CN107657606B - 一种显示装置的亮度缺陷检测方法与装置 - Google Patents

Abstract

本发明公开了一种显示装置的亮度缺陷检测方法与装置。该方法包括如下步骤：输入第一图像；检测第一图像的点状缺陷，并对点状缺陷进行补偿以得到第二图像；检测第二图像的线状缺陷，并对线状缺陷进行补偿以得到第三图像；检测第三图像的块状缺陷；将第一图像的点状缺陷、第二图像的线状缺陷以及第三图像的块状缺陷整合，以得到亮度缺陷检测结果。本发明公开了一种显示装置的亮度缺陷检测方法与装置，通过检测点状缺陷与线状缺陷，使用缺陷临近像素值填充缺陷，减少点状缺陷与线状缺陷对块状缺陷检测的影响，提高了块状缺陷检测的准确性，同时还提高了检测的多样性与准确性，克服了单一类型的亮度缺陷检测。

Description

一种显示装置的亮度缺陷检测方法与装置

技术领域

本发明涉及显示技术领域，特别是涉及一种显示装置的亮度缺陷检 测方法与装置。

背景技术

亮度缺陷是薄膜晶体管-液晶显示器(TFT-LCD)上一种典型的低对 比度缺陷，一般表现为可被人眼感知，没有固定形状，对比度低、尺寸 通常大于单个像素、形状各异、无明显边缘、图像背景复杂，因此被列 为显示器缺陷中最难检测的缺陷之一。亮度缺陷呈现形式可以分为3种： 点状缺陷、线状缺陷和其他不规则的块状缺陷。

目前国内LCD制造业中对于亮度缺陷的检测大多数都停留在人工 检测阶段，这种方法检测时间长，高成本，主观性强，稳定性不高，严 重制约生产线生产效率。因此，快速、稳定且符合人眼视觉特性的自动 低对比度缺陷检测、分级方法重要性不言而喻。

发明内容

本发明主要解决的问题是提供了一种显示装置的亮度缺陷检测方 法与装置，通过对点状缺陷和线状缺陷进行填充，能够改善块状缺陷的 准确性，系统克服单一类型亮度缺陷检测。

解决上述技术问题，本发明采用的一个技术方案是提供一种显示装 置的亮度缺陷检测方法，该方法包括：输入第一图像；检测所述第一图 像的点状缺陷，并对所述点状缺陷进行补偿以得到第二图像；检测所述 第二图像的线状缺陷，并对所述线状缺陷进行补偿以得到第三图像；检 测所述第三图像的块状缺陷；将所述第一图像的点状缺陷、所述第二图 像的线状缺陷以及所述第三图像的块状缺陷整合，以得到亮度缺陷检测 结果。

解决上述技术问题，本发明采用的一个技术方案是提供一种显示装 置的亮度缺陷检测装置，包括输入输出装置、存储器以及处理器。其中， 所述存储器用于存储计算机程序，所述计算机程序在被所述处理器执行 时，用于实现上述的方法。

通过上述方案，本发明的有益效果是：提供一种显示装置的亮度缺 陷检测方法，该方法包括：输入第一图像；检测所述第一图像的点状缺 陷，并对所述点状缺陷进行补偿以得到第二图像；检测所述第二图像的 线状缺陷，并对所述线状缺陷进行补偿以得到第三图像；检测所述第三 图像的块状缺陷；将所述第一图像的点状缺陷、所述第二图像的线状缺 陷以及所述第三图像的块状缺陷整合，以得到亮度缺陷检测结果。通过 上述方式，能够检测点状缺陷与线状缺陷，使用缺陷临近像素值填充缺 陷，减少点状缺陷与线状缺陷对块状缺陷检测的影响，提高了块状缺陷 检测的准确性，同时还提高了检测的多样性与准确性，克服了单一类型 的亮度缺陷检测。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描 述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图 仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出 创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：

