CN110225336A - 评估图像采集精度的方法及装置、电子设备、可读介质 - Google Patents
评估图像采集精度的方法及装置、电子设备、可读介质 Download PDFInfo
- Publication number
- CN110225336A CN110225336A CN201910543098.8A CN201910543098A CN110225336A CN 110225336 A CN110225336 A CN 110225336A CN 201910543098 A CN201910543098 A CN 201910543098A CN 110225336 A CN110225336 A CN 110225336A
- Authority
- CN
- China
- Prior art keywords
- test
- dot pattern
- image
- detection picture
- spot
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/004—Diagnosis, testing or measuring for television systems or their details for digital television systems
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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
- G06T2207/30204—Marker
- G06T2207/30208—Marker matrix
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明提供了一种用于评估Demura设备的图像采集精度的方法,包括:控制显示面板显示检测画面,所述检测画面中包括间隔的多个测试点图案;利用所述Demura设备对检测画面进行图像采集,得到与检测画面对应的预处理图像;所述预处理图像与相应检测画面的大小、形状均相同;根据每个测试点图案在所述检测画面中的位置与在所述预处理图像中所对应的位置之间的差异,确定所述Demura设备的图像采集精度。本发明还提供一种用于评估Demura设备的图像采集精度的装置、电子设备和计算机可读介质。本发明能够客观准确地评估出Demura设备的图像采集精度,从而有利于提高Demura补偿效果。
Description
技术领域
本发明涉及显示技术领域,具体涉及一种用于评估Demura设备的图像采集精度的方法及装置、电子设备和计算机可读介质。
背景技术
在有机电致发光(OLED,Organic Light-Emitting Diode)显示装置中,由于晶化工艺的局限性,不同位置的薄膜晶体管常常在阈值电压、迁移率等电学参数上具有非均匀性,从而导致显示面板容易产生局部斑痕(Mura)现象。为了改善效果,需要对显示面板进行去斑痕(Demura)补偿。其中,在进行Demura补偿时,利用Demura设备对显示面板的显示画面进行图像采集,根据采集的图像计算Demura补偿数据,之后将Demura补偿数据对显示面板进行Demura补偿。因此,Demura设备的图像采集精度直接影响了Demura补偿的效果。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提出了一种用于评估Demura设备的图像采集精度的方法及装置、电子设备和计算机可读介质。
为了实现上述目的,本发明提供一种用于评估Demura设备的图像采集精度的方法,包括:
控制显示面板显示检测画面,所述检测画面中包括间隔的多个测试点图案;
利用所述Demura设备对检测画面进行图像采集,得到与检测画面对应的预处理图像;所述预处理图像与相应检测画面的大小、形状均相同;
根据每个测试点图案在所述检测画面中的位置与在所述预处理图像中所对应的位置之间的差异,确定所述Demura设备的图像采集精度。
可选地,所述根据每个测试点图案在所述检测画面中的位置与在所述预处理图像中所对应的位置之间的差异,确定所述Demura设备的图像采集精度,包括:
对所述预处理图像进行低通滤波;
对经过低通滤波后的图像进行二值化处理,得到二值化图像,所述二值化图像中包括与所述测试点图案一一对应的测试斑;
根据每个测试点图案在所述检测画面中的位置与相应的测试斑在所述二值化图像中的位置之间的差异,确定所述Demura设备的图像采集精度。
可选地,所述根据每个测试点图案在所述检测画面中的位置与相应的测试斑在所述二值化图像中的位置之间的差异,确定所述Demura设备的图像采集精度,包括:
获取每个测试点图案的中心在预设坐标系中的坐标、以及每个测试点图案所对应的测试斑的中心在所述预设坐标系中的坐标;其中,所述检测画面与所述二值化图像在所述预设坐标系中的覆盖范围相同;
根据每个测试点图案的坐标与相应的测试斑的坐标,计算每个测试点图案与各自对应的测试斑之间的距离;
