数字图像处理专业课设.docx
《数字图像处理专业课设.docx》由会员分享，可在线阅读，更多相关《数字图像处理专业课设.docx（29页珍藏版）》请在冰豆网上搜索。
数字图像处理专业课设
一、引言2
二、TFT—LCD屏显示缺陷检测系统的构成及实现3
三、基于MATLAB的检测系统算法4
3.1图像预处理4
3.2图像的分割与边缘提取6
3.3特征提取与识别实现14
四、心得体会24
五、参考文献25
一、引言
近年来，液晶显示技术的发展，有了质的飞跃。
在大面积玻璃基板上以微米级的精度制作几十万到几百万个极微小的TFT开关元件和几千条几微米宽的扫描线和信号线，其制作难度已超过超大规模集成电路，并且此问题仅靠提高净室级别和制作工艺的自动化程度是解决不了的。
对TLCD屏的缺陷进行激光修补采用冗余技术是提高其成品率的重要手段，而要进行缺陷修补，首先得确定缺陷的类型和精确位置，这就需要相应的缺陷检测技术。
液晶显示器的缺陷主要包括来自图像显示质量方面的软性缺陷和来自TFT阵列的硬性缺陷。
在来自TFT阵列的缺陷中，若按其成因可分为短路缺陷和断路缺陷；若按其显示效果则可分为点缺陷和线缺陷。
目前成品的一般定义为：
不能有线缺陷，允许有2～3个点缺陷。
液晶显示器的缺陷是多种多样的，其产生的原冈也各不相同，其中TFT阵列的缺陷主要来自镀膜工艺和光刻工艺。
在上述缺陷中，有些通过提高净室级别和工艺的自动化程度以及严格的工艺监控、管理是可以避免的，有些则可通过工艺方法的改进和工艺参数的优化预以避免，但对大量的TFT阵列的短／断路缺陷则需利用冗余技术和修补来消除。
不管采用何种方法解决上述缺陷，首先必须要能够检测出这些缺陷，这就需要相应的缺陷检测设备。
TFT-LCD屏的缺陷检测主要有四个目的。
一是用于缺陷的统计分析，找出常见的缺陷及其产生的原因，分析设计、制作中的薄弱环节，以便优化结构设计和制作工艺；二是用于工艺的监控、管理，发现问题所在，及时调整工艺参数，抑制缺陷的产生；三是淘汰不合格产品，以免不合格的TFT-LCD屏被装上启动电路，造成不必要的浪费，从而降低成本；四是用于缺陷修补。
目前TFT-LCD制作工艺中与缺陷有关的检查主要有：
玻璃基板的检查清洗效果的检查、导电薄膜的检查、非晶薄膜的检查、TFT阵列的检测、摩擦取向后的检测公共电极板的检测、LCD封盒过程的检测及TFT-LCD模块组装过程的检测。
检测TFT-LCD屏缺陷的方法有以下三种：
人工视觉检查法（HumanVisualInspection，HVI）、自动视觉检查法（AutomatedVi一8ualInspection，AVI和电学参数检测法。
本文所介绍的检测系统基于机器视觉检查法构建。
二、TFT—LCD屏显示缺陷检测系统的构成及实现
本文建立的检测系统以计算机视觉为基础,，以MATLAB和为软件开发工具，系统组成部分主要包括TFT-LCD屏,计算机,摄像机,如图1所示。
即先通过摄像机（例如CCD）先对待检测的TFT-LCD进行图像采集，然后进行图像处理，通过图像处理判断待检测的TFT-LCD是否存在缺陷，并确定缺陷的具体位置。
图1TFT—LCD屏显示缺陷检测系统构成
系统先通过图像采集系统对TFT-LCD进行图像采集，然后通过图像处理的方法实现对缺陷的检测定位。
具体的分四步实现缺陷检测：
1．先对图像进行预处理，即根据亮度不均匀中存在的特点，先对图像进行平滑抽样，再根据亮度的不同对图像进行区域划分,克服光照不均匀存的困难，同时在一定程度提高系统的实时性。
2．图像经过第一次分割后被分成N（N=l，2，3，⋯）幅小图像。
根据分割条件，小图像内的亮度是均匀的。
3．经过分类后的图像区域，由于相似区域存在近似的特征，可对区域的特点进行分析，并根据区域的特点对各个区域进行特征提取。
4．由于图像间存在一定的差异性，同一幅图像中的亮度也存在差异性，因此在经过特征提取后，对缺陷进行识别定位。
三、基于MATLAB的检测系统算法
3.1图像预处理
利用光学的方法对TFT-LCD液晶显示器的表面缺陷进行检测定位，首先必通过图像采集系统获取图像，然后进行图像处理，实现对缺陷进行识别定位。
由于图像采集系统摄像头的物理特性，使得获取到的图像存在亮度不均匀、图像内部存在非周期性等困难。
克服图像亮度不均匀的困难是本系统必须解决的首要问题。
它直接影响到后面对缺陷的检测定位。
经过分析发现，虽然图像存在亮度不均匀的不利影响，但这种不均匀性一般呈现出中间比较亮，四周比较暗的特点，同时，经过实验发现，图像的亮度变化是渐变的。
可通过基于“平滑滤波”的办法，实现图像的区域划分，消除亮度不均匀的影响。
程序设计图2如下：
图2
具体程序如下:
I=imread（'xian.jpg'）;%读取原始图片
I=rgb2gray（I）;
J=medfilt2（I,[3,3]）;%进行中值滤波
J=medfilt2（J,[