图1是本发明提供的显示装置的亮度缺陷检测方法一实施例流程示 意图；

图2是本发明提供的显示装置的亮度缺陷检测方法一实施例中第一 图像和第二图像的示意图；

图3是本发明提供的显示装置的亮度缺陷检测方法另一实施例的流 程示意图；

图4是本发明提供的显示装置的亮度缺陷检测方法另一实施例的滤 波模板示意图；

图5是本发明提供的显示装置的亮度缺陷检测方法另一实施例的线 状缺陷检测结果图；

图6是本发明提供的显示装置的亮度缺陷检测方法另一实施例的块 状缺陷检测流程示意图；

图7是本发明提供的显示装置的亮度缺陷检测方法另一实施例的灰 度直方图示意图；

图8是本发明提供的显示装置的亮度缺陷检测方法另一实施例将图 像分为9个区域的示意图；

图9是本发明提供的显示装置的亮度缺陷检测方法另一实施例多个 聚类区域的灰度直方图示意图；

图10是本发明提供的显示装置的亮度缺陷检测方法另一实施例聚 类结果示意图；

图11是本发明提供的显示装置的亮度缺陷检测方法另一实施例的 块状缺陷检测结果图；

图12是本发明提供的显示装置的亮度缺陷检测方法另一实施例的 亮度检测结果；

图13是本发明提供的显示装置的亮度缺陷检测装置一实施例示结 构意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案 进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实 施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人 员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本 发明保护的范围。

参阅图1，图1是本发明提供的显示装置的亮度缺陷检测方法一实 施例流程示意图，该亮度缺陷检测的方法包括：

步骤11：输入第一图像。

其中，第一图像为灰度图像，第一图像可以是纯色图像，即每个像 素点的灰阶值相同。

首先输入要处理的第一图像，在输入第一图像之前可以对第一图像 进行预处理，消除图像中无关的信息，恢复有用的真实信息，增强有关 信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、 匹配和识别的可靠性。预处理的方式有改变图像的大小(图像的缩放)； 将颜色图像转为灰度图；将灰度图转换为黑白图；利用梯度锐化使得图 像更加突出，以便分析；去除离散噪声，防止严重异常的噪声点干扰后 续的结果。

步骤12：检测所述第一图像的点状缺陷，并对所述点状缺陷进行补 偿以得到第二图像。

根据统计规律及视觉效果，把低于10个像素的缺陷称为点状缺陷。 例如，有8个相邻的像素存在亮度缺陷，而该8个像素周围的其他像素 不存在亮度缺陷，则可以将该8个像素的缺陷定义为点状缺陷。不同种 类的缺陷产生的原因也有差异，在TFT-LCD生产过程中，细小的粉尘 一般会造成点状缺陷。检测点状缺陷需要对所述第一图像进行滤波处 理，例如，可以采用中值滤波、均值滤波、高斯滤波、小波滤波等滤波 方法来对第一图像进行处理，以对第一图像的点状缺陷进行补偿。

在获取第一图像的点状缺陷时，可以将第一图像每个像素的灰阶值 减去第二图像相应像素的灰阶值，再使用二值化方法对图像进行二值 化，即可得到点状检测的结果。

可以理解的，如图2所示，图2是本发明提供的显示装置的亮度缺 陷检测方法一实施例中第一图像和第二图像的示意图。假设理想的第一 图像(图2(a))中图像灰阶值大多数为100，而其中有一部分像素的亮 度存在缺陷，例如，其中有三个像素的灰阶值分别为150、200、250， 将这三个像素的亮度缺陷进行补偿后，得到第二图像(图2(b))，其中 每个像素的灰阶值均为100，然后将第一图像中每个像素的灰阶值与第 二图像中相应位置的像素的灰阶值作差计算，得到的图像中大部分像素 的灰阶值为0(或小于设定阈值)，而其中的三个亮度有缺陷的像素的 作差后的灰阶值不为0(或大于设定阈值)。再对作差后的图像进行二 值化处理，得到如图2(c)所示的图像。

可选的，二值化方法可以包括：最大类间方差法(OTSU)、迭代 阈值法、P分位法、基于最小误差的全局阈值法、局部阈值法、全局阈 值与局部阈值相结合的方法等。

利用滤波可以得到第一图像滤波后的图像，即为所述第二图像，实 现了对点状缺陷的填充。

步骤13：检测所述第二图像的线状缺陷，并对所述线状缺陷进行补 偿以得到第三图像。

线状缺陷的长宽比都很大，一般长宽比大于30的即可判定为线状 缺陷；在CF(Color Filter，彩色滤光片)制程中的涂布过程中，如果喷 嘴出现阻塞，则会造成线状缺陷。待点状缺陷检测完成后使用临近像素 值进行填充点状缺陷，线状缺陷采用边缘检测方法即可完成检测，边缘 检测算子可使用Sobel算子、Roberts算子、Prewitt算子、Laplacian算 子、Log算子和Canny算子等。

