CN112200800B - 一种基于灰度直方图的电润湿显示器缺陷检测方法 - Google Patents

一种基于灰度直方图的电润湿显示器缺陷检测方法 Download PDF

Info

Publication number
CN112200800B
CN112200800B CN202011186235.6A CN202011186235A CN112200800B CN 112200800 B CN112200800 B CN 112200800B CN 202011186235 A CN202011186235 A CN 202011186235A CN 112200800 B CN112200800 B CN 112200800B
Authority
CN
China
Prior art keywords
value
histogram
threshold value
gray
defect
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
Application number
CN202011186235.6A
Other languages
English (en)
Other versions
CN112200800A (zh
Inventor
林志贤
熊铃铃
廖钦楷
林珊玲
郭冠峥
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202011186235.6A priority Critical patent/CN112200800B/zh
Publication of CN112200800A publication Critical patent/CN112200800A/zh
Application granted granted Critical
Publication of CN112200800B publication Critical patent/CN112200800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Control Of Indicators Other Than Cathode Ray Tubes (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于灰度直方图梯度加权目标方差的电润湿显示器缺陷检测方法，首先对输入的缺陷图像进行处理获得灰度直方图，然后对其进行基于灰度直方图梯度加权目标方差的缺陷检测，获得最佳阈值。该方法在目标方差前加上一个权值，通过权值影响类间方差的数值，进一步控制阈值的选择，使阈值接近期望阈值，出现在直方图峰值左侧，最后根据获得的最佳阈值对缺陷图像进行二值化处理，缺陷图像中小于该阈值的像素灰度值都变成0，图像显示为黑色；大于等于该阈值的像素灰度值都变成255，图像显示为白色。输出的分割结果中，缺陷的像素区域为黑色，背景区域变为白色。本发明能够成功分割出电润湿显示屏缺陷，且在缺陷与背景对比度较低的缺陷图像中有很好的分割效果。

Description

一种基于灰度直方图的电润湿显示器缺陷检测方法
技术领域
本发明涉及图像处理领域以及缺陷检测技术领域，特别是一种基于灰度直方图梯度加权目标方差的电润湿显示器缺陷检测方法。
背景技术
电润湿显示器的原理是通过改变油墨与绝缘基板之间的电压来改变油墨在基板上的润湿性，改变接触角，使油墨发生形变，并产生位移，利用这一原理制作成功的电润湿显示器相比液晶、LCD等显示器具有响应速度快，无需背光源，功耗低，亮度高，在强光下仍可观看，没有视角限制等优点，因此电润湿显示器具有广泛的应用前景。
电润湿显示器作为一种新型的显示器，受到了国内外学者的广泛关注，然而大部分研究主要针对电润湿器件结构、油墨材料、驱动系统等方面，而对于图像的高质量显示的研究还很少。对于图像本身存在缺陷，需要将缺陷与背景图像进行分割。在电润湿显示器中，当缺陷与背景油墨的对比度低时Otsu方法及其他方法如VE、WOV和EW方法分割效果不好。
发明内容
有鉴于此，本发明的目的是提供一种基于灰度直方图梯度加权目标方差的电润湿显示器缺陷检测方法，当缺陷与背景油墨的对比度低时，能够正确地分割缺陷与背景图像。
本发明采用以下方案实现：一种基于灰度直方图梯度加权目标方差的电润湿显示器缺陷检测方法，包括以下步骤：
步骤S1：获取电润湿显示器缺陷图像，并对该缺陷图像进行灰度化处理获得灰度直方图；
步骤S2：对灰度直方图进行基于灰度直方图梯度加权目标方差的缺陷检测，获得最佳阈值；
步骤S3：根据获得的最佳阈值对缺陷图像进行二值化处理，缺陷图像中小于该阈值的像素灰度值都变成0，图像显示为黑色；大于等于该阈值的像素灰度值都变成255，图像显示为白色。输出的分割结果中，缺陷的像素区域为黑色，背景区域变为白色。
进一步地，所述步骤S2的具体内容为：
在目标方差前加上一个权值k(t)，权值与灰度直方图梯度累积量相关，通过灰度直方图梯度获取峰值信息，通过权值影响类间方差的数值，使类间方差达到最大，此时获得的阈值为最佳阈值，且接近期望阈值，出现在直方图峰值左侧，最后根据获得的最佳阈值对缺陷图像进行二值化处理，将缺陷部分分割并输出。
进一步地，所述权值与灰度直方图梯度累积量相关的具体关系为：权值k(t)随着灰度直方图梯度累积量的增大而减小，公式为：
Figure GDA0003818639640000021
其中u(i)为不同灰度代表的直方图梯度值，u(i)＝|p(i+1)-p(i)|，p(i)为不同灰度出现的概率；不同缺陷图像其灰度直方图梯度累积量的变化是不同的，从而自适应调整权值大小；在过峰前灰度直方图梯度累积量趋近于0，此时权值趋近于1，在过峰时累积量增大，权值也随之减小；所述期望阈值为人为设定的，从灰度值0到255之间选择一个阈值，使得通过该阈值对缺陷图像进行二值化处理得到的分割结果中，能够最大限度将缺陷与背景分割开来，该阈值即期望阈值。
进一步地，通过灰度直方图梯度获取峰值信息的具体内容为：由公式u(i)可知，在峰值区域，灰度直方图梯度值趋近于1，在非峰值区域，灰度直方图梯度值趋近于0。
进一步地，通过权值影响类间方差的数值，使类间方差达到最大，此时获得的阈值为最佳阈值，且接近期望阈值，出现在直方图峰值左侧，最后根据获得的最佳阈值对缺陷图像进行二值化处理，将缺陷部分正确分割并输出的具体内容为：
在缺陷图像中直方图呈现单峰，峰值代表背景像素，缺陷像素在直方图峰值左侧的低灰度概率区域，因此期望的阈值靠近峰值左侧；通过在类间方差中引入权重k(t)，不同的缺陷图像计算得到的灰度直方图梯度累积量不同，从而自适应调整k(t)值，并使类间方差达到最大而获得的最佳阈值，用以分割缺陷图像；
所述类间方差的公式为：
Figure GDA0003818639640000031
Figure GDA0003818639640000041
所述目标方差为：
p1(t)(μ1(t))2
由于类间方差公式中第一项目标方差对类间方差的贡献小，阈值主要由第二项背景方差决定，考虑到再次减小第一项对类间方差的影响，故将公式修改为：
Figure GDA0003818639640000042
也即通过k(t)值来影响类间方差的数值；所述p1(t)、p2(t)分别为经过阈值TH分割的缺陷图像前景和背景的像素发生概率，所述μ1(t)、μ2(t)分别为经过阈值TH分割的缺陷图像前景和背景的灰度均值；使类间方差达到最大而获得的阈值具体公式为：
Figure GDA0003818639640000043
式中TH为所述获得的阈值。
与现有技术相比，本发明具有以下有益效果：
当缺陷与背景油墨的对比度低时，本发明能够正确分割缺陷与背景图像。
附图说明
图1为本发明实施例的方法流程图。
图2为本发明实施例的实施例所用原始图像。
图3为本发明实施例的归一化后的权值k(t)曲线随灰度直方图的变化关系。
图4为本发明实施例的灰度直方图与灰度直方图梯度图。
图5为本发明实施例的电润湿图像分割结果图，其中图5(a)为原始图像，图5(b)为VE法分割结果图，图5(c)为Otsu法分割结果图，图5(d)为WOV法分割结果图，图5(e)为EW法分割结果图，图5(f)为本发明实施例分割结果图，图5(g)为灰度直方图和阈值图。
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。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供一种基于灰度直方图梯度加权目标方差的电润湿显示器缺陷检测方法，包括以下步骤：
步骤S1：获取电润湿显示器缺陷图像，并对该缺陷图像进行灰度化处理获得灰度直方图；
步骤S2：对灰度直方图进行基于灰度直方图梯度加权目标方差的缺陷检测，获得最佳阈值；
步骤S3：根据获得的最佳阈值对缺陷图像进行二值化处理，缺陷图像中小于该阈值的像素灰度值都变成0，图像显示为黑色；大于等于该阈值的像素灰度值都变成255，图像显示为白色；输出的分割结果中，缺陷的像素区域为黑色，背景区域变为白色。
在本实施例中，所述步骤S2的具体内容为：
在目标方差前加上一个权值k(t)，权值与灰度直方图梯度累积量相关，通过灰度直方图梯度获取峰值信息，通过权值影响类间方差的数值，使类间方差达到最大，此时获得的阈值为最佳阈值，且接近期望阈值，出现在直方图峰值左侧，最后根据获得的最佳阈值对缺陷图像进行二值化处理，将缺陷部分分割并输出。
在本实施例中，所述权值与灰度直方图梯度累积量相关的具体关系为：权值k(t)随着灰度直方图梯度累积量的增大而减小，公式为：
Figure GDA0003818639640000061
其中u(i)为不同灰度代表的直方图梯度值，u(i)＝|p(i+1)-p(i)|，p(i)为不同灰度出现的概率；不同缺陷图像其灰度直方图梯度累积量的变化是不同的，从而自适应调整权值大小；在过峰前灰度直方图梯度累积量趋近于0，此时权值趋近于1，在过峰时累积量增大，权值也随之减小；所述期望阈值为人为设定的，从灰度值0到255之间选择一个阈值，使得通过该阈值对缺陷图像进行二值化处理得到的分割结果中，能够最大限度将缺陷与背景分割开来，该阈值即期望阈值。
在本实施例中，通过灰度直方图梯度获取峰值信息的具体内容为：由公式u(i)可知，在峰值区域，灰度直方图梯度值趋近于1，在非峰值区域，灰度直方图梯度值趋近于0。
在本实施例中，通过权值影响类间方差的数值，使类间方差达到最大，此时获得的阈值为最佳阈值，且接近期望阈值，出现在直方图峰值左侧，最后根据获得的最佳阈值对缺陷图像进行二值化处理，将缺陷部分正确分割并输出的具体内容为：
在缺陷图像中直方图呈现单峰，峰值代表背景像素，缺陷像素在直方图峰值左侧的低灰度概率区域，因此期望的阈值靠近峰值左侧；通过在类间方差中引入权重k(t)，不同的缺陷图像计算得到的灰度直方图梯度累积量不同，从而自适应调整k(t)值，并使类间方差达到最大而获得的最佳阈值，用以分割缺陷图像；
所述类间方差的公式为：
Figure GDA0003818639640000071
所述目标方差为：
p1(t)(μ1(t))2
由于类间方差公式中第一项目标方差对类间方差的贡献小，阈值主要由第二项背景方差决定，考虑到再次减小第一项对类间方差的影响，故将公式修改为：
Figure GDA0003818639640000081
也即通过k(t)值来影响类间方差的数值；所述p1(t)、p2(t)分别为经过阈值TH分割的缺陷图像前景和背景的像素发生概率，所述μ1(t)、μ2(t)分别为经过阈值TH分割的缺陷图像前景和背景的灰度均值；使类间方差达到最大而获得的阈值具体公式为：
Figure GDA0003818639640000082
式中TH为所述获得的阈值。
较佳的，在本实施例中采用如图2所示电润湿显示器缺陷图像，电润湿像素结构为标准的矩阵排列结构，其中背景为填充的油墨，缺陷为深色线条圈出部分。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。图2为缺陷与背景对比度小的电润湿缺陷图像。步骤S1：将彩色电润湿缺陷图像进行灰度化处理，得到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，图像的灰度直方图可以描述图像灰度分布情况，统计灰度值范围在0到255之间各个像素值出现次数就可以得到灰度直方图，如图3中实曲线所示。
步骤S2：对灰度直方图进行基于灰度直方图梯度加权目标方差的缺陷检测，获得最佳阈值。一幅图像由n个像素，L种灰度值组成。令ni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
Figure GDA0003818639640000083
灰度t将像素分成灰度值为[0，t-1]的区域L1和灰度值为[t，L-1]的区域L2。L1和L2区域中像素点的数量分别为
Figure GDA0003818639640000091
和
Figure GDA0003818639640000092
像素点数量所占总像素的比例分别为
Figure GDA0003818639640000093
和
Figure GDA0003818639640000094
L1和L2区域中像素点的灰度值总和分别为
Figure GDA0003818639640000095
和
Figure GDA0003818639640000096
通过I1(t)和I2(t)求得L1和L2区域的平均灰度值
Figure GDA0003818639640000097
和
Figure GDA0003818639640000098
传统的Otsu方法的最大类间方差可表示成
Figure GDA0003818639640000099
其中最佳阈值t使得类间方差
Figure GDA00038186396400000910
达到最大。本实施例所述方法在类间方差第一项前加上权值k(t)，
Figure GDA00038186396400000911
其中u(i)为不同灰度代表的直方图梯度值，u(i)＝|p(i+1)-p(i)|，p(i)为不同灰度出现的概率。故本实施例所述方法的类间方差公式为
Figure GDA00038186396400000912
，当该式达到最大值时，此时的t为最佳阈值，接近期望阈值，出现在直方图峰值左侧。
步骤S3：最后根据获得的最佳阈值对缺陷图像进行二值化处理，缺陷图像中小于该阈值的像素灰度值都变成0，图像显示为黑色；大于等于该阈值的像素灰度值都变成255，图像显示为白色。输出的分割结果中，缺陷的像素区域为黑色，背景区域变为白色，该阈值实现了将缺陷和背景分割开来。
如图3所示为原始图像归一化后的权值k(t)曲线随灰度直方图变化的情况，实曲线为灰度直方图，虚曲线为归一化后的权值k(t)，黑色直线为缺陷图像分割的期望阈值，从图中可以看出权值k(t)随灰度直方图的变化规律，验证了上述的描述，且期望阈值在峰值左侧。
如图4所示为原始图像的灰度直方图与灰度直方图梯度图，实曲线为灰度直方图，虚曲线为梯度图，从图中可以看出，虚曲线相比实曲线在非峰值区域其值更加接近0，验证了上述的描述。
图5所示为不同方法下电润湿图像分割结果图，TH＝23时，为类间方差达到最大而获得的阈值，从图5中可以看出，常规的Otsu方法及其他方法如VE、WOV和EW方法分割效果不好，阈值在峰值的右侧，不能正确分割缺陷，而本实施例所述方法能正确分割缺陷，阈值在峰值的左侧。
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 (2)

1.一种基于灰度直方图梯度加权目标方差的电润湿显示器缺陷检测方法，其特征在于：包括以下步骤：
步骤S1：获取电润湿显示器缺陷图像，并对该缺陷图像进行灰度化处理获得灰度直方图；
步骤S2：对灰度直方图进行基于灰度直方图梯度加权目标方差的缺陷检测，获得最佳阈值；
步骤S3：根据获得的最佳阈值对缺陷图像进行二值化处理，缺陷图像中小于该阈值的像素灰度值都变成0，图像显示为黑色；大于等于该阈值的像素灰度值都变成255，图像显示为白色；输出的分割结果中，缺陷的像素区域为黑色，背景区域变为白色；
所述步骤S2的具体内容为：
在目标方差前加上一个权值k(t)，权值与灰度直方图梯度累积量相关，通过灰度直方图梯度获取峰值信息，通过权值影响类间方差的数值，使类间方差达到最大，此时获得的阈值为最佳阈值，出现在直方图峰值左侧，最后根据获得的最佳阈值对缺陷图像进行二值化处理，将缺陷部分分割并输出；
所述权值与灰度直方图梯度累积量相关的具体关系为：
权值k(t)随着灰度直方图梯度累积量的增大而减小，公式为：
Figure FDA0003799320130000021
其中u(i)为不同灰度代表的直方图梯度值，u(i)＝|p(i+1)-p(i)|，p(i)为不同灰度出现的概率；不同缺陷图像其灰度直方图梯度累积量的变化是不同的，从而自适应调整权值大小；在过峰前灰度直方图梯度累积量趋近于0，此时权值趋近于1，在过峰时累积量增大，权值也随之减小；期望阈值为人为设定的，从灰度值0到255之间选择一个阈值，使得通过该阈值对缺陷图像进行二值化处理得到的分割结果中，能够最大限度将缺陷与背景分割开来，该阈值即期望阈值；
通过权值影响类间方差的数值，使类间方差达到最大，此时获得的阈值为最佳阈值，出现在直方图峰值左侧，最后根据获得的最佳阈值对缺陷图像进行二值化处理，将缺陷部分正确分割并输出的具体内容为：
在缺陷图像中直方图呈现单峰，峰值代表背景像素，缺陷像素在直方图峰值左侧的低灰度概率区域，因此期望的阈值靠近峰值左侧；通过在类间方差中引入权重k(t)，不同的缺陷图像计算得到的灰度直方图梯度累积量不同，从而自适应调整k(t)值，并使类间方差达到最大而获得的最佳阈值，用以分割缺陷图像；
所述类间方差的公式为：
Figure FDA0003799320130000031
所述目标方差为：
p1(t)(μ1(t))2
由于类间方差公式中第一项目标方差对类间方差的贡献小，阈值主要由第二项背景方差决定，考虑到再次减小第一项对类间方差的影响，故将类间方差的公式修改为：
Figure FDA0003799320130000032
也即通过k(t)值来影响类间方差的数值；所述p1(t)、p2(t)分别为经过阈值TH分割的缺陷图像前景和背景的像素发生概率，所述μ1(t)、μ2(t)分别为经过阈值TH分割的缺陷图像前景和背景的灰度均值；使类间方差达到最大而获得的阈值具体公式为：
Figure FDA0003799320130000033
式中TH为所述获得的阈值。
2.根据权利要求1所述的一种基于灰度直方图梯度加权目标方差的电润湿显示器缺陷检测方法，其特征在于：通过灰度直方图梯度获取峰值信息的具体内容为：由公式u(i)可知，在峰值区域，灰度直方图梯度值趋近于1，在非峰值区域，灰度直方图梯度值趋近于0。
CN202011186235.6A 2020-10-30 2020-10-30 一种基于灰度直方图的电润湿显示器缺陷检测方法 Active CN112200800B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011186235.6A CN112200800B (zh) 2020-10-30 2020-10-30 一种基于灰度直方图的电润湿显示器缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011186235.6A CN112200800B (zh) 2020-10-30 2020-10-30 一种基于灰度直方图的电润湿显示器缺陷检测方法

Publications (2)

Publication Number Publication Date
CN112200800A CN112200800A (zh) 2021-01-08
CN112200800B true CN112200800B (zh) 2022-10-28

Family

ID=74012097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011186235.6A Active CN112200800B (zh) 2020-10-30 2020-10-30 一种基于灰度直方图的电润湿显示器缺陷检测方法

Country Status (1)

Country Link
CN (1) CN112200800B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052852B (zh) * 2021-01-12 2023-05-05 北京理工大学 一种基于可编程逻辑电路的图像分割方法
CN114972367B (zh) * 2021-02-25 2024-06-07 上海复旦微电子集团股份有限公司 分割图像的方法、装置、设备和计算机可读存储介质
CN113379680B (zh) * 2021-05-18 2023-05-23 上海闻泰信息技术有限公司 缺陷检测方法、装置、电子设备和计算机可读存储介质
CN113345003B (zh) * 2021-05-31 2023-08-25 中国农业大学 一种池塘水草面积估计方法
CN113450335B (zh) * 2021-06-30 2023-03-17 湖南三一华源机械有限公司 一种路沿检测方法、路沿检测装置及路面施工车辆
CN115861325B (zh) * 2023-03-01 2023-06-20 山东中科冶金矿山机械有限公司 基于图像数据的悬架弹簧缺陷检测方法及系统
CN116721099B (zh) * 2023-08-09 2023-11-21 山东奥洛瑞医疗科技有限公司 一种基于聚类的肝脏ct影像的图像分割方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013134666A (ja) * 2011-12-27 2013-07-08 Dainippon Screen Mfg Co Ltd 二値画像生成装置、分類装置、二値画像生成方法および分類方法
CN107657606A (zh) * 2017-09-18 2018-02-02 深圳市华星光电半导体显示技术有限公司 一种显示装置的亮度缺陷检测方法与装置
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
CN110033458A (zh) * 2019-03-12 2019-07-19 中国矿业大学 一种基于像素梯度分布的图像阈值确定方法
CN110610496A (zh) * 2019-04-24 2019-12-24 广东工业大学 一种对光照变化鲁棒的荧光胶缺陷分割方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1213592C (zh) * 2001-07-31 2005-08-03 佳能株式会社 采用自适应二值化的图象处理方法和设备
CN103426178B (zh) * 2012-05-17 2017-02-15 深圳中兴力维技术有限公司 一种基于均值偏移的复杂场景下目标跟踪方法及装置
CN110400320B (zh) * 2019-07-25 2021-08-31 福州大学 一种电润湿缺陷像素的分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013134666A (ja) * 2011-12-27 2013-07-08 Dainippon Screen Mfg Co Ltd 二値画像生成装置、分類装置、二値画像生成方法および分類方法
CN107657606A (zh) * 2017-09-18 2018-02-02 深圳市华星光电半导体显示技术有限公司 一种显示装置的亮度缺陷检测方法与装置
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
CN110033458A (zh) * 2019-03-12 2019-07-19 中国矿业大学 一种基于像素梯度分布的图像阈值确定方法
CN110610496A (zh) * 2019-04-24 2019-12-24 广东工业大学 一种对光照变化鲁棒的荧光胶缺陷分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
改进Otsu的枪弹外观缺陷图像分割;王鹏等;《军械工程学院学报》;20151015(第05期);全文 *

Also Published As

Publication number Publication date
CN112200800A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
CN112200800B (zh) 一种基于灰度直方图的电润湿显示器缺陷检测方法
Bangare et al. Reviewing Otsu’s method for image thresholding
CN112424828A (zh) 一种集成空间约束的核模糊c均值快速聚类算法
Stathis et al. An Evaluation Technique for Binarization Algorithms.
Yan et al. A multistage adaptive thresholding method
CN1162799A (zh) 利用平均值匹配直方图均衡的图像增强方法及其电路
CN109034145A (zh) 基于OpenCV的银行卡号识别方法
Lyudvichenko et al. A semiautomatic saliency model and its application to video compression
CN112396061B (zh) 基于目标灰度倾向加权的Otsu目标检测方法
CN116245880B (zh) 基于红外识别的电动车充电桩火灾风险检测方法
CN115689948B (zh) 用于检测建筑供水管道裂痕的图像增强方法
CN102867180A (zh) 灰度字符图像归一化装置和灰度字符图像归一化方法
CN111815563B (zh) 一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法
Vonikakis et al. Robust document binarization with OFF center-surround cells
CN115797607A (zh) 一种增强vr真实效果的图像优化处理方法
CN115760826A (zh) 一种基于图像处理的轴承磨损状况诊断方法
CN116883408A (zh) 基于人工智能的积算仪壳体缺陷检测方法
US7088857B2 (en) Dynamic bilevel thresholding of digital images
CN117314793B (zh) 基于bim模型的建筑施工数据采集方法
CN109858484A (zh) 一种基于偏斜评价的多类别变换车牌校正算法
CN115797234B (zh) 一种增强低对比度二维码图像识别效果的方法
CN110400320B (zh) 一种电润湿缺陷像素的分割方法
CN113191431A (zh) 一种细粒度车型识别方法、装置及存储介质
EP2372686B1 (en) A method for compensating local dimming of a backlight
CN114219774B (zh) 图像质量评估方法、装置、终端及计算机可读存储介质

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