用亮度流估計的圖像增強法自動檢測LCD備課講稿

用亮度流估計的圖像增強法自動檢測LCD摘要我們提出一個最佳估計TFT-LCD表面除去缺陷區(qū)域的過濾的方法。估計不均勻變化表面的TFT-LCD面板區(qū)域，利用4方向的高斯過濾法則是基于圖像漸增結構的（imagepyramidstructure）。試驗的結果校正了這個方法的性能。1緒論

由于TFT-LCD市場的不斷擴展，成產的效率變得越來越重要，但是，總的來說，自動檢測系統(tǒng)被看成是特別重要的。然而，當我們要求自動檢測系統(tǒng)的面板表面圖像時有非常嚴格的亮度變化和這些亮度變化都主要是由TFT-LCD的面板的結構引起的。在這些亮度變化下，我們不能找到幾個精確的區(qū)域；因此，我們要使得TFT-LCD圖像單調化，除去有缺陷的區(qū)域，并保證有穩(wěn)定性和魯棒性的檢測結果。為了做這些，下面的過程能夠被用到：第一步為TFT-LCD圖像建立一個精確的模型，第二步是評估這個模型，最后是有效的扁平化缺陷分割。有很多已知的數學模型可以有效的匹配，例如多項式近似值和B-方栓方法。但是這些模型方法都不能用于穩(wěn)定性和魯棒性的缺陷分割要求因為這些模型都要求在分割前就要知道缺陷的信息。換一句話說，如果我們用多項式逼近的方法去評估表面，那么我們就不能建立一個合理的評估多項式。同樣，在B-方栓方法中，在我們知道最大缺陷大小之前我們不能確定分散矩陣的大小。盡管我們建立最初標準去尋找TFT表面的粗略評估，我們同樣不能發(fā)現模糊的缺陷。因此，我們提出一個除去缺陷區(qū)域之外的TFT-LCD面板表面的優(yōu)化評估的全新的過濾方法。我們用傅立葉變化的頻率分析的方法減少非規(guī)則的亮度變化。首先，我們描述面板上的非規(guī)則的特性和分析它去適應自動檢測系統(tǒng)有多困難，然后我們在細節(jié)上標記我們提出的方法和討論這個方法的前提。另外，實驗結果和與其他表面匹配方法都會被提到2TFT-LCD的非規(guī)則亮度變化。

通常來說，TFT-LCD由很多特殊金屬板組成很多層結構。BLU（backlightunit）是金屬底層之一元素，是負責照明整個面板的。BLU是由一些熒光燈和一些擴散盤組成。熒光燈組成照明的光源，然后光就通過擴散盤擴散到整個面板上?？紤]到TFT-LCD內部的空間狹小，我們能夠看到在邊緣的空間處沒有足夠的地方去放置更多的熒光燈所以那里缺乏光源和這點會造成整個面板的亮度變化不均勻，甚至我們用設計得最好的擴散盤。當我們要求TFT-LCD面板顯示圖像的時候，我們能夠看極愛你面板上的亮度變化和我們把這個變化在圖1中表示出來。因此，我們能夠發(fā)現大部分的TFT-LCD面板的亮度變化都是不均勻的，這個也是開發(fā)自動檢測系統(tǒng)中的一個重要問題。這個問題能夠變得非常嚴重，當自動檢測系統(tǒng)要求達到很高的精確度的時候。下面的等式1顯示了2維坐標上的傅立葉變化，等式2是X，Y軸上的分解。在等式2中，很清楚的是X軸上的變化表示了2維空間里的垂直變化，Y軸上的變化表示了水平的變化。因此，我們能夠減少水平的低頻率用Y軸上的邊停止過濾，在傅立葉變化領域。同樣，我們能夠減少垂直的低頻率用X軸上邊停止過濾。這里，我們不用2維過濾，但是用4方向的過濾，因為光源會非常復雜，這些光源能夠被用于描繪左上角和右上角。但是我們在檢測過程之前沒有任何信息，所以我們不得不利用斜過濾，這是同時通過水平和垂直變化產生各種照明的方式。所以我們定義一下過濾：我們能夠容易判斷變化的帶寬的不同的值，圖2中顯示了我們設計的過濾的形狀。利用等式3，我們能夠分割原始圖像上的亮度變化和缺陷的區(qū)域。然而，我們不得不判斷我們提議的方法的精確的帶寬為了有效的分割原始圖像的有缺陷的部分，但是精確的帶寬不一定能找到因為已獲得的圖像中，背景圖像和缺陷圖像混合了。同時我們在檢測完成之前不能獲得預先知道的缺陷信息。但是缺陷的大小，它是在生產過程中產生的，能夠被LCD生產者知道。因此，在確定亮度流之前我們把缺陷的大小反射出來作為條件。圖3顯示了這個方法中亮度流的確定。在圖3中，金字塔型圖像是用來減少帶寬描述的問題。原始圖像被分解了N次。N的大小取決于最大缺陷的大小。如果一些TFT-LCD制造商能提供缺陷大小，例如32*32，那么N的就=32.在這個問題中，最大缺陷大小是像素中的1/32，我們就能夠確定背景的純亮度流。同時，亮度流應該被在后圖像中下分解。但是亮度流的空間發(fā)生頻率比缺乏少，所以信息的丟失在這個問題中顯得不那么重要。更進一步說，我們用分級圖像來確定信息流失量。4式亮度流的噪聲比率信號在比起高階段來，低階段中更多。因此另外一個就是確定額外開銷在低階段中比高階段中大，這是為了獲得亮度流。這個能夠被下面的等式描述。5式在本文中，考慮到以上2個因素，額外開銷的值要被作為一個單調遞增的值從低到高階段，圖4中顯示了5個階段的值4，實驗結果

我們的方法是基于PC電腦用C語言實現的。PC系統(tǒng)的CPU是3.4G的奔騰CPU和1G內存。整個過程花費了2秒鐘。為了確定亮度流，5個階段被利用和每個階段的額外開銷在圖4中顯示。圖3顯示了2個原始圖像都是512512像素和他們所確定的亮度流，和線的劃分組合。在圖5a和d中，用圈圈起來的缺陷部分和背景部分形成對比。a中的缺陷沒有d中缺陷那么明顯。評估的亮度流在b和e中顯示出來。從b和e中，我們能看見亮度流把原始圖像很好的表現出來，除開缺陷部分。線劃分組合用箭頭在abde中表示的，在c和f中很好的表示出來。在c和f中，原始圖像的評估亮度流跟隨亮度變化，不受丟失信息的影響，同時原始圖像和他們所確定的亮度流足夠吧缺陷部分分割出來。為了校驗我們所提議的方法的缺陷的分割部分，我們用合適的極限值確定一個二進制圖像，這個圖像能夠表示缺陷的區(qū)域。在圖6的e和f中，我們能夠用亮度流分辨出缺陷的區(qū)域。如果我們做一個原始圖像的二進制圖像，那么缺陷的區(qū)域就能夠隱藏起來，例如c和d中所示。因此，我們說我們提出的這個方法對自動檢測系統(tǒng)有很大的幫助。5