Sobel算子是一个离散的一阶差分算子，用来计算图像亮度函数的 一阶梯度之近似值；Roberts算子是一种利用局部差分算子寻找边缘的算 子；Prewitt算子是一种一阶微分算子；Laplacian算子是二阶微分算子； Log算法通过检测滤波结果的零交叉获得图像或物体的边缘。

将线状缺陷检测完成后，使用缺陷临近像素值进行填充，得到第三 图像，以减少线状缺陷对块状缺陷检测的影响。

步骤14：检测所述第三图像的块状缺陷。

除了线状缺陷和点状缺陷以外的缺陷都可统称为块状缺陷，当 TFT-LCD受到外力的作用，使液晶单元的间隙改变，一般会造成大面积 的块状缺陷。

块状检测的方法有Chan-Vese水平集模型(C-V模型)、Muralook 算法、区域生长法与k-means等。

C-V模型以图像的像素灰度信息作为能量，巧妙地构造能量函数， 通过求取能量函数的最小值，最终将目标分割，从而检测出块状缺陷。 Muralook算法采用CCD摄像头获取LCD图像，模拟生成背景图像，在 图像分割中按照对比度高低完成缺陷检测。区域生长法首先对每个需要 分割的区域找出一个种子像素作为生长的起点，然后将种子像素周围邻 域中与种子有相同或相似性质的像素合并到种子像素所在的区域中，而 新的像素继续作为种子向四周生长，直到再没有满足条件的像素可以包 括进来，一个区域就生长而成了。

步骤15：将所述第一图像的点状缺陷、所述第二图像的线状缺陷以 及所述第三图像的块状缺陷整合，以得到亮度缺陷检测结果。

将所述的各个步骤检测完成后的点状缺陷、线状缺陷与块状缺陷进 行整合，即点状缺陷、线状缺陷与块状缺陷检测结果进行叠加，最终可 以得到所述第一图像的亮度缺陷检测结果。

区别于现有技术，本实施方式公开的亮度缺陷检测方法，将亮度缺 陷分为三类进行处理，并将检测的结果进行整合。首先对于点状缺陷通 过滤波进行处理，并补偿点状缺陷；其次利用边缘检测方法对补偿后的 图像进行检测，检测出线状缺陷的同时补偿线状缺陷；然后对线状缺陷 补偿完后的图像进行块状缺陷检测，使用块状检测方法进行块状缺陷检 测；最后将所有缺陷结果进行整合，这样就将点状缺陷、线状缺陷与块 状缺陷都检测出来。通过检测点状缺陷与线状缺陷，使用缺陷临近像素 值填充缺陷，减少点状缺陷与线状缺陷对块状缺陷检测的影响，提高了 块状缺陷检测的准确性，同时还提高了检测的多样性与准确性，克服了 单一类型的亮度缺陷检测。

参阅图3，图3是本发明提供的显示装置的亮度缺陷检测方法另一 实施例的流程示意图，该方法包括：

步骤31：输入第一图像。

步骤32：对第一图像进行滤波处理，以对第一图像进行补偿以得到 补偿后的第二图像。

可选的，步骤32中可以采用均值滤波检测点状缺陷，因为均值滤 波运算的简便及效率性，小波和高斯等都可以滤除高频噪声(点状缺 陷)，但需要调整参数和选择滤波器组。

点状缺陷一般通过均值滤波进行处理就可以有较好的效果，将数字 图像中一点的值用该点的一个邻域中各点值的平均值代替，让周围的像 素值接近的真实值，从而消除孤立的噪声点。

假设原图像大小为M×N，其中M、N为正整数，原图像记为I(i,j) (1≤i≤M，1≤j≤N)，均值滤波后的图像为I_f(i,j)，2s+1为模板宽度， s为正整数，图2是滤波模板示意图，其中s＝1，通过平均模板对应区域 中的像素值，实现对图像的滤波。I_f(i,j)与I(i,j)的对应关系如下：