根据每个测试点图案与各自对应的测试斑之间的距离,计算距离的平均值和标准差;
根据所述距离的平均值和标准差确定所述Demura设备的图像采集精度。
可选地,每个测试点图案与对应的测试斑之间的距离D根据以下公式计算:
其中,x为测试点图案的中心在所述预设坐标系中的横坐标与测试斑的中心在所述预设坐标系中的横坐标之间的差值;
y为测试点图案的中心在所述预设坐标系中的纵坐标与测试斑的中心在所述预设坐标系中的纵坐标之间的差值。
可选地,所述测试点的灰阶在95~255之间;所述检测画面中其他位置的灰阶在0~50之间。
相应地,本发明还提供一种用于评估Demura设备的图像采集精度的装置,包括:
控制模块,用于控制显示面板显示检测画面,所述检测画面中包括间隔的多个测试点图案;
获取模块,用于获取与检测画面对应的预处理图像;所述预处理图像由Demura设备对检测画面进行图像采集得到,所述预处理图像与相应检测画面的大小、形状均相同;
确定模块,用于根据每个测试点图案在所述检测画面中的位置与在所述预处理图像中所对应的位置之间的差异,确定所述Demura设备的图像采集精度。
可选地,所述确定模块包括:
滤波单元,用于对所述预处理图像进行低通滤波;
二值化单元,用于对经过低通滤波后的图像进行二值化处理,得到二值化图像,所述二值化图像中包括与所述测试点图案一一对应的测试斑;
确定单元,用于根据每个测试点图案在所述检测画面中的位置与相应的测试斑在所述二值化图像中的位置之间的差异,确定所述Demura设备的图像采集精度。
可选地,所述确定单元包括:
坐标获取子单元,用于获取每个测试点图案的中心在预设坐标系中的坐标、以及每个测试点图案所对应的测试斑的中心在所述预设坐标系中的坐标;其中,所述检测画面与所述二值化图像在所述预设坐标系中的覆盖范围相同;
第一计算子单元,用于根据每个测试点图案的坐标与相应的测试斑的坐标,计算每个测试点图案与各自对应的测试斑之间的距离;
第二计算子单元,用于根据每个测试点图案与各自对应的测试斑之间的距离,计算距离的平均值和标准差;
确定子单元,用于根据所述距离的平均值和标准差确定所述
Demura设备的图像采集精度。
可选地,所述第一计算子单元具体用于根据以下公式计算每个测试点图案与对应的测试斑之间的距离D:
其中,x为测试点图案的中心在所述预设坐标系中的横坐标与测试斑的中心在所述预设坐标系中的横坐标之间的差值;
y为测试点图案的中心在所述预设坐标系中的纵坐标与测试斑的中心在所述预设坐标系中的纵坐标之间的差值。
可选地,所述测试点的灰阶在95~255之间;所述检测画面中其他位置的灰阶在0~50之间。
相应地,本发明还提供一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的用于评估Demura设备的图像采集精度的方法。
相应地,本发明还提供一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的用于评估Demura设备的图像采集精度的方法。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的一种用于评估Demura设备的图像采集精度的方法;
图2为本发明实施例提供的步骤S3的一种可选实现方式流程图;
图3为本发明实施例中步骤S33的一种可选实现方式的流程图;
图4为两个Demura设备所对应的距离直方图;
图5为本发明实施例提供的一种用于评估Demura设备的图像采集精度的装置的结构示意图;
图6为本发明实施例中确定模块的一种可选结构示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
目前,Demura补偿过程包括前处理和补偿处理,其中,在前处理过程中,Demura设备对显示面板的显示画面进行图像采集;补偿处理过程中,根据采集的图像计算Demura补偿数据,并根据Demura补偿数据对显示面板进行Demura补偿。对于前处理过程,不同厂商的图像采集精度不同,目前通常是靠人眼观测的方式来对图像采集精度(即,前处理的效果)进行评价;但是,这种方式并不能准确地判断出前处理效果的优劣,从而无法准确地确定出补偿效果较好的Demura设备,进而影响Demura补偿效果。
图1为本发明实施例提供的一种用于评估Demura设备的图像采集精度的方法,如图1所示,该方法包括:
S1、控制显示面板显示检测画面,检测画面中包括间隔的多个测试点图案。
其中,检测画面包括多个像素点,测试点图案的大小可以为单个像素点。测试点图案可以均匀地排布为阵列。
为了便于后续检测,检测画面中除测试点图案之外的其他区域设置为纯色,例如,黑色或深灰色;并且,测试点图案的灰阶与其他区域的灰阶可以设置为差异较大的灰阶。例如,测试点图案的灰阶在200以上,其他区域的灰阶在40以下;或者,测试点图案的灰阶在40以下,其他区域的灰阶在200以上。
S2、利用Demura设备对检测画面进行图像采集,得到与检测画面对应的预处理图像。预处理图像与相应检测画面的大小、形状均相同。
