CN109064441A - 基于独立成分自适应选择的Mura侦测方法 - Google Patents

基于独立成分自适应选择的Mura侦测方法 Download PDF

Info

Publication number
CN109064441A
CN109064441A CN201810631082.8A CN201810631082A CN109064441A CN 109064441 A CN109064441 A CN 109064441A CN 201810631082 A CN201810631082 A CN 201810631082A CN 109064441 A CN109064441 A CN 109064441A
Authority
CN
China
Prior art keywords
independent component
pixels
independent
value
gray
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.)
Granted
Application number
CN201810631082.8A
Other languages
English (en)
Other versions
CN109064441B (zh
Inventor
史超超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen China Star Optoelectronics Semiconductor Display Technology Co Ltd
Original Assignee
Shenzhen China Star Optoelectronics Semiconductor Display Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen China Star Optoelectronics Semiconductor Display Technology Co Ltd filed Critical Shenzhen China Star Optoelectronics Semiconductor Display Technology Co Ltd
Priority to CN201810631082.8A priority Critical patent/CN109064441B/zh
Publication of CN109064441A publication Critical patent/CN109064441A/zh
Priority to PCT/CN2019/070008 priority patent/WO2019242294A1/zh
Application granted granted Critical
Publication of CN109064441B publication Critical patent/CN109064441B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/30121—CRT, LCD or plasma display

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于独立成分自适应选择的Mura侦测方法。该方法包括如下步骤：将N张输入图像分别组合成一个混合矩阵；对混合矩阵进行ICA变换，获得N个独立成分；选定N张输入图像中的一张输入图像作为比较图像，分别计算每一个独立成分与所述比较图像之间的SSIM值；设定各个独立成分的背景范围并统计各个独立成分中亮度极值点数量；根据SSIM值及各个亮度极值点数量计算各个独立成分的比较值，并选择比较值最大的独立成分作为目标独立成分；对目标独立成分进行ICA逆变换，得到缺陷增强图像，并选择缺陷阈值对所述缺陷增强图像进行缺陷分割，能够取代人眼自适应选择目标独立成分，满足生产自动化的需要。