利用上述的公式，便可以得到第一图像经过均值滤波之后的第二图 像，再结合图2，其中图2(a)为第一图像，图2(b)为均值滤波后的图像， 即所述第二图像，可以看到图像中的噪声(点状缺陷)被消除了，第一 图像减去第二图像，再使用二值化方法对图像进行二值化，图2(c)是二 值化后的图像，即点状缺陷检测的结果。

步骤33：将第一图像每个像素的灰阶值和第二图像对应像素的灰阶 值进行作差处理，以得到第一图像的点状缺陷。

可选的，在步骤33之后，还可以对第一图像的点状缺陷进行二值 化处理，例如，可以采用OTSU，OTSU将图像分成背景和目标两部分， 背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大， 当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变 小，使类间方差最大的分割意味着错分概率最小。OTSU具有操作简单、 计算效率高、自适应阈值选择好的特点。OTSU算法原理如下所示：

设原始灰度级为M，灰度级为i的像素点的个数为n_i，则总的像素 数为：

N＝n₀+n₁+…+n_M+1

对灰度值进行归一化：

P_i＝n_i/M

假设此时分割阈值为t，则将灰度分成两类：

C1＝(0,1,2,…,t)，C1＝(t+1,t+2,…,M-1)

每一类出现的概率为：

每一类的平均灰度为：

其中：

则类间方差可定义为：

在灰度值区间[0,M-1]内改变分割阈值，遍历找到类间方差σ_B ²最大值 对应的分割阈值t，便可得到最佳的分割效果。

通过使用OTSU将图像分成前景和背景两部分，实现了图像的二值 化。

步骤34：检测第二图像的线状缺陷，并对线状缺陷进行补偿以得到 第三图像。

可选的，本实施例是一种使用Canny算子检测线状缺陷，Canny算 子是一个具有滤波、增强、检测的多阶段的优化算子，在进行处理前， Canny算子先利用高斯平滑滤波器来平滑图像以除去噪声，Canny分割 算法采用一阶偏导的有限差分来计算梯度幅值和方向，在处理过程中， Canny算子还将经过一个非极大值抑制的过程，最后Canny算子还采用 两个阈值来连接边缘。

线状缺陷检测结果如图5所示，其中图5(a)为所述第二图像，图5(b) 为所述第二图像利用Canny算子进行边缘检测后的二值化结果，从图中 所示的结果中可以看到线状缺陷被检测出来。

步骤35：检测第三图像的块状缺陷。

可选的，在一实施例中，可以基于k-means算法检测块状缺陷，如 图6所示，步骤35可以具体包括：

步骤351：定义K值；其中，K为正整数。

其中，步骤351可以具体为：统计图像灰度直方图密度分布，获取 第三图像的灰度直方图；灰度直方图是对图像中灰度级分布的统计，将 数字图像中的所有像素，按照灰度值的大小，统计其出现的频率，最终 可以得到关于灰度值与个数的对应关系图，如图7所示，其中，灰度直 方图的横坐标为像素的数量，纵坐标为像素值；从灰度直方图中获取像素值大于设定阈值的像素的数量的最大值和最小值；计算最大值(Max) 和最小值(Min)的差值作为K值，即定义K＝Max-Min，K也为聚类的 初始值。

步骤352：将第三图像划分为K个区域。

例如，参照图8，图8为将图像分为9个区域的示意图，聚类数目 K＝9，图8(a)为将图像划分为9个区域的结果，图8(b)为这9个区域的 中心位置。

步骤353：将第三图像的每个像素进行聚类，以归类到K个区域中 的一个。

其中，步骤353可以具体为：

a.定义K个区域中每个区域的中心，计算每个像素到每个区域的中 心的距离以及灰阶值差值；将每个像素归类到距离最近且/或灰阶值差值 最小的区域。这样经过步骤a后每个像素都有了所属的簇。

b.对于每一个像素簇，重新计算它的中心，即对每个像素簇中所有 的像素坐标及灰度值求平均。

重复迭代a和b直到中心不变或者变化很小，其中可以设置前后质 心的差值小于所设定的阈值值时，即可停止迭代。

步骤354：将K个区域进行聚类，以将灰阶值相似度超过设定阈值 的不同区域进行合并，从而得到第三图像的块状缺陷。

其中，步骤354可以具体为：获取K个区域中每个区域的图像的灰 度直方图；将图像的灰度直方图中的缺陷的重合度大于设定值的两个区 域进行合并，可按照如下步骤执行：

a.当灰度直方图重叠区域大于等于设定的阈值时，则可判定认为这 几类区域为同一类，且为背景；当重叠区域小于设定的阈值时，判定它 们为缺陷区，如图9所示，缺陷重叠区域较多(大于等于设定的阈值) 判定其为背景，缺陷重叠区域较少(小于设定的阈值)的则为缺陷区域。

b.背景重新融合聚类，减小K值，重复上一步操作，直至K值不变。

在此步骤中，将上步骤a中判定为背景的几类进行融合，将这几类 聚为一类，例如，如图10所示，图10(a)为背景融合前的聚类示意图， 图10(b)为背景融合后的聚类示意图，从图中可以看到，图10中的类别 1、2、5与6被融合成一类，它们被融合成为背景。

对融合后的结果再次进行a操作，直至聚类的结果不发生变化。

c.二值化操作，计算边缘梯度变化，进行块状缺陷检测。

使用所述的边缘检测方法检测出图像边缘，可得到二值化后的图 像，即为块状缺陷，如图11所示。

步骤36：将第一图像的点状缺陷、第二图像的线状缺陷以及第三图 像的块状缺陷整合，以得到亮度缺陷检测结果。

将所述的各个步骤检测完成后的点状缺陷、线状缺陷与块状缺陷进 行叠加，可以得到所述第一图像的亮度缺陷检测结果，如图12所示。

参阅图13，图13是本发明提供的的显示装置的亮度缺陷检测装置 一实施例的结构示意图，该亮度缺陷检测装置130包括输入输出装置 131、存储器132以及处理器133；其中，所述存储器用于存储计算机程 序，所述计算机程序在被所述处理器执行时，用于实现以下步骤：

输入第一图像；检测第一图像的点状缺陷，并对点状缺陷进行补偿 以得到第二图像；检测第二图像的线状缺陷，并对线状缺陷进行补偿以 得到第三图像；检测第三图像的块状缺陷；将第一图像的点状缺陷、第 二图像的线状缺陷以及第三图像的块状缺陷整合，以得到亮度缺陷检测 结果。

可选的，处理器133还用于执行：对第一图像进行滤波处理，以对 第一图像进行补偿以得到补偿后的第二图像；将第一图像每个像素的灰 阶值和第二图像对应像素的灰阶值进行作差处理，以得到第一图像的点 状缺陷。

可选的，处理器133还用于执行：采用以下滤波函数对第一图像进 行滤波处理，以得到第二图像：

其中，I(i,j)为第一 图像的像素坐标函数，I_f(i,j)为第一图像滤波后的函数，即第二图像的函 数，2s+1位模板宽度，其中，s为正整数。

可选的，处理器133还用于执行：采用边缘检测算法对第二图像进 行处理，以得到第二图像的线状缺陷。

其中，边缘检测算法包括Sobel算法、Roberts算法、Prewitt算法、 Laplacian算法、Log算法或Canny算法中的至少一种。

可选的，处理器133还用于执行：定义K值；其中，K为正整数； 将第三图像划分为K个区域；将第三图像的每个像素进行聚类，以归类 到K个区域中的一个；将K个区域进行聚类，以将灰阶值相似度超过设 定阈值的不同区域进行合并，从而得到第三图像的块状缺陷。

可选的，处理器133还用于执行：获取第三图像的灰度直方图；其 中，灰度直方图的横坐标为像素的数量，纵坐标为像素值；从灰度直方 图中获取像素值大于设定阈值的像素的数量的最大值和最小值；计算最 大值和最小值的差值作为K值。

可选的，处理器133还用于执行：定义K个区域中每个区域的中心； 计算每个像素到每个区域的中心的距离以及灰阶值差值；将每个像素归 类到距离最近且/或灰阶值差值最小的区域。

可选的，处理器133还用于执行：根据每个像素的聚类结果，重新 定义K个区域中每个区域的中心；重复执行计算每个像素到每个区域的 中心的距离以及灰阶值差值的步骤，以及将每个像素归类到距离最近且 /或灰阶值差值最小的区域的步骤，直到K个区域中每个区域的中心不 变。