S3、根据每个测试点图案在检测画面中的位置与在预处理图像中所对应的位置之间的差异,确定Demura设备的图像采集精度。
其中,测试点图案在检测画面中的位置具体可以为测试点图案的中心在检测画面中的位置,相应地,测试点图案在预处理图像中所对应的位置则为测试点图案所成像的中心在预处理图像中的位置。
Demura设备的图像采集精度与测试点图案在检测画面中的位置与在预处理图像中所对应的位置之间的差异反相关,当每个测试点图案在检测画面中的位置与在预处理图像中所对应的位置之间的差异越大时,则Demura设备的精度越低;当每个测试点图案在检测画面中的位置与在预处理图像中所对应的位置之间的差异越小时,Demura设备的图像采集精度越高。
在本发明中,Demura设备的图像采集精度是根据每个测试点图案在检测画面中的位置与在预处理图像中所对应的位置之间的差异确定的,不依靠人眼的判断,从而排除了环境和人的主观意识等不确定因素,因此能够准确地评估出Demura设备采集图像的精度,进而有助于选择出精度更高的Demura设备,提高Demura补偿的补偿效果。
在评估Demura设备的图像采集精度时,可以控制显示面板显示一幅检测画面,基于该幅检测画面,通过步骤S2和步骤S3确定Demura设备的图像采集精度;也可以控制显示面板显示多幅检测画面,对于每个检测画面,均通过步骤S2和步骤S3确定出一个图像采集精度,并将其中较低的精度作为Demura设备最终的图像采集精度。例如,多幅检测画面中,其中一幅检测画面中测试点的灰阶在95~255之间,其他位置的灰阶为31;另一幅检测画面中测试点的灰阶在0~50之间,其他位置的灰阶为225。
通常,当检测画面中除测试点之外的其他位置较暗时,图像采集的精度较低,因此,可以控制显示面板显示一幅检测画面,且检测画面中除测试点之外的其他位置的灰阶较低。可选地,在本发明实施例中,测试点的灰阶在95~255之间;检测画面中其他位置的灰阶在0~50之间。例如,测试点的灰阶为225,检测画面中其他位置的灰阶为31。
图2为本发明实施例提供的步骤S3的一种可选实现方式流程图,如图2所示,步骤S3包括:
S31、对预处理图像进行低通滤波。
其中,Demura设备进行图像采集时,测试点图案所成的像往往会出现边界模糊的现象,经过低通滤波后,能够使测试点图案所成像的边界更加清晰,从而有利于准确地检测出测试点图案所成的像在预处理图像中的位置。
S32、对经过低通滤波后的图像进行二值化处理,得到二值化图像,二值化图像中包括与测试点图案一一对应的测试斑。该测试斑即为测试点图案所成的像经过低通滤波和二值化后的图像。
其中,二值化处理的过程即为:将图像中各像素点的灰阶与预设阈值对比,若像素点的灰阶大于预设阈值,则将像素点的灰阶调节为255,若像素点的灰阶不大于预设阈值,则将像素点的灰阶调节为0;其中,预设阈值可以根据实际需要设置,例如,测试点图案的灰阶为220,其他位置的灰阶为31,预设阈值可以设置为150。
S33、根据每个测试点图案在检测画面中的位置与相应的测试斑在二值化图像中的位置之间的差异,确定Demure设备的图像采集精度。
图3为本发明实施例中步骤S33的一种可选实现方式的流程图,如图3所示,步骤S33包括:
S331、获取每个测试点图案的中心在预设坐标系中的坐标、以及每个测试点图案所对应的测试斑的中心在所述预设坐标系中的坐标。其中,检测画面与二值化图像在预设坐标系中的覆盖范围相同。
步骤S331可以看作,以检测画面和二值化图像中位置对应的顶点作为预设坐标系的原点,以行方向作为横轴方向、列方向作为纵轴方向。例如,以检测画面的左下角顶点和二值化图像的左下角顶点作为预设坐标系原点,以水平向右的方向作为横轴正方向、以竖直向上的方向作为纵轴正方向,从而建立预设坐标系,且检测画面和二值化图像在预设坐标系中的覆盖范围相同。
可以理解的是,测试点图案的中心坐标可以根据驱动检测画面显示时的驱动信号获取。
另外,当测试点图案为一个像素点时,则可以将该像素点的坐标作为测试点图案的中心坐标。
S332、根据每个测试点图案的坐标与相应的测试斑的坐标,计算每个测试点图案与各自对应的测试斑之间的距离。
可选地,每个测试点图案与各自对应的测试斑之间的距离D根据以下公式计算:
其中,x为测试点图案的中心在预设坐标系中的横坐标与测试斑的中心在预设坐标系中的横坐标之间的差值;y为测试点图案的中心在预设坐标系中的纵坐标与测试斑的中心在预设坐标系中的纵坐标之间的差值。
S333、根据每个测试点图案与各自对应的测试斑之间的距离,计算距离的平均值和标准差。
S334、根据距离的平均值和标准差确定Demura设备的图像采集精度。
其中,Demura设备的图像采集精度与平均值和标准差成反相关。可选地,可以计算平均值与第一权值的乘积和标准差与第二权值的乘积的总和,根据该总和来确定图像采集精度。其中,第一权值可以取较大值,第二权值取较小值,例如:第一权值为0.9,第二权值为0.1。图像采集精度可以以具体数值来表示,也可以以等级来表示。例如,根据预设公式计算出与上述总和反相关的值,作为图像采集精度。
在实际应用过程中,当需要对比两个Demura设备的图像采集精度时,可以控制显示面板显示检测画面,并利用两个Demura设备分别采集的预处理图像,根据上述步骤S31至步骤S333计算每个Demura设备所对应的距离平均值和均方差,通过直接将两个平均值和均方差进行对比,即可比较出两个Demura设备的图像采集精度的高低。
图4为两个Demura设备所对应的距离直方图,其中,图4中左边的直方图为:根据A厂商的Demura设备采集的图像所计算得到的每个测试点图案与各自对应的测试斑之间的距离直方图,右边的直方图为:根据B厂商的Demura设备采集的图像所计算得到的每个测试点图案与各自对应的测试斑之间的距离直方图。测试点总数N为2616。两个直方图中,横轴表示距离,纵轴表示测试点图案的个数。通过直方图可以计算出A厂商的Demura设备采集的图像对应的距离平均值为1.461,标准差为0.7289;B厂商的Demura设备采集的图像对应的距离平均值为0.7328,标准差为0.5343。因此可以确定B厂商比A厂商的Demura设备的图像采集精度更高。
图5为本发明实施例提供的一种用于评估Demura设备的图像采集精度的装置的结构示意图,该装置可用于实现上述评估Demura设备的图像采集精度的方法。如图5所示,该装置包括:控制模块10、获取模块20和确定模块30。
其中,控制模块10用于控制显示面板显示检测画面,检测画面中包括间隔的多个测试点图案。
获取模块20用于获取与检测画面对应的预处理图像;预处理图像由Demura设备对检测画面进行图像采集得到,预处理图像与相应检测画面的大小、形状均相同。
确定模块30用于根据每个测试点图案在检测画面中的位置与在预处理图像中所对应的位置之间的差异,确定Demura设备的图像采集精度。
在一些实施例中,测试点的灰阶在95~255之间;所述检测画面中其他位置的灰阶在0~50之间。具体地,测试点灰阶为225,其他位置的灰阶为31。
图6为本发明实施例中确定模块的一种可选结构示意图,如图6所示,确定模块30包括:滤波单元31、二值化单元32和确定单元33。
其中,滤波单元31用于对预处理图像进行低通滤波。
二值化单元32用于对经过低通滤波后的图像进行二值化处理,得到二值化图像,二值化图像中包括与测试点图案一一对应的测试斑。
确定单元33用于根据每个测试点图案在检测画面中的位置与相应的测试斑在二值化图像中的位置之间的差异,确定Demura设备的图像采集精度。
在一些实施例中,确定单元33具体包括:坐标获取子单元330、第一计算子单元331、第二计算子单元332和确定子单元333。
其中,坐标获取子单元330用于获取每个测试点图案的中心在预设坐标系中的坐标、以及每个测试点图案所对应的测试斑的中心在预设坐标系中的坐标。其中,检测画面与二值化图像在预设坐标系中的覆盖范围相同。
第一计算子单元331用于根据每个测试点图案的坐标与相应的测试斑的坐标,计算每个测试点图案与各自对应的测试斑之间的距离。
在一些实施例中,第一计算子单元331具体用于根据以下公式计算每个测试点图案与对应的测试斑之间的距离D:
其中,x为测试点图案的中心在所述预设坐标系中的横坐标与测试斑的中心在所述预设坐标系中的横坐标之间的差值;y为测试点图案的中心在所述预设坐标系中的纵坐标与测试斑的中心在所述预设坐标系中的纵坐标之间的差值。
第二计算子单元332用于根据每个测试点图案与各自对应的测试斑之间的距离,计算距离的平均值和标准差。
确定子单元333用于根据距离的平均值和标准差确定Demura设备的图像采集精度。
另外,对于上述各模块、单元和子单元的实现细节和技术效果的描述,可以参见前述方法实施例的说明,此处不再赘述。
本发明实施例还提供了一种电子设备,包括:一个或多个处理器以及存储装置;其中,存储装置上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现前述实施例所述的用于评估Demura设备的图像采集精度的方法。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被执行时实现如前述实施例所述的用于评估Demura设备的图像采集精度的方法。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (12)
1.一种用于评估Demura设备的图像采集精度的方法,其特征在于,包括:
控制显示面板显示检测画面,所述检测画面中包括间隔的多个测试点图案;
利用所述Demura设备对检测画面进行图像采集,得到与检测画面对应的预处理图像;所述预处理图像与相应检测画面的大小、形状均相同;
根据每个测试点图案在所述检测画面中的位置与在所述预处理图像中所对应的位置之间的差异,确定所述Demura设备的图像采集精度。
2.根据权利要求1所述的方法,其特征在于,所述根据每个测试点图案在所述检测画面中的位置与在所述预处理图像中所对应的位置之间的差异,确定所述Demura设备的图像采集精度,包括:
对所述预处理图像进行低通滤波;
对经过低通滤波后的图像进行二值化处理,得到二值化图像,所述二值化图像中包括与所述测试点图案一一对应的测试斑;