Description

基于独立成分自适应选择的Mura侦测方法
技术领域
本发明涉及显示技术领域，尤其涉及一种基于独立成分自适应选择的Mura侦测方法。
背景技术
随着显示技术的发展，液晶显示器(Liquid Crystal Display，LCD)及有机发光二极管显示器件(Organic Light Emitting Display，OLED)等平面显示装置因具有高画质、省电、机身薄及应用范围广等优点，而被广泛的应用于手机、电视、个人数字助理、数字相机、笔记本电脑、台式计算机等各种消费性电子产品，成为显示装置中的主流。
随着科技的发展及人们物质生活的需求，现金平面显示器的尺寸做得越来越大，显示分辨率也越来越高，对生产工艺的要求也越来越严苛。目前在显示面板生产过程中由于生产工艺等原因经常会产生Mura，所谓Mura是指因显示面板亮度不均匀造成各种痕迹的现象。通过在暗室中将显示面板切换到黑色画面以及其他低灰阶画面，然后从各种不同角度去看显示面板是否存在痕迹即可判断该显示面板是否存在Mura，各种痕迹可能是横向条纹或四十五度角条纹，可能是切得很直的方块，可能是某个角落出现一块，也可能是没有规则可言的痕迹，通常我们将这种出现各种痕迹的显示区域称为Mura区域。
Mura的存在不会对显示面板的使用功能造成影响，但是会降低用户的观看舒适度，因此Mura制约了LCD显示器与OLED显示器的发展。由于显示图像背景复杂，Mura区域相对于背景具有低对比度且无明显边界，很难对Mura区域进行量化处理。现有技术中常常通过独立成分分析(Independent Component Correlation Algorithm，ICA)的方法来增强Mura区域与背景区域的对比度，一般独立成分分析的过程包括：将多张输入图像组成混合矩阵并对混合矩阵进行ICA变换，得到多个独立成分，并选定最接近原图的独立成分作为目标独立成分进行ICA逆变换，得到缺陷(Mura)增强的图像，其中选定最接近原图的独立成分的过程需要人眼判断选择，不便于主动自适应选择最接近的独立成分，不能满足生产自动化的需要。
发明内容
本发明的目的在于提供一种基于独立成分自适应选择的Mura侦测方法，能够自适应选择目标独立成分，改善Mura侦测方法，满足生产自动化的需要。
为实现上述目的，本发明提供了一种基于独立成分自适应选择的Mura侦测方法，包括如下步骤：
步骤S1、将N张输入图像分别转换为一维向量，并组合成一个混合矩阵，N为大于1的整数；
步骤S2、对混合矩阵进行ICA变换，获得N个独立成分；
步骤S3、选定N张输入图像中的一张输入图像作为比较图像，分别计算每一个独立成分与所述比较图像之间的SSIM值；
步骤S4、设定各个独立成分的背景范围并统计各个独立成分中亮度极值点数量，所述亮度极值点为独立成分中灰阶值位于其背景范围外的像素的数量；
步骤S5、根据各个独立成分的SSIM值及各个独立成分的亮度极值点数量计算各个独立成分的比较值，并选择比较值最大的独立成分作为目标独立成分；
所述比较值的计算公式为：Q＝SSIM+w/M，其中Q为独立成分的比较值，SSIM为独立成分的SSIM值，w为与SSIM值相关的系数，M为独立成分的亮度极值点数量；
步骤S6、对目标独立成分进行ICA逆变换，得到缺陷增强图像，并选择缺陷阈值对所述缺陷增强图像进行缺陷分割。
可选地，定义待计算的独立成分为图像X、比较图像为图像Y，所述步骤S3中计算独立成分与比较图像之间的SSIM值的公式为：
SSIM＝L×C×S；
其中，
其中，μx为该独立成分中所有像素的灰阶值的均值，μy为比较图像中所有像素的灰阶值的均值，σx为该独立成分中所有像素的灰阶值的方差，σy为比较图像中所有像素的灰阶值的方差，σxy为比较图像中所有像素的灰阶值与独立成分中所有像素的灰阶值的协方差，C1、C2及C3分别为亮度常数、对比度常数及结构常数，L、C及S分别为亮度比较值、对比度比较值及结构比较值，SSIM为独立成分与比较图像之间的SSIM值。
可选地，所述步骤S4中具体包括：
分别设定独立成分中每一行像素的背景范围为μ-σ至μ+σ，其中μ和σ分别为该独立成分中该行像素的灰阶值的平均值和方差；
依据独立成分中每一行像素的背景范围统计独立成分中亮度极值点数量。
可选地，所述步骤S4中具体包括：
分别设定独立成分中每一列像素的背景范围为μ’-σ’至μ’+σ’，其中μ’和σ’分别为该独立成分中该列像素的灰阶值的平均值和方差；
