CN107705290B - 一种AMOLED显示屏Mura缺陷检测方法 - Google Patents
一种AMOLED显示屏Mura缺陷检测方法 Download PDFInfo
- Publication number
- CN107705290B CN107705290B CN201710792457.4A CN201710792457A CN107705290B CN 107705290 B CN107705290 B CN 107705290B CN 201710792457 A CN201710792457 A CN 201710792457A CN 107705290 B CN107705290 B CN 107705290B
- Authority
- CN
- China
- Prior art keywords
- image
- point
- display screen
- mean shift
- amoled display
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明提供了一种AMOLED显示屏Mura缺陷检测方法,首先对AMOLED显示屏Mura图像采用均值漂移算法进行预分割,得到水平集算法所需的初始轮廓,然后再采用结合了图像的局部和全局信息的水平集算法对AMOLED显示屏Mura图像进行分割。本发明的有益效果是:解决了局部图像模型对初始轮廓敏感的问题,同时所提出的水平集算法结合了图像的局部和全局信息,解决了全局图像模型不能处理灰度不均图像的问题。
Description
技术领域
本发明涉及显示屏检测方法,尤其涉及一种AMOLED显示屏Mura缺陷检测方法。
背景技术
有源矩阵有机发光二极体面板(AMOLED)被视为下一代显示技术,具有反应速度快、对比度高、视角广、能耗低等特点。由于AMOLED显示屏在制造的过程中存在着各种各样的缺陷,如点缺陷、线缺陷、Mura缺陷(Mura名称来源于日文单词,特指面板瑕疵,用来表征当显示器以恒定亮度显示时,显示区域的不均匀)的存在,将对AMOLED显示屏的发光均匀性、图像清晰性、寿命等产生影响。
Mura缺陷是一种严重影响AMOLED显示屏画面品质的不良缺陷,主要表现为屏幕区域内亮度显示不均匀。Mura缺陷种类众多、形状多样,并且对比度低、位置不固定、边缘轮廓不清晰,相比于显示屏的其他光学类缺陷,Mura缺陷较难检测。传统的人眼检测方法主要依靠检测者的经验和主观感受来检测Mura缺陷及评定其等级,这就导致了不同的检测者对同一Mura缺陷的判定结果可能不一致。
发明内容
为了解决现有技术中的问题,本发明提供了一种AMOLED显示屏Mura缺陷检测方法。
本发明提供了一种AMOLED显示屏Mura缺陷检测方法,首先对AMOLED显示屏Mura图像采用均值漂移算法进行预分割,得到水平集算法所需的初始轮廓,然后再采用结合了图像的局部和全局信息的水平集算法对AMOLED显示屏Mura图像进行分割。
作为本发明的进一步改进,所述均值漂移算法包括先计算当前点的偏移均值,然后移动该点到偏移均值,再以此为新的起始点,继续移动,直到满足一定的条件结束。
作为本发明的进一步改进,均值漂移算法计算一个像素点的迭代步骤为:(1)随机选择一个初始点x;(2)计算其均值漂移量mh(x);(3)令误差为ε',如果||mh(x)-x||≤ε′,停止漂移迭代;否则,将mh(x)赋值给x,然后重复步骤(2)、(3)。
作为本发明的进一步改进,对AMOLED显示屏Mura图像采用均值漂移算法进行预分割,得到水平集算法所需的初始轮廓。
作为本发明的进一步改进,所述水平集算法的迭代步骤为:(1)由均值漂移算法得到初始水平集函数φ,设置参数大小;(2)求解函数c1,c2,e1,e2;(3)根据主动轮廓模型演化水平集函数;(4)判断水平集函数是否收敛,若收敛则迭代结束,否则重复步骤(2)、(3)、(4)。
本发明的有益效果是:采用均值漂移算法解决了局部图像模型对初始轮廓敏感的问题,同时所提出的水平集算法结合了图像的局部和全局信息,解决了全局图像模型不能处理灰度不均图像的问题。
附图说明
图1为本发明一种AMOLED显示屏Mura缺陷检测方法的流程示意图。
图2为AMOLED显示屏左侧Mura缺陷检测合成图,合成图中从左到右分别为Mura缺陷原始图像、均值漂移算法预分割图像、由均值漂移算法预分割结果得到的初始轮廓图像,以及由水平集算法得到的最终分割效果图。