可以理解的，本实施例提供的亮度检测装置所执行的步骤和工作原 理与上述实施例中的检测方法类似，这里不再赘述。

在本发明所提供的几个实施方式中，应该理解到，所揭露的方法以 及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式 仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能 划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结 合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开 的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于 一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选 择其中的部分或者全部单元来实现本实施方式方案的目的。

另外，在本发明各个实施方式中的各功能单元可以集成在一个处理 单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元 集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可 以采用软件功能单元的形式实现。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围， 凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或 直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保 护范围内。

Claims (8)

1.一种显示装置的亮度缺陷检测方法，其特征在于，包括：

输入第一图像；

检测所述第一图像的点状缺陷，并对所述点状缺陷进行补偿以得到第二图像；

检测所述第二图像的线状缺陷，并对所述线状缺陷进行补偿以得到第三图像；

获取所述第三图像的灰度直方图；其中，所述灰度直方图的横坐标为像素的数量，纵坐标为像素值；

从所述灰度直方图中获取像素值大于设定阈值的像素的数量的最大值和最小值；

计算所述最大值和所述最小值的差值作为K值；其中，K为正整数；

将所述第三图像划分为K个区域；

将所述第三图像的每个像素进行聚类，以归类到所述K个区域中的一个；

将所述K个区域进行聚类，以将灰阶值相似度超过设定阈值的不同区域进行合并，从而得到所述第三图像的块状缺陷；

将所述第一图像的点状缺陷、所述第二图像的线状缺陷以及所述第三图像的块状缺陷整合，以得到亮度缺陷检测结果。

2.根据权利要求1所述的方法，其特征在于，

所述检测所述第一图像的点状缺陷，并对所述点状缺陷进行补偿以得到第二图像的步骤，包括：

对所述第一图像进行滤波处理，对所述第一图像进行补偿以得到补偿后的第二图像；

将所述第一图像每个像素的灰阶值和所述第二图像对应像素的灰阶值进行作差处理，以得到所述第一图像的点状缺陷。

3.根据权利要求2所述的方法，其特征在于，

所述对所述第一图像进行滤波处理，对所述第一图像进行补偿以得到补偿后的第二图像的步骤，包括：

采用以下滤波函数对所述第一图像进行滤波处理，以得到所述第二图像：

其中，I(i,j)为所述第一图像的像素坐标函数，I_f(i,j)为所述第一图像滤波后的函数，即第二图像的函数，2s+1位模板宽度，其中，s为正整数。

4.根据权利要求1所述的方法，其特征在于，

所述检测所述第二图像的线状缺陷的步骤，包括：

采用边缘检测算法对所述第二图像进行处理，以得到所述第二图像的线状缺陷；

其中，所述边缘检测算法包括Sobel算法、Roberts算法、Prewitt算法、Laplacian算法、Log算法或Canny算法中的至少一种。

5.根据权利要求1所述的方法，其特征在于，

所述将所述第三图像的每个像素进行聚类，以归类到所述K个区域中的一个的步骤，包括：

定义所述K个区域中每个区域的中心；

计算每个像素到每个区域的中心的距离以及灰阶值差值；

将每个像素归类到距离最近且/或灰阶值差值最小的区域。

6.根据权利要求5所述的方法，其特征在于，

所述方法还包括：

根据每个像素的聚类结果，重新定义所述K个区域中每个区域的中心；

重复执行所述计算每个像素到每个区域的中心的距离以及灰阶值差值的步骤，以及所述将每个像素归类到距离最近且/或灰阶值差值最小的区域的步骤，直到所述K个区域中每个区域的中心不变。

7.根据权利要求1所述的方法，其特征在于，

所述将所述K个区域进行聚类，以将灰阶值相似度超过设定阈值的不同区域进行合并，从而得到所述第三图像的块状缺陷的步骤，包括：

获取所述K个区域中每个区域的图像的灰度直方图；

将图像的灰度直方图中的缺陷的重合度大于设定值的两个区域进行合并。

8.一种显示装置的亮度缺陷检测装置，其特征在于，包括输入输出装置、存储器以及处理器；

其中，所述存储器用于存储计算机程序，所述计算机程序在被所述处理器执行时，用于实现如权利要求1-7任一项所述的方法。

Images