依据独立成分中每一列像素的背景范围统计独立成分中亮度极值点数量。
可选地，所述步骤S4中具体包括：
分别设定独立成分中每一行像素的背景范围为μ-σ至μ+σ，其中μ和σ分别为该独立成分中该行像素的灰阶值的平均值和方差；
依据独立成分中每一行像素的背景范围统计独立成分中亮度极值点数量；
分别设定独立成分中每一列像素的背景范围为μ’-σ’至μ’+σ’，其中μ’和σ’分别为该独立成分中该列像素的灰阶值的平均值和方差；
依据独立成分中每一列像素的背景范围的再次统计独立成分中亮度极值点数量；
比较依据该独立成分中每一行像素的背景范围的统计得到的亮度极值点数量与该依据独立成分中每一列像素的背景范围的统计得到的亮度极值点数量，并以两者中的较大值作为最终的亮度极值点数量。
可选地，所述步骤S4中具体包括：
分别设定独立成分中每一行像素的背景范围为(μ+gmin)/2至μ+σ，其中μ和σ分别为该独立成分中该行像素的灰阶值的平均值和方差，gmin为该独立成分中所有像素的灰阶值的最小值；
依据独立成分中每一行像素的背景范围统计独立成分中亮度极值点数量。
可选地，所述步骤S4中具体包括：
分别设定独立成分中每一列像素的背景范围为(μ’+gmin)/2至μ’+σ’，其中μ’和σ’分别为该独立成分中该列像素的灰阶值的平均值和方差，gmin为该独立成分中所有像素的灰阶值的最小值；
依据独立成分中每一列像素的背景范围统计独立成分中亮度极值点数量。
可选地，所述步骤S4中具体包括：
分别设定独立成分中每一行像素的背景范围为(μ+gmin)/2至μ+σ，其中μ和σ分别为该独立成分中该行像素的灰阶值的平均值和方差，gmin为该独立成分中所有像素的灰阶值的最小值；
依据独立成分中每一行像素的背景范围统计独立成分中亮度极值点数量；
分别设定独立成分中每一列像素的背景范围为(μ’+gmin)/2至μ’+σ’，其中μ’和σ’分别为该独立成分中该列像素的灰阶值的平均值和方差；
依据独立成分中每一列像素的背景范围的再次统计独立成分中亮度极值点数量；
比较依据该独立成分中每一行像素的背景范围的统计得到的亮度极值点数量与该依据独立成分中每一列像素的背景范围的统计得到的亮度极值点数量，并以两者中的较大值作为最终的亮度极值点数量。
可选地，所述步骤S1中将3张输入图像分别转换为一维向量，所述3张输入图像分别为亮度最高的图像、亮度为50％的图像及亮度最低的图像。
可选地，所述步骤S5中当独立成分的SSIM值位于0～0.1之间时，w等于0，当独立成分的SSIM值位于0.1～0.5之间时，w等于1，当独立成分的SSIM值大于0.5时，w等于3。
本发明的有益效果：本发明提供一种基于独立成分自适应选择的Mura侦测方法，包括如下步骤：将N张输入图像分别组合成一个混合矩阵；对混合矩阵进行ICA变换，获得N个独立成分；选定N张输入图像中的一张输入图像作为比较图像，分别计算每一个独立成分与所述比较图像之间的SSIM值；设定各个独立成分的背景范围并统计各个独立成分中亮度极值点数量；根据各个独立成分的SSIM值及各个独立成分的亮度极值点数量计算各个独立成分的比较值，并选择比较值最大的独立成分作为目标独立成分；对目标独立成分进行ICA逆变换，得到缺陷增强图像，并选择缺陷阈值对所述缺陷增强图像进行缺陷分割，通过分别计算各个独立成分的SSIM值及统计各个独立成分中亮度极值点数量，并据此选择目标独立成分，能够取代人眼自适应选择目标独立成分，改善Mura侦测方法，满足生产自动化的需要。
附图说明
为了能更进一步了解本发明的特征以及技术内容，请参阅以下有关本发明的详细说明与附图，然而附图仅提供参考与说明用，并非用来对本发明加以限制。
附图中，
图1为本发明的基于独立成分自适应选择的Mura侦测方法的流程图；
图2为本发明的基于独立成分自适应选择的Mura侦测方法的第一实施例的步骤S1和步骤S2的示意图；
图3为本发明的基于独立成分自适应选择的Mura侦测方法的第二实施例的步骤S1和步骤S2的示意图。
具体实施方式
为更进一步阐述本发明所采取的技术手段及其效果，以下结合本发明的优选实施例及其附图进行详细描述。
请参阅图1，本发明提供一种基于独立成分自适应选择的Mura侦测方法，包括如下步骤：
步骤S1、将N张输入图像分别转换为一维向量，并组合成一个混合矩阵，N为大于1的整数。