图3为AMOLED显示屏右侧Mura缺陷检测合成图,合成图中从左到右分别为Mura缺陷原始图像、均值漂移算法预分割图像、由均值漂移算法预分割结果得到的初始轮廓图像,以及由水平集算法得到的最终分割效果图。
图4为AMOLED显示屏中部Mura缺陷检测合成图,合成图中从左到右分别为Mura缺陷原始图像、均值漂移算法预分割图像、由均值漂移算法预分割结果得到的初始轮廓图像,以及由水平集算法得到的最终分割效果图。
具体实施方式
下面结合附图说明及具体实施方式对本发明作进一步说明。
如图1至图4所示,一种AMOLED显示屏Mura缺陷检测方法,包括:
1.对AMOLED显示屏Mura图像采用均值漂移算法进行预分割;
2.采用改进的水平集算法对AMOLED显示屏Mura图像进行分割。
第一单元,均值漂移算法存在迭代过程,先计算当前点的偏移均值,然后移动该点到偏移均值,再以此为新的起始点,继续移动,直到满足一定的条件结束。其推导过程如下:
假设一个d维空间Rd里有n个样本点,用xi表示每个样本点的属性值,其中i=1,2,…,n。在Rd中任选一个样本点x,x点的均值漂移向量表示如下:
其中,Sh为半径h的圆形区域,属于该区域的点满足以下条件,Sh(xi)={xi:(xi-x)T(xi-x)≤h2} (2)
式(2)中的x是圆形区域的中心点;
k表明在n个样本点xi中有多少位于Sh内。
(xi-x)是样本点xi对应点x的偏移向量,式(1)中表示的均值漂移向量Mh(x)是位于Sh区域内的k个样本点对应x点的平均偏移向量。样本点xi从概率密度函数f(x)获得,并且概率密度增加最大的方向根据非零概率密度梯度确定,从均值来看,高维球区域Sh内的样本点相当多的落在概率密度梯度方向。因此,均值漂移向量Mh(x)指向概率密度梯度方向。
通过引进核函数和样本权值对原来的均值漂移向量Mh(x)改写:
其中,G(x)是核函数,H是带宽矩阵,ω(xi)是高维球内样本点的权值矩阵。一般通过与图像中心点的距离设定权值,距离小的权值相对大,距离大的权值相对小。通常取H正比于单位矩阵,即H=h2I,因此式(3)改写为:
式(4)可以简化为如下形式:
利用式(5)计算得到均值漂移量mh(x):
在核函数、权值矩阵和漂移终止条件(即误差ε')确定的前提下,均值漂移算法计算一个像素点的迭代步骤如下:
(1)随机选择一个初始点x;
(2)计算其均值漂移量mh(x);
(3)如果||mh(x)-x||≤ε′,停止漂移迭代;否则,将mh(x)赋值给x,然后重复步骤(2)、(3)。
第二单元,本发明提出的改进的水平集分割模型是在现有C-V模型基础上改进的。
Chan等人提出C-V模型是经典的基于区域的活动轮廓模型,其能量函数定义为:
式中I为原图像,L为轮廓曲线C的长度,A为轮廓曲线C内部面积,μ,ν≥0,λ1,λ2>0是各项的加权系数。c1,c2分别为轮廓曲线C内部和外部的灰度均值。当轮廓曲线C位于图像目标边界时,能量函数E取得最小值。为求得E的最小值,利用Lipschitz函数φ的零水平集表示轮廓曲线C,则E可表示为:
式中H为Heaviside函数,δ为Dirac函数,其平滑形式为:
c1,c2为:
利用变分法和最速下降法,得到式(8)水平集偏微分方程:
C-V模型利用了全局信息对图像进行分割,即轮廓曲线内部和外部的灰度均值信息,这使得改模型不能有效分割灰度不均匀图像。
Li等人提出的局部尺寸拟合能量模型,主动轮廓模型如下所示:
e1,e2为:
ei(x)=∫Kσ(y-x)|I(x)-fi(y)|2dy,i=1,2 (15)
f1,f2分别为轮廓曲线C内部和外部的局部灰度均值,
其中,Kσ是方差σ的高斯核函数。
Li等人提出的局部尺寸拟合能量模型利用了局部信息对图像进行分割,这种局部特性导致该模型在分割灰度不均图像时能取得较好的分割效果,但也导致该模型对初始轮廓很敏感。
为了克服全局图像模型不能有效分割灰度不均匀和局部图像模型对初始轮廓敏感的问题,本发明提出了一种结合全局和局部图像信息的主动轮廓模型:
权重系数ω(0≤ω≤1)作用是控制全局力和局部力对模型的影响,当图像的灰度不均情况比较严重时,分割的精度主要依赖于局部力,在这种情况下,就应该选择较大的ω;当图像的灰度不均情况较轻时,全局力就可以牵引演化曲线分割目标,此时,就应该选择较小的ω。