根据每个测试点图案在所述检测画面中的位置与相应的测试斑在所述二值化图像中的位置之间的差异,确定所述Demura设备的图像采集精度。
3.根据权利要求2所述的方法,其特征在于,所述根据每个测试点图案在所述检测画面中的位置与相应的测试斑在所述二值化图像中的位置之间的差异,确定所述Demura设备的图像采集精度,包括:
获取每个测试点图案的中心在预设坐标系中的坐标、以及每个测试点图案所对应的测试斑的中心在所述预设坐标系中的坐标;其中,所述检测画面与所述二值化图像在所述预设坐标系中的覆盖范围相同;
根据每个测试点图案的坐标与相应的测试斑的坐标,计算每个测试点图案与各自对应的测试斑之间的距离;
根据每个测试点图案与各自对应的测试斑之间的距离,计算距离的平均值和标准差;
根据所述距离的平均值和标准差确定所述Demura设备的图像采集精度。
4.根据权利要求3所述的方法,其特征在于,每个测试点图案与对应的测试斑之间的距离D根据以下公式计算:
其中,x为测试点图案的中心在所述预设坐标系中的横坐标与测试斑的中心在所述预设坐标系中的横坐标之间的差值;
y为测试点图案的中心在所述预设坐标系中的纵坐标与测试斑的中心在所述预设坐标系中的纵坐标之间的差值。
5.根据权利要求1至4中任一所述的方法,其特征在于,所述测试点的灰阶在95~255之间;所述检测画面中其他位置的灰阶在0~50之间。
6.一种用于评估Demura设备的图像采集精度的装置,其特征在于,包括:
控制模块,用于控制显示面板显示检测画面,所述检测画面中包括间隔的多个测试点图案;
获取模块,用于获取与检测画面对应的预处理图像;所述预处理图像由Demura设备对检测画面进行图像采集得到,所述预处理图像与相应检测画面的大小、形状均相同;
确定模块,用于根据每个测试点图案在所述检测画面中的位置与在所述预处理图像中所对应的位置之间的差异,确定所述Demura设备的图像采集精度。
7.根据权利要求6所述的装置,其特征在于,所述确定模块包括:
滤波单元,用于对所述预处理图像进行低通滤波;
二值化单元,用于对经过低通滤波后的图像进行二值化处理,得到二值化图像,所述二值化图像中包括与所述测试点图案一一对应的测试斑;
确定单元,用于根据每个测试点图案在所述检测画面中的位置与相应的测试斑在所述二值化图像中的位置之间的差异,确定所述Demura设备的图像采集精度。
8.根据权利要求7所述的装置,其特征在于,所述确定单元包括:
坐标获取子单元,用于获取每个测试点图案的中心在预设坐标系中的坐标、以及每个测试点图案所对应的测试斑的中心在所述预设坐标系中的坐标;其中,所述检测画面与所述二值化图像在所述预设坐标系中的覆盖范围相同;
第一计算子单元,用于根据每个测试点图案的坐标与相应的测试斑的坐标,计算每个测试点图案与各自对应的测试斑之间的距离;
第二计算子单元,用于根据每个测试点图案与各自对应的测试斑之间的距离,计算距离的平均值和标准差;
确定子单元,用于根据所述距离的平均值和标准差确定所述Demura设备的图像采集精度。
9.根据权利要求8所述的装置,其特征在于,所述第一计算子单元具体用于根据以下公式计算每个测试点图案与对应的测试斑之间的距离D:
其中,x为测试点图案的中心在所述预设坐标系中的横坐标与测试斑的中心在所述预设坐标系中的横坐标之间的差值;
y为测试点图案的中心在所述预设坐标系中的纵坐标与测试斑的中心在所述预设坐标系中的纵坐标之间的差值。
10.根据权利要求6至8中任一所述的装置,其特征在于,所述测试点的灰阶在95~255之间;所述检测画面中其他位置的灰阶在0~50之间。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据权利要求1至5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现根据权利要求1至5中任一所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910543098.8A CN110225336B (zh) | 2019-06-21 | 2019-06-21 | 评估图像采集精度的方法及装置、电子设备、可读介质 |
US17/256,072 US11314979B2 (en) | 2019-06-21 | 2020-06-19 | Method and apparatus for evaluating image acquisition accuracy, electronic device and storage medium |
EP20824412.9A EP3989542A4 (en) | 2019-06-21 | 2020-06-19 | METHOD AND DEVICE FOR EVALUATION OF IMAGE ACCURACY, AND ELECTRONIC DEVICE AND STORAGE MEDIA |
PCT/CN2020/097122 WO2020253827A1 (zh) | 2019-06-21 | 2020-06-19 | 评估图像采集精度的方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910543098.8A CN110225336B (zh) | 2019-06-21 | 2019-06-21 | 评估图像采集精度的方法及装置、电子设备、可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110225336A true CN110225336A (zh) | 2019-09-10 |
CN110225336B CN110225336B (zh) | 2022-08-26 |
Family
ID=67814327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910543098.8A Active CN110225336B (zh) | 2019-06-21 | 2019-06-21 | 评估图像采集精度的方法及装置、电子设备、可读介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11314979B2 (zh) |
EP (1) | EP3989542A4 (zh) |
CN (1) | CN110225336B (zh) |
WO (1) | WO2020253827A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253827A1 (zh) * | 2019-06-21 | 2020-12-24 | 京东方科技集团股份有限公司 | 评估图像采集精度的方法及装置、电子设备和存储介质 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11663493B2 (en) | 2019-01-30 | 2023-05-30 | Intuit Inc. | Method and system of dynamic model selection for time series forecasting |
US11657302B2 (en) | 2019-11-19 | 2023-05-23 | Intuit Inc. | Model selection in a forecasting pipeline to optimize tradeoff between forecast accuracy and computational cost |
US11423250B2 (en) | 2019-11-19 | 2022-08-23 | Intuit Inc. | Hierarchical deep neural network forecasting of cashflows with linear algebraic constraints |
CN113393811B (zh) * | 2020-03-12 | 2022-06-28 | 咸阳彩虹光电科技有限公司 | 亮度不均匀补偿方法、装置和显示面板 |
CN113256700B (zh) * | 2021-05-26 | 2023-05-23 | 长江存储科技有限责任公司 | 图层厚度检测方法及装置、电子设备、可读存储介质 |
CN113538393A (zh) * | 2021-07-26 | 2021-10-22 | 中冶京诚工程技术有限公司 | 棒线材原料坯弯曲检测方法、装置、设备及可读存储介质 |
CN113645464A (zh) * | 2021-08-27 | 2021-11-12 | 优奈柯恩(北京)科技有限公司 | 用于检测摄像头的测试系统和用于检测摄像头的方法 |
CN114323585B (zh) * | 2021-12-28 | 2024-04-12 | 梅卡曼德(北京)机器人科技有限公司 | 批量计算调制传递函数的方法、电子设备及存储介质 |
CN114445402B (zh) * | 2022-04-02 | 2022-06-24 | 深圳市龙图光电有限公司 | 半导体芯片用掩模版贴膜精度检测方法及检测装置 |
CN116309447B (zh) * | 2023-03-17 | 2024-01-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水坝斜坡裂缝检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050094133A1 (en) * | 2003-10-29 | 2005-05-05 | Lockheed Martin Corporation | Methods and systems for evaluating optical systems |
CN103024426A (zh) * | 2011-09-23 | 2013-04-03 | 亚旭电子科技(江苏)有限公司 | 影像拍摄设备的测试方法 |
CN105120258A (zh) * | 2015-07-20 | 2015-12-02 | 深圳市航盛电子股份有限公司 | 一种摄像头畸变率测试方法及系统 |
CN106101695A (zh) * | 2016-06-15 | 2016-11-09 | 上海木爷机器人技术有限公司 | 摄像头识别精度检测系统 |
CN108234998A (zh) * | 2018-01-09 | 2018-06-29 | 南京华捷艾米软件科技有限公司 | 体感摄像头的精度测量方法和体感摄像头的精度测量装置 |
CN108548655A (zh) * | 2018-03-28 | 2018-09-18 | 华勤通讯技术有限公司 | 成像精度的测量系统及方法、测试主机 |
CN108831358A (zh) * | 2018-06-13 | 2018-11-16 | 武汉精测电子集团股份有限公司 | 一种用于评估DeMura设备亮度测量精度的方法 |
CN108924544A (zh) * | 2018-06-29 | 2018-11-30 | 上海与德通讯技术有限公司 | 摄像头畸变测量方法与测试装置 |
CN109859155A (zh) * | 2017-11-30 | 2019-06-07 | 京东方科技集团股份有限公司 | 影像畸变检测方法和系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5917935A (en) * | 1995-06-13 | 1999-06-29 | Photon Dynamics, Inc. | Mura detection apparatus and method |
KR101439333B1 (ko) * | 2010-09-14 | 2014-09-11 | 삼성디스플레이 주식회사 | 유기전계 발광 표시장치용 휘도 보정 시스템 |
CN105389809B (zh) * | 2015-10-26 | 2018-09-25 | 广州视源电子科技股份有限公司 | 显示性能测试方法、系统和装置 |
CN107240384B (zh) | 2017-08-11 | 2019-04-05 | 芯颖科技有限公司 | 显示器亮度补偿方法及装置 |
CN107358935B (zh) * | 2017-08-25 | 2019-12-31 | 惠科股份有限公司 | 亮度补偿数据量的优化方式及设备 |
CN108470334B (zh) * | 2018-03-20 | 2020-10-30 | 上海顺久电子科技有限公司 | 一种采集屏幕亮度和色度的方法及装置 |
CN109883654B (zh) * | 2019-01-25 | 2021-11-09 | 武汉精立电子技术有限公司 | 一种用于oled亚像素定位的棋盘格图、生成方法及定位方法 |
CN110225336B (zh) * | 2019-06-21 | 2022-08-26 | 京东方科技集团股份有限公司 | 评估图像采集精度的方法及装置、电子设备、可读介质 |
-
2019
- 2019-06-21 CN CN201910543098.8A patent/CN110225336B/zh active Active
-
2020
- 2020-06-19 EP EP20824412.9A patent/EP3989542A4/en active Pending
- 2020-06-19 WO PCT/CN2020/097122 patent/WO2020253827A1/zh active Application Filing
- 2020-06-19 US US17/256,072 patent/US11314979B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050094133A1 (en) * | 2003-10-29 | 2005-05-05 | Lockheed Martin Corporation | Methods and systems for evaluating optical systems |
CN103024426A (zh) * | 2011-09-23 | 2013-04-03 | 亚旭电子科技(江苏)有限公司 | 影像拍摄设备的测试方法 |
CN105120258A (zh) * | 2015-07-20 | 2015-12-02 | 深圳市航盛电子股份有限公司 | 一种摄像头畸变率测试方法及系统 |
CN106101695A (zh) * | 2016-06-15 | 2016-11-09 | 上海木爷机器人技术有限公司 | 摄像头识别精度检测系统 |
CN109859155A (zh) * | 2017-11-30 | 2019-06-07 | 京东方科技集团股份有限公司 | 影像畸变检测方法和系统 |
CN108234998A (zh) * | 2018-01-09 | 2018-06-29 | 南京华捷艾米软件科技有限公司 | 体感摄像头的精度测量方法和体感摄像头的精度测量装置 |
