文中,考虑到以上2个因素,额外开销的值要被作为一个单调递增的值从低到高阶段,图4中显示了5个阶段的值,4,实验结果,我们的方法是基于PC电脑用C语言实现的。PC系统的C
9、PU是3.4G的奔腾CPU和1G内存。整个过程花费了2秒钟。为了确定亮度流,5个阶段被利用和每个阶段的额外开销在图4中显示。 图3显示了2个原始图像都是512512像素和他们所确定的亮度流,和线的划分组合。在图5a和d中,用圈圈起来的缺陷部分和背景部分形成对比。a中的缺陷没有d中缺陷那么明显。评估的亮度流在b和e中显示出来。从b和e中,我们能看见亮度流把原始图像很好的表现出来,除开缺陷部分。线划分组合用箭头在abde中表示的,在c和f中很好的表示出来。 在c和f中,原始图像的评估亮度流跟随亮度变化,不受丢失信息的影响,同时原始图像和他们所确定的亮度流足够吧缺陷部分分割出来。 为了校验我们所提议的方法的缺陷的分割部分,我们用合适的极限值确定一个二进制图像,这个图像能够表示缺陷的区域。在图6的e和f中,我们能够用亮度流分辨出缺陷的区域。如果我们做一个原始图像的二进制图像,那么缺陷的区域就能够隐藏起来,例如c和d中所示。因此,我们说我们提出的这个方法对自动检测系统有很大的帮助。,5,结论,在本文中,是用评估亮度流的方法表示TFT-LCD的背景亮度变化。评估4TFT-LCD的非规则亮度变化区域,用基于4方向的高斯变化在图像的金字塔状图像中被用到。试验的结果显示这个方法能够很好的确定亮度流的变化和对检测TFT-LCD面板有很大的帮助。,
链接地址:https://www.31doc.com/p-3300972.html