如图1至图4所示,本发明提出的基于均值漂移和水平集算法相结合的AMOLED显示屏Mura缺陷检测方法,解决了局部图像模型对初始轮廓敏感的问题,同时改进后的水平集算法结合了局部和全局图像信息,解决了全局图像模型不能处理灰度不均图像的问题。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (6)
1.一种AMOLED显示屏Mura缺陷检测方法,其特征在于:首先对AMOLED显示屏Mura图像采用均值漂移算法进行预分割,得到水平集算法所需的初始轮廓,然后再采用结合了图像的局部和全局信息的水平集算法对AMOLED显示屏Mura图像进行分割;
采用水平集算法对AMOLED显示屏Mura图像进行分割包括以下步骤:
C-V模型是基于区域的活动轮廓模型,其能量函数定义为:
式中I为原图像,L为轮廓曲线C的长度,A为轮廓曲线C内部面积,μ,ν≥0,λ1,λ2>0是各项的加权系数,c1,c2分别为轮廓曲线C内部和外部的灰度均值,当轮廓曲线C位于图像目标边界时,能量函数E取得最小值,为求得E的最小值,利用Lipschitz函数φ的零水平集表示轮廓曲线C,则E可表示为:
式中H为Heaviside函数,δ为Dirac函数,其平滑形式为:
c1,c2为:
利用变分法和最速下降法,得到式(8)水平集偏微分方程:
C-V模型利用了全局信息对图像进行分割,即轮廓曲线内部和外部的灰度均值信息;
局部尺寸拟合能量模型的主动轮廓模型如下所示:
e1,e2为:
ei(x)=∫Kσ(y-x)|I(x)-fi(y)|2dy,i=1,2 (15)
f1,f2分别为轮廓曲线C内部和外部的局部灰度均值,
其中,Kσ是方差σ的高斯核函数;
局部尺寸拟合能量模型利用了局部信息对图像进行分割;
结合全局和局部图像信息的主动轮廓模型为:
权重系数ω(0≤ω≤1)作用是控制全局力和局部力对模型的影响,当图像的灰度不均情况比较严重时,分割的精度主要依赖于局部力,在这种情况下,选择较大的ω;当图像的灰度不均情况较轻时,全局力就可以牵引演化曲线分割目标,此时,选择较小的ω。
2.根据权利要求1所述的AMOLED显示屏Mura缺陷检测方法,其特征在于:所述均值漂移算法包括先计算当前点的偏移均值,然后移动该点到偏移均值,再以此为新的起始点,继续移动,直到满足一定的条件结束。
3.根据权利要求1所述的AMOLED显示屏Mura缺陷检测方法,其特征在于:均值漂移算法计算一个像素点的迭代步骤为:(1)随机选择一个初始点x;(2)计算其均值漂移量mh(x);(3)令误差为ε',如果||mh(x)-x||≤ε′,停止漂移迭代;否则,将mh(x)赋值给x,然后重复步骤(2)、(3)。
4.根据权利要求1所述的AMOLED显示屏Mura缺陷检测方法,其特征在于:对AMOLED显示屏Mura图像采用均值漂移算法进行预分割,得到水平集算法所需的初始轮廓。
5.根据权利要求1所述的AMOLED显示屏Mura缺陷检测方法,其特征在于:所述水平集算法的迭代步骤为:(1)由均值漂移算法得到初始水平集函数φ1,设置参数大小;(2)求解函数c1,c2,e1,e2;(3)根据主动轮廓模型演化水平集函数;(4)判断水平集函数是否收敛,若收敛则迭代结束,否则重复步骤(2)、(3)、(4)。
6.根据权利要求1所述的AMOLED显示屏Mura缺陷检测方法,其特征在于:对AMOLED显示屏Mura图像采用均值漂移算法进行预分割包括以下步骤:
均值漂移算法存在迭代过程,先计算当前点的偏移均值,然后移动该点到偏移均值,再以此为新的起始点,继续移动,直到满足一定的条件结束,其推导过程如下:
假设一个d维空间Rd里有n个样本点,用xi表示每个样本点的属性值,其中i=1,2,…,n,在Rd中任选一个样本点x,x点的均值漂移向量表示如下:
其中,Sh为半径h的高维球区域,属于该区域的点满足以下条件,
Sh(xi)={xi:(xi-x)T(xi-x)≤h2} (2)
式(2)中的x是高维球区域的中心点;
k表明在n个样本点xi中有多少位于Sh内;
(xi-x)是样本点xi对应点x的偏移向量,式(1)中表示的均值漂移向量Mh(x)是位于Sh区域内的k个样本点对应x点的平均偏移向量,样本点xi从概率密度函数f(x)获得,并且概率密度增加最大的方向根据非零概率密度梯度确定,从均值来看,高维球区域Sh内的样本点相当多的落在概率密度梯度方向,因此,均值漂移向量Mh(x)指向概率密度梯度方向;
通过引进核函数和样本权值对原来的均值漂移向量Mh(x)改写:
其中,G(x)是核函数,H是带宽矩阵,ω(xi)是高维球内样本点的权值矩阵,通过与图像中心点的距离设定权值,距离小的权值相对大,距离大的权值相对小,取H正比于单位矩阵,即H=h2I,因此式(3)改写为:
式(4)可以简化为如下形式:
利用式(5)计算得到均值漂移量mh(x):
在核函数、权值矩阵和漂移终止条件确定的前提下,漂移终止条件即误差ε',均值漂移算法计算一个像素点的迭代步骤如下:
(1)随机选择一个初始点x;
(2)计算其均值漂移量mh(x);
(3)如果||mh(x)-x||≤ε′,停止漂移迭代;否则,将mh(x)赋值给x,然后重复步骤(2)、(3)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710792457.4A CN107705290B (zh) | 2017-09-05 | 2017-09-05 | 一种AMOLED显示屏Mura缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710792457.4A CN107705290B (zh) | 2017-09-05 | 2017-09-05 | 一种AMOLED显示屏Mura缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107705290A CN107705290A (zh) | 2018-02-16 |
CN107705290B true CN107705290B (zh) | 2021-07-02 |
Family
ID=61172045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710792457.4A Active CN107705290B (zh) | 2017-09-05 | 2017-09-05 | 一种AMOLED显示屏Mura缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107705290B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108885180B (zh) * | 2017-04-12 | 2021-03-23 | 意力(广州)电子科技有限公司 | 一种显示屏的检测方法及装置 |
CN108986069A (zh) * | 2018-05-30 | 2018-12-11 | 哈尔滨工业大学深圳研究生院 | 一种amoled显示屏缺陷检测方法、系统及存储介质 |
CN110490859A (zh) * | 2019-08-21 | 2019-11-22 | 西安工程大学 | 一种纹理抑制与主动轮廓法结合的织物缺陷检测方法 |
CN111223112B (zh) * | 2020-01-07 | 2023-05-12 | 江苏君英天达人工智能研究院有限公司 | 基于图像均值漂移和水平集方法的图像分割方法 |
CN115018833B (zh) * | 2022-08-05 | 2022-11-04 | 山东鲁芯之光半导体制造有限公司 | 一种半导体器件的加工缺陷检测方法 |
CN115797342B (zh) * | 2023-02-06 | 2023-04-21 | 深圳市鑫旭飞科技有限公司 | 一种工业控制电容触摸lcd显示总成缺陷检测方法 |
CN116894841B (zh) * | 2023-09-08 | 2023-11-28 | 山东天鼎舟工业科技有限公司 | 一种变速箱合金壳体质量视觉检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226633A (zh) * | 2008-01-30 | 2008-07-23 | 哈尔滨工程大学 | 基于均值漂移的农作物冠层图像分割方法 |
CN106447682A (zh) * | 2016-08-29 | 2017-02-22 | 天津大学 | 基于帧间相关性的乳腺mri病灶的自动分割方法 |
-
2017
- 2017-09-05 CN CN201710792457.4A patent/CN107705290B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226633A (zh) * | 2008-01-30 | 2008-07-23 | 哈尔滨工程大学 | 基于均值漂移的农作物冠层图像分割方法 |