具体地，在本发明的第一实施例中，所述步骤S1中的N等于3，即所述步骤S1将3张输入图像分别转换为一维向量，并组成一个混合矩阵，其中所述3张输入图像分别为亮度最高的图像、亮度最低的图像及亮度为50％的图像，如图2所示，所述步骤S1所述亮度最高的图像、亮度最低的图像及亮度为50％的图像分别为图2所示的图像A、B及C，所述图像A、B及C均为2行2列，将所述图像A、B及C分别转换为1行4列的一维向量A’、B’及C’，并将所述一维向量A’、B’及C’进行混合得到2行4列混合矩阵D。
具体地，在本发明的第二实施例中，所述步骤S1中的N等于2，即所述步骤S1将2张输入图像分别转换为一维向量，并组成一个混合矩阵，其中所述2张输入图像分别为亮度最高的图像、亮度最低的图像，如图3所示，所述步骤S1所述亮度最高的图像、及亮度最低的图像分别为图3所示的图像A1和B1，所述图像A1和B1均为2行2列，将所述图像A1和B1分别转换为1行4列的一维向量A1’和B1’，并将所述一维向量A1’和B1’进行混合得到2行4列混合矩阵D1。
当然，在本发明的其他实施例中也可以输入其他数量及亮度的图像，这并不是对本发明的限制。
步骤S2、对混合矩阵进行ICA变换，获得N个独立成分。
具体地，ICA变换的过程包括先对混合矩阵进行迭代处理使得混合矩阵中每行差异最大化，然后再将混合矩阵还原为与输入图像相同格式的独立成分，例如输入图像为2行2列时，则独立成分也为2行2列。
具体地，如图2所示，在本发明的第一实施例中，所述ICA变换的过程包括先对混合矩阵D进行迭代处理使得混合矩阵中每行差异最大化，得到混合矩阵D’，接着混合矩阵还原为与输入图像相同格式的三个独立成分E、F和G，所述E、F和G中的一个为待识别的目标独立成分，另外两个独立成分为非目标独立成分，所述非目标独立成分可以为噪声成分或摩尔纹成分。
具体地，如图3所示，在本发明的第二实施例中，所述ICA变换的过程包括先对混合矩阵D1进行迭代处理使得混合矩阵中每行差异最大化，得到混合矩阵D1’，接着混合矩阵还原为与输入图像相同格式的两个独立成分E1和F1，所述E1和F1中的一个为待识别的目标独立成分，另外一个为非目标独立成分，所述非目标独立成分可以为噪声成分或摩尔纹成分。
步骤S3、选定N张输入图像中的一张输入图像作为比较图像，分别计算每一个独立成分与所述比较图像之间的SSIM值。
具体地，所述结构相似性(Structural Similarity index，SSIM)值的取值范围为0～1，SSIM值越大，表示图像失真越小，即越符合目标独立成分的要求，所述SSIM值的计算分别从亮度、对比度及结构三个方面度量图像相似性，定义待计算的独立成分为图像X、比较图像为图像Y，具体计算公式为：
SSIM＝L×C×S；
其中，
其中，μx为该独立成分中所有像素的灰阶值的均值，μy为比较图像中所有像素的灰阶值的均值，σx为该独立成分中所有像素的灰阶值的方差，σy为比较图像中所有像素的灰阶值的方差，σxy为比较图像中所有像素的灰阶值与独立成分中所有像素的灰阶值的协方差，C1、C2及C3分别为亮度常数、对比度常数及结构常数，L、C及S分别为亮度比较值、对比度比较值及结构比较值，SSIM为独立成分与比较图像之间的SSIM值。
具体地，所述比较图像的可以根据需要进行从N张输入图像任选一张。
例如，在本发明的第一实施例中，所述步骤S3中选择亮度最高的图像A作为比较图像进行SSIM值的计算，则所述步骤S3具体包括：计算独立成分E与所述图像A之间的SSIM值，计算独立成分F与所述图像A之间的SSIM值，计算独立成分G与所述图像A之间的SSIM值。必要时，在本发明的第一实施例中，也可以选择亮度最低的图像B作为比较比较计较图像进行SSIM值的计算，此时所述步骤S3相应为计算独立成分E与所述图像B之间的SSIM值，计算独立成分F与所述图像B之间的SSIM值，计算独立成分G与所述图像B之间的SSIM值。当然在本发明的第一实施例中，还可以选择亮度最低的图像C作为比较比较计较图像进行SSIM值的计算，此时所述步骤S3相应为计算独立成分E与所述图像C之间的SSIM值，计算独立成分F与所述图像C之间的SSIM值，计算独立成分G与所述图像C之间的SSIM值。
在本发明的第二实施例中，所述步骤S3中选择亮度最高的图像A1作为比较图像进行SSIM值的计算，则所述步骤S3具体包括：计算独立成分E1与所述图像A1之间的SSIM值，计算独立成分F1与所述图像A1之间的SSIM值。必要时，在本发明的第一实施例中，也可以选择亮度最低的图像B1作为比较比较计较图像进行SSIM值的计算，此时所述步骤S3相应为计算独立成分E1与所述图像B1之间的SSIM值，计算独立成分F1与所述图像B1之间的SSIM值。
步骤S4、设定各个独立成分的背景范围并统计各个独立成分中亮度极值点数量，所述亮度极值点为独立成分中灰阶值位于其背景范围外的像素的数量。
具体地，所述亮度极值点实际上就是独立成分中的缺陷区域，即Mura区域，所述设定各个独立成分的背景范围并统计各个独立成分中亮度极值点数量可以有多种不同的方法。
例如，在本发明的一实施例中，所述步骤S4具体包括：分别设定独立成分中每一行像素的背景范围为μ-σ至μ+σ，其中μ和σ分别为该独立成分中该行像素的灰阶值的平均值和方差；依据独立成分中每一行像素的背景范围统计独立成分中亮度极值点数量。
在本发明的另一实施例中，所述步骤S4具体包括：分别设定独立成分中每一列像素的背景范围为μ’-σ’至μ’+σ’，其中μ’和σ’分别为该独立成分中该列像素的灰阶值的平均值和方差；依据独立成分中每一列像素的背景范围统计独立成分中亮度极值点数量。
在本发明的又一实施例中，为了进一步增强亮度极值点数量统计的准确性，所述步骤S4具体包括：分别设定独立成分中每一行像素的背景范围为μ-σ至μ+σ，其中μ和σ分别为该独立成分中该行像素的灰阶值的平均值和方差；依据独立成分中每一行像素的背景范围统计独立成分中亮度极值点数量；分别设定独立成分中每一列像素的背景范围为μ’-σ’至μ’+σ’，其中μ’和σ’分别为该独立成分中该列像素的灰阶值的平均值和方差；依据独立成分中每一列像素的背景范围再次统计独立成分中亮度极值点数量；比较依据该独立成分中每一行像素的背景范围的统计得到的亮度极值点数量与依据该独立成分中每一列像素的背景范围的统计得到的亮度极值点数量，并以两者中的较大值作为最终的亮度极值点数量。
此外，在本发明的其他实施例中还可以设定独立成分中每一行像素的背景范围为(μ+gmin)/2至μ+σ，其中μ和σ分别为该独立成分中该行像素的灰阶值的平均值和方差，gmin为该独立成分中所有像素的灰阶值的最小值，设定每一列像素的背景范围为(μ’+gmin)/2至μ’+σ’，其中μ’和σ’分别为该独立成分中该列像素的灰阶值的平均值和方差，gmin为该独立成分中所有像素的灰阶值的最小值，以更好的区分低灰阶的Mura。
步骤S5、根据各个独立成分的SSIM值及各个独立成分的亮度极值点数量计算各个独立成分的比较值，并选择比较值最大的独立成分作为目标独立成分；
所述比较值的计算公式为：Q＝SSIM+w/M，其中Q为独立成分的比较值，SSIM为独立成分的SSIM值，w为与SSIM值相关的系数，M为独立成分的亮度极值点数量。
具体地，所述步骤S5中当独立成分的SSIM值位于0～0.1之间时，w等于0，当独立成分的SSIM值位于0.1～0.5之间时，w等于1，当独立成分的SSIM值大于0.5时，w等于3。
步骤S6、对目标独立成分进行ICA逆变换，得到缺陷增强图像，并选择缺陷阈值对所述缺陷增强图像进行缺陷分割。
具体地，选择缺陷阈值的过程可参考所述步骤S4中设定背景区域的方法进行。
综上所述，本发明提供一种基于独立成分自适应选择的Mura侦测方法，包括如下步骤：将N张输入图像分别组合成一个混合矩阵；对混合矩阵进行ICA变换，获得N个独立成分；选定N张输入图像中的一张输入图像作为比较图像，分别计算每一个独立成分与所述比较图像之间的SSIM值；设定各个独立成分的背景范围并统计各个独立成分中亮度极值点数量；根据各个独立成分的SSIM值及各个独立成分的亮度极值点数量计算各个独立成分的比较值，并选择比较值最大的独立成分作为目标独立成分；对目标独立成分进行ICA逆变换，得到缺陷增强图像，并选择缺陷阈值对所述缺陷增强图像进行缺陷分割，通过分别计算各个独立成分的SSIM值及统计各个独立成分中亮度极值点数量，并据此选择目标独立成分，能够取代人眼自适应选择目标独立成分，改善Mura侦测方法，满足生产自动化的需要。
以上所述，对于本领域的普通技术人员来说，可以根据本发明的技术方案和技术构思作出其他各种相应的改变和变形，而所有这些改变和变形都应属于本发明权利要求的保护范围。

Claims (10)

1.一种基于独立成分自适应选择的Mura侦测方法，其特征在于，包括如下步骤：
步骤S1、将N张输入图像分别转换为一维向量，并组合成一个混合矩阵，N为大于1的整数；
步骤S2、对混合矩阵进行ICA变换，获得N个独立成分；
步骤S3、选定N张输入图像中的一张输入图像作为比较图像，分别计算每一个独立成分与所述比较图像之间的SSIM值；
步骤S4、设定各个独立成分的背景范围并统计各个独立成分中亮度极值点数量，所述亮度极值点数量为独立成分中灰阶值位于其背景范围外的像素的数量；
步骤S5、根据各个独立成分的SSIM值及各个独立成分的亮度极值点数量计算各个独立成分的比较值，并选择比较值最大的独立成分作为目标独立成分；
所述比较值的计算公式为：Q＝SSIM+w/M，其中Q为独立成分的比较值，SSIM为独立成分的SSIM值，w为与SSIM值相关的系数，M为独立成分的亮度极值点数量；
步骤S6、对目标独立成分进行ICA逆变换，得到缺陷增强图像，并选择缺陷阈值对所述缺陷增强图像进行缺陷分割。
2.如权利要求1所述的基于独立成分自适应选择的Mura侦测方法，其特征在于，定义待计算的独立成分为图像X，比较图像为图像Y，所述步骤S3中计算独立成分与比较图像之间的SSIM值的公式为：
SSIM＝L×C×S；
其中，
其中，μx为该独立成分中所有像素的灰阶值的均值，μy为比较图像中所有像素的灰阶值的均值，σx为该独立成分中所有像素的灰阶值的方差，σy为比较图像中所有像素的灰阶值的方差，σxy为比较图像中所有像素的灰阶值与独立成分中所有像素的灰阶值的协方差，C1、C2及C3分别为亮度常数、对比度常数及结构常数，L、C及S分别为亮度比较值、对比度比较值及结构比较值，SSIM为独立成分与比较图像之间的SSIM值。
3.如权利要求1所述的基于独立成分自适应选择的Mura侦测方法，其特征在于，所述步骤S4中具体包括：
分别设定独立成分中每一行像素的背景范围为μ-σ至μ+σ，其中μ和σ分别为该独立成分中该行像素的灰阶值的平均值和方差；
依据独立成分中每一行像素的背景范围统计独立成分中亮度极值点数量。
4.如权利要求1所述的基于独立成分自适应选择的Mura侦测方法，其特征在于，所述步骤S4中具体包括：
分别设定独立成分中每一列像素的背景范围为μ’-σ’至μ’+σ’，其中μ’和σ’分别为该独立成分中该列像素的灰阶值的平均值和方差；
依据独立成分中每一列像素的背景范围统计独立成分中亮度极值点数量。
5.如权利要求1所述的基于独立成分自适应选择的Mura侦测方法，其特征在于，所述步骤S4中具体包括：
分别设定独立成分中每一行像素的背景范围为μ-σ至μ+σ，其中μ和σ分别为该独立成分中该行像素的灰阶值的平均值和方差；
依据独立成分中每一行像素的背景范围统计独立成分中亮度极值点数量；
分别设定独立成分中每一列像素的背景范围为μ’-σ’至μ’+σ’，其中μ’和σ’分别为该独立成分中该列像素的灰阶值的平均值和方差；
依据独立成分中每一列像素的背景范围再次统计独立成分中亮度极值点数量；
比较依据该独立成分中每一行像素的背景范围的统计得到的亮度极值点数量与依据该独立成分中每一列像素的背景范围的统计得到的亮度极值点数量，并以两者中的较大值作为最终的亮度极值点数量。
6.如权利要求1所述的基于独立成分自适应选择的Mura侦测方法，其特征在于，所述步骤S4中具体包括：
分别设定独立成分中每一行像素的背景范围为(μ+gmin)/2至μ+σ，其中μ和σ分别为该独立成分中该行像素的灰阶值的平均值和方差，gmin为该独立成分中所有像素的灰阶值的最小值；
依据独立成分中每一行像素的背景范围统计独立成分中亮度极值点数量。
7.如权利要求1所述的基于独立成分自适应选择的Mura侦测方法，其特征在于，所述步骤S4中具体包括：
分别设定独立成分中每一列像素的背景范围为(μ’+gmin)/2至μ’+σ’，其中μ’和σ’分别为该独立成分中该列像素的灰阶值的平均值和方差，gmin为该独立成分中所有像素的灰阶值的最小值；
依据独立成分中每一列像素的背景范围统计独立成分中亮度极值点数量。
8.如权利要求1所述的基于独立成分自适应选择的Mura侦测方法，其特征在于，所述步骤S4中具体包括：
分别设定独立成分中每一行像素的背景范围为(μ+gmin)/2至μ+σ，其中μ和σ分别为该独立成分中该行像素的灰阶值的平均值和方差，gmin为该独立成分中所有像素的灰阶值的最小值；
依据独立成分中每一行像素的背景范围统计独立成分中亮度极值点数量；
分别设定独立成分中每一列像素的背景范围为(μ’+gmin)/2至μ’+σ’，其中μ’和σ’分别为该独立成分中该列像素的灰阶值的平均值和方差；
依据独立成分中每一列像素的背景范围再次统计独立成分中亮度极值点数量；
比较依据该独立成分中每一行像素的背景范围的统计得到的亮度极值点数量与该依据独立成分中每一列像素的背景范围的统计得到的亮度极值点数量，并以两者中的较大值作为最终的亮度极值点数量。
9.如权利要求1所述的基于独立成分自适应选择的Mura侦测方法，其特征在于，所述步骤S1中将3张输入图像分别转换为一维向量，所述3张输入图像分别为亮度最高的图像、亮度为50％的图像及亮度最低的图像。
10.如权利要求1所述的基于独立成分自适应选择的Mura侦测方法，其特征在于，所述步骤S5中当独立成分的SSIM值位于0～0.1之间时，w等于0，当独立成分的SSIM值位于0.1～0.5之间时，w等于1，当独立成分的SSIM值大于0.5时，w等于3。
CN201810631082.8A 2018-06-19 2018-06-19 基于独立成分自适应选择的Mura侦测方法 Active CN109064441B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810631082.8A CN109064441B (zh) 2018-06-19 2018-06-19 基于独立成分自适应选择的Mura侦测方法
PCT/CN2019/070008 WO2019242294A1 (zh) 2018-06-19 2019-01-02 基于独立成分自适应选择的Mura侦测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810631082.8A CN109064441B (zh) 2018-06-19 2018-06-19 基于独立成分自适应选择的Mura侦测方法

Publications (2)

Publication Number Publication Date
CN109064441A true CN109064441A (zh) 2018-12-21
CN109064441B CN109064441B (zh) 2020-07-28

Family

ID=64820565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810631082.8A Active CN109064441B (zh) 2018-06-19 2018-06-19 基于独立成分自适应选择的Mura侦测方法

Country Status (2)

Country Link
CN (1) CN109064441B (zh)
WO (1) WO2019242294A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019242294A1 (zh) * 2018-06-19 2019-12-26 深圳市华星光电半导体显示技术有限公司 基于独立成分自适应选择的Mura侦测方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114112323B (zh) * 2021-11-08 2024-03-22 云谷（固安）科技有限公司 显示面板显示均匀性的检测方法及检测装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100284599A1 (en) * 2008-01-11 2010-11-11 Akinori Fujita Image processing method, an apparatus therefor and a tomographic apparatus
CN103413288A (zh) * 2013-08-27 2013-11-27 南京大学 一种lcd总体检测缺陷方法
CN103792699A (zh) * 2013-09-09 2014-05-14 中华人民共和国四川出入境检验检疫局 基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法
CN105913419A (zh) * 2016-04-07 2016-08-31 南京汇川图像视觉技术有限公司 基于ICA学习和多通道融合的TFT-LCD mura缺陷检测方法
CN107328791A (zh) * 2017-07-31 2017-11-07 京东方科技集团股份有限公司 一种缺陷检测方法及装置
CN107845087A (zh) * 2017-10-09 2018-03-27 深圳市华星光电半导体显示技术有限公司 液晶面板亮度不均匀缺陷的检测方法和系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5568456B2 (ja) * 2010-12-06 2014-08-06 株式会社日立ハイテクノロジーズ 荷電粒子線装置
CN108053402B (zh) * 2018-01-04 2021-08-10 深圳信息职业技术学院 一种缺陷图像分割方法
CN109064441B (zh) * 2018-06-19 2020-07-28 深圳市华星光电半导体显示技术有限公司 基于独立成分自适应选择的Mura侦测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100284599A1 (en) * 2008-01-11 2010-11-11 Akinori Fujita Image processing method, an apparatus therefor and a tomographic apparatus
JP5023281B2 (ja) * 2008-01-11 2012-09-12 株式会社島津製作所 画像処理方法、その装置並びに断層撮影装置
CN103413288A (zh) * 2013-08-27 2013-11-27 南京大学 一种lcd总体检测缺陷方法
CN103792699A (zh) * 2013-09-09 2014-05-14 中华人民共和国四川出入境检验检疫局 基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法
CN105913419A (zh) * 2016-04-07 2016-08-31 南京汇川图像视觉技术有限公司 基于ICA学习和多通道融合的TFT-LCD mura缺陷检测方法
CN107328791A (zh) * 2017-07-31 2017-11-07 京东方科技集团股份有限公司 一种缺陷检测方法及装置
CN107845087A (zh) * 2017-10-09 2018-03-27 深圳市华星光电半导体显示技术有限公司 液晶面板亮度不均匀缺陷的检测方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHANGLANG CHEN: "TFT-LCD Mura Defects Using Independent Component Analysis", 《JOURNAL OF ADVANCED MECHANICAL DESIGN SYSTEMS AND MANUFACTURING》 *
毕昕: "面向TFT_LCD制程的Mura缺陷机器视觉检测方法研究", 《中国博士学位论文全文数据库》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019242294A1 (zh) * 2018-06-19 2019-12-26 深圳市华星光电半导体显示技术有限公司 基于独立成分自适应选择的Mura侦测方法

Also Published As

Publication number Publication date
CN109064441B (zh) 2020-07-28
WO2019242294A1 (zh) 2019-12-26

Similar Documents

Publication Publication Date Title
US20200111401A1 (en) Method and device for driving display panel, and display apparatus
CN106910487B (zh) 一种显示器的驱动方法和驱动装置
US10204537B2 (en) Display driving method and device and display device
WO2016197450A1 (zh) 液晶面板及其驱动方法
CN109493829B (zh) 影像色温的获取方法
JP6360965B2 (ja) 画像の表示方法及びディスプレイシステム
CN104167194A (zh) 液晶面板的灰阶值设定方法以及液晶显示器
CN110246470B (zh) 执行图像自适应色调映射的方法和采用该方法的显示装置
CN108364615B (zh) Mura补偿方法及Mura补偿系统
US20160267685A1 (en) Image processing method of a display for reducing color shift
CN107290345B (zh) 一种基于aoi的显示面板缺陷分类方法及装置
US20130120468A1 (en) Four-Primary Color Display Device and Method for Calculating Relative Brightness of Fourth Primary Color
CN107068042B (zh) 图像处理方法
CN113990263B (zh) 显示屏的背光处理方法、装置、存储介质及电子设备
CN108962167A (zh) 数据处理方法及装置、驱动方法、显示面板和存储介质
US10650491B2 (en) Image up-scale device and method
CN111445879A (zh) 动态局部调光显示控制方法及装置、显示装置
Chang et al. SSIM-based quality-on-demand energy-saving schemes for OLED displays
CN109064441B (zh) 基于独立成分自适应选择的Mura侦测方法
CN112951147B (zh) 一种显示器色度视角修正方法、智能终端及存储介质
CN115775516A (zh) 显示面板的驱动方法及显示面板
US10163035B2 (en) Edge detecting apparatus and edge detecting method
TWI475556B (zh) 用於提升顯示系統顯示的彩色影像之對比的方法以及利用此方法的影像處理系統
CN113990267B (zh) 像素的亮度补偿方法、装置、存储介质及显示面板
Jang et al. Perceived distortion-based progressive LCD backlight dimming method

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