CN108548655A (zh) * | 2018-03-28 | 2018-09-18 | 华勤通讯技术有限公司 | 成像精度的测量系统及方法、测试主机 |
CN108831358A (zh) * | 2018-06-13 | 2018-11-16 | 武汉精测电子集团股份有限公司 | 一种用于评估DeMura设备亮度测量精度的方法 |
CN108924544A (zh) * | 2018-06-29 | 2018-11-30 | 上海与德通讯技术有限公司 | 摄像头畸变测量方法与测试装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253827A1 (zh) * | 2019-06-21 | 2020-12-24 | 京东方科技集团股份有限公司 | 评估图像采集精度的方法及装置、电子设备和存储介质 |
US11314979B2 (en) | 2019-06-21 | 2022-04-26 | Chengdu Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for evaluating image acquisition accuracy, electronic device and storage medium |
Also Published As
Publication number | Publication date |
---|---|
US11314979B2 (en) | 2022-04-26 |
EP3989542A1 (en) | 2022-04-27 |
US20210150257A1 (en) | 2021-05-20 |
CN110225336B (zh) | 2022-08-26 |
WO2020253827A1 (zh) | 2020-12-24 |
EP3989542A4 (en) | 2022-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110225336A (zh) | 评估图像采集精度的方法及装置、电子设备、可读介质 | |
US5325198A (en) | Unitary transform methods of identifying defects in imaging devices | |
CN102626305B (zh) | 图像处理设备和图像处理方法 | |
CN110211523B (zh) | 一种远距离测量液晶模组Flicker闪烁值的方法、装置及系统 | |
CN103792705B (zh) | 检测基板缺陷的检测方法及检测装置 | |
CN111754906B (zh) | 曲面显示屏亮度均一性检测方法 | |
CN103025228B (zh) | 供跨视野测量使用的超阈值测试和子像素策略 | |
CN106203370B (zh) | 一种基于计算机视觉技术的视力测定系统 | |
US9176004B2 (en) | Imaging sensor array testing equipment | |
CN105326471A (zh) | 婴幼儿视力测试装置及测试方法 | |
CN103645036A (zh) | 摩尔纹测评方法及测评装置 | |
BRPI0709725A2 (pt) | mÉtodo e aparelho para detectar a degradaÇço do desempenho visual | |
CN101620816A (zh) | 评价立体影像显示面板的方法及系统 | |
CN109060290A (zh) | 基于视频和亚像素技术对风洞密度场进行测量的方法 | |
CN101651845B (zh) | 一种显示设备运动图像清晰度测试方法 | |
CN103927749A (zh) | 图像处理方法、装置和自动光学检测机 | |
JP6441581B2 (ja) | フレキシブルディスプレイの曲げモーションに対する光検出 | |
CN109949725A (zh) | 一种aoi系统图像灰度标准化方法及系统 | |
CN113198166A (zh) | 一种跳远检测方法与检测装置 | |
Leroux et al. | Combination of eyetracking and computer vision for robotics control | |
KR20060052414A (ko) | 시각 모형에 의해 평면 표시장치를 검출하는 방법과 장치 | |
CN113749646A (zh) | 基于单目视觉的人体身高测量方法、装置及电子设备 | |
CN109389082A (zh) | 视线采集方法、装置、系统、计算机可读存储介质 | |
Lin | An eye behavior measuring device for VR system | |
CN108256472A (zh) | 一种视频图像序列分割系统和方法 |
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 |