CN106447682A (zh) * | 2016-08-29 | 2017-02-22 | 天津大学 | 基于帧间相关性的乳腺mri病灶的自动分割方法 |
Non-Patent Citations (1)
Title |
---|
Minimization of Region-Scalable Fitting Energy for Image Segmentation;Chunming Li, et al.;《IEEE Transactions on Image Processing》;20081031;第1940-1949页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107705290A (zh) | 2018-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107705290B (zh) | 一种AMOLED显示屏Mura缺陷检测方法 | |
CN109145713B (zh) | 一种结合目标检测的小目标语义分割方法 | |
WO2021007744A1 (zh) | 一种集成空间约束的核模糊c均值快速聚类算法 | |
US10169664B2 (en) | Re-identifying an object in a test image | |
Zhang et al. | A new haze removal approach for sky/river alike scenes based on external and internal clues | |
CN111445488B (zh) | 一种弱监督学习自动识别和分割盐体的方法 | |
WO2018028110A1 (zh) | 一种降低amoled显示残影的驱动方法及驱动系统 | |
CN101571950A (zh) | 基于各向同性扩散和稀疏表示的图像修复方法 | |
CN107230207A (zh) | 轮胎的检测方法及系统 | |
CN110147816B (zh) | 一种彩色深度图像的获取方法、设备、计算机存储介质 | |
CN110084782A (zh) | 基于图像显著性检测的全参考图像质量评价方法 | |
CN105046701A (zh) | 一种基于构图线的多尺度显著目标检测方法 | |
CN110110773A (zh) | 一种图像语义分割目标的置信度计算方法 | |
CN116311412A (zh) | 一种融合3d注意力机制和空洞卷积的口罩佩戴检测方法 | |
CN115797607A (zh) | 一种增强vr真实效果的图像优化处理方法 | |
CN103700104A (zh) | 一种利用先验知识的人类外侧膝状体自动分割方法 | |
CN107369138B (zh) | 基于高阶统计模型的图像最优化显示方法 | |
CN117314793A (zh) | 基于bim模型的建筑施工数据采集方法 | |
CN105405112A (zh) | 多光谱卫星影像距离偏差指数去雾方法 | |
Zhang et al. | Spatial-attraction-based Markov random field approach for classification of high spatial resolution multispectral imagery | |
CN105913418B (zh) | 一种基于多阈值的瞳孔分割方法 | |
Smiatacz | Normalization of face illumination using basic knowledge and information extracted from a single image | |
US20230386023A1 (en) | Method for detecting medical images, electronic device, and storage medium | |
JP6800901B2 (ja) | 物体領域識別装置、物体領域識別方法およびプログラム | |
CN110263850A (zh) | 基于核密度估计与均值漂移的胶囊网络快速路由方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |