CN110400320B - 一种电润湿缺陷像素的分割方法 - Google Patents
一种电润湿缺陷像素的分割方法 Download PDFInfo
- Publication number
- CN110400320B CN110400320B CN201910678227.4A CN201910678227A CN110400320B CN 110400320 B CN110400320 B CN 110400320B CN 201910678227 A CN201910678227 A CN 201910678227A CN 110400320 B CN110400320 B CN 110400320B
- Authority
- CN
- China
- Prior art keywords
- gray
- electrowetting
- pixel
- image
- value
- 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
- G06T7/11—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
Abstract
本发明涉及一种电润湿缺陷像素的分割方法,包括以下步骤:步骤S1:采集电润湿像素图片;步骤S2:将电润湿像素图片经显微镜放大后转变为灰度图像,得到灰度直方图;步骤S3:通过自动阈值方法得到最佳阈值t;步骤S4:基于最佳阈值t对灰度直方图进行图像二值化处理,得到分割结果。本发明在电润湿缺陷与背景对比度较低时有较好的分割结果。
Description
技术领域
本发明涉及缺陷像素分割领域,具体涉及一种电润湿缺陷像素的分割方法。
背景技术
随着信息产业的快速发展,显示技术已经成为人们获取信息的重要渠道。近些年,电润湿这种新型的显示技术开始崭露头角,它是一种电子纸显示器,具有响应速度快、造价低,能量损耗小等优点,有望引领潮流,成为下一代主流显示器。电润湿显示技术目前处在高速发展期,国内外许多机构对其进行了大量的研究。电润湿器件生产过程中可能存在缺陷,缺陷影响显示效果,因此对缺陷的检测是必不可少的。机器视觉技术是一种无损缺陷的检测方法,在不接触产品的情况下即可对缺陷进行检测。基于机器视觉的缺陷检测是将缺陷图像进行分割,将缺陷从图像背景中分割出来。
电润湿电子纸缺陷图像由于填充的油墨不同,缺陷与背景的对比度也不同。当填充浅色油墨时,缺陷与背景的对比度较大,较容易分割。当填充深色油墨时,缺陷与背景的对比度较低,分割比较困难。
发明内容
有鉴于此,本发明的目的在于提供一种电润湿缺陷像素的分割方法,提高对电润湿缺陷像素分割的准确率,降低缺陷对电润湿像素的影响。
为实现上述目的,本发明采用如下技术方案:
一种电润湿缺陷像素的分割方法,包括以下步骤:
步骤S1:采集电润湿像素图片;
步骤S2:将电润湿像素图片经显微镜放大后转变为灰度图像,得到灰度直方图;
步骤S3:通过自动阈值方法得到最佳阈值t;
步骤S4:基于最佳阈值t对灰度直方图进行图像二值化处理,得到分割结果。
进一步的,所述步骤S2具体为:
步骤S21:将电润湿像素图片经显微镜放大,得到彩色电润湿像素图像;
步骤S24根据灰度图像得到灰度直方图。
进一步的,所述自动阈值方法具体:为在Otsu法的对象方差前引入加权因子k(t)得到自动阈值计算公式,其中权值k(t)为ln(2-p_1 (t))。
进一步的,所述步骤S4具体为:
步骤S41:将自动阈值法得到的最佳阈值t作为二值化的阈值;
步骤S42:小于该阈值的像素区域灰度值变为0,大于等于该阈值的像素区域灰度值变为255。
本发明与现有技术相比具有以下有益效果:
本发明提高对电润湿缺陷像素分割的准确率,降低了缺陷对电润湿像素的影响。
附图说明
图1是本发明的电润湿缺陷像素分割流程图。
图2是本发明一实施例中提供的电润湿缺陷像素图。
图3是本发明一实施例中提供的电润湿缺陷像素图。
图4 是本发明一实施例中电润湿缺陷像素分割流程图。
图5是本发明一实施例中提供的电润湿缺陷像素分割图。
图6是本发明一实施例中提供的电润湿缺陷像素归一化灰度直方图。
图7是本发明一实施例中提供的电润湿缺陷像素分割图。
图8是本发明一实施例中提供的电润湿缺陷像素归一化灰度直方图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种电润湿缺陷像素的分割方法,包括以下步骤:
步骤S1:采集电润湿像素图片;
步骤S2:将电润湿像素图片经显微镜放大后转变为灰度图像,得到灰度直方图;
步骤S3:通过自动阈值方法得到最佳阈值t;
步骤S4:基于最佳阈值t对灰度直方图进行图像二值化处理,得到分割结果。
本实施例中,图3为电润湿缺陷像素的基本结构,电润湿像素的结构如图2所示,为标准的矩阵排列结构,背景为填充的油墨,缺陷为数量不定的深色黑点。当填充的油墨为浅色油墨时,缺陷与背景的对比度较大,当填充的油墨为深色油墨时,缺陷与背景的对比度较小。
在本实施例中,所述步骤S2具体为:
步骤S21:将电润湿像素图片经显微镜放大,得到彩色电润湿像素图像;
步骤S24根据灰度图像得到灰度直方图。将彩色缺陷电润湿图像灰度化后可得到其灰度图像的灰度直方图,一幅图像由不同灰度值的像素构成,图像的灰度分布情况由图像的灰度直方图描述。灰度图像可以描述为矩阵,是一个二维矩阵,矩阵的数值代表该位置像素的灰度值。灰度值的范围在0到255之间,从灰度为0的灰度值开始,统计各个灰度的像素个数可以得到灰度图片的灰度直方图。
在本实施例中,通过自动阈值技术得到灰度图像的最佳阈值,该阈值将缺陷与背景分割开来,具体为:
预设一幅图像由N个像素,L种灰度值组成。令表示灰度值为i的像素个数,则灰度值为i的像素点出现的概率为,灰度t将像素分成灰度值为的区域和灰度值为的区域。区域中像素点的数量分别为和。各区域中像素点的数量占总像素的比例为和。区域中像素点的灰度值总和分别为和。通过和求得区域的平均灰度值和。传统的Otsu方法的最大类间方差可表示成,最佳阈值t使得类间方差达到最大值。本方法在类间方差前加上加权因子,最大类间方差变成,当该式达到最大值时,此时的t为最佳阈值。
得到最佳阈值后将灰度图像二值化,小于该阈值的像素变为0,大于等于该阈值的像素变为255。此时缺陷像素区域变为0,即为黑色,背景像素区域为255,即为白色。该阈值将缺陷和背景分割开来。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (3)
1.一种电润湿缺陷像素的分割方法,其特征在于,包括以下步骤:
步骤S1:采集电润湿像素图片;
步骤S2:将电润湿像素图片经显微镜放大后转变为灰度图像,得到灰度直方图;
步骤S3:通过自动阈值方法得到最佳阈值t;所述自动阈值方法具体:为在Otsu法的对象方差前引入加权因子k(t)得到自动阈值计算公式,k(t)为,最大类间方差变成,当该式达到最大值时,此时的t为最佳阈值;
其中,灰度图像由N个像素,L种灰度值组成;表示灰度值为i的像素个数,则灰度值为i的像素点出现的概率为,灰度t将像素分成灰度值为的区域和灰度值为的区域;区域中像素点的数量分别为和;各区域中像素点的数量占总像素的比例为和;
步骤S4:基于最佳阈值t对灰度直方图进行图像二值化处理,得到分割结果。
3.根据权利要求1所述的一种电润湿缺陷像素的分割方法,其特征在于:所述步骤S4具体为:
步骤S41:将自动阈值法得到的最佳阈值t作为二值化的阈值;
步骤S42:小于该阈值的像素区域灰度值变为0,大于等于该阈值的像素区域灰度值变为255。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910678227.4A CN110400320B (zh) | 2019-07-25 | 2019-07-25 | 一种电润湿缺陷像素的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910678227.4A CN110400320B (zh) | 2019-07-25 | 2019-07-25 | 一种电润湿缺陷像素的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110400320A CN110400320A (zh) | 2019-11-01 |
CN110400320B true CN110400320B (zh) | 2021-08-31 |
Family
ID=68326003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910678227.4A Active CN110400320B (zh) | 2019-07-25 | 2019-07-25 | 一种电润湿缺陷像素的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110400320B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200800B (zh) * | 2020-10-30 | 2022-10-28 | 福州大学 | 一种基于灰度直方图的电润湿显示器缺陷检测方法 |
CN112396061B (zh) * | 2020-11-25 | 2023-04-14 | 福州大学 | 基于目标灰度倾向加权的Otsu目标检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104360501A (zh) * | 2014-10-15 | 2015-02-18 | 西安交通大学 | 一种液晶屏幕缺陷视觉检测方法及装置 |
CN109166092A (zh) * | 2018-07-05 | 2019-01-08 | 深圳市国华光电科技有限公司 | 一种图像缺陷检测方法及系统 |
CN109345528A (zh) * | 2018-09-28 | 2019-02-15 | 凌云光技术集团有限责任公司 | 一种基于人眼视觉特性的显示屏缺陷检测方法及装置 |
CN109658403A (zh) * | 2018-12-18 | 2019-04-19 | 福州大学 | 一种彩色电润湿显示单元缺陷识别方法及其装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018180875A (ja) * | 2017-04-12 | 2018-11-15 | 富士通株式会社 | 判定装置、判定方法および判定プログラム |
-
2019
- 2019-07-25 CN CN201910678227.4A patent/CN110400320B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104360501A (zh) * | 2014-10-15 | 2015-02-18 | 西安交通大学 | 一种液晶屏幕缺陷视觉检测方法及装置 |
CN109166092A (zh) * | 2018-07-05 | 2019-01-08 | 深圳市国华光电科技有限公司 | 一种图像缺陷检测方法及系统 |
CN109345528A (zh) * | 2018-09-28 | 2019-02-15 | 凌云光技术集团有限责任公司 | 一种基于人眼视觉特性的显示屏缺陷检测方法及装置 |
CN109658403A (zh) * | 2018-12-18 | 2019-04-19 | 福州大学 | 一种彩色电润湿显示单元缺陷识别方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110400320A (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN111161243B (zh) | 基于样本增强的工业产品表面缺陷检测方法 | |
CN110930390B (zh) | 基于半监督深度学习的芯片管脚缺失检测方法 | |
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
CN106096610A (zh) | 一种基于支持向量机的文档图像二值化方法 | |
CN115496760B (zh) | 一种阿胶品质鉴定方法 | |
CN112308854B (zh) | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 | |
CN110400320B (zh) | 一种电润湿缺陷像素的分割方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN113888536B (zh) | 一种基于计算机视觉的印刷品重影检测方法及系统 | |
CN114119526A (zh) | 一种基于机器视觉的钢板表面缺陷检测与识别系统及方法 | |
CN115063620B (zh) | 一种基于比特分层罗茨风机轴承磨损检测方法 | |
CN112446437A (zh) | 一种基于机器视觉的货架商品规格识别方法 | |
CN103530625A (zh) | 一种基于数字图像处理的光学字符识别方法 | |
CN112884741B (zh) | 一种基于图像相似性对比的印刷表观缺陷检测方法 | |
CN114170165A (zh) | 一种芯片表面缺陷检测方法和装置 | |
CN116402822B (zh) | 混凝土结构图像检测方法、装置、电子设备及存储介质 | |
CN108734158B (zh) | 一种实时列车车号识别方法及装置 | |
CN115953776A (zh) | 基于机器学习的食品检测系统 | |
CN114092441A (zh) | 一种基于双重神经网络的产品表面缺陷检测方法及系统 | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统 | |
CN111640122B (zh) | 基于连通域的led异形显示屏光斑定位分割方法 | |
CN104112134A (zh) | 一种基于aoi的子弹表观缺陷检测系统的图像二值化分割方法 | |
CN113256563A (zh) | 基于空间注意力机制的精品罐表面缺陷检测方法和系统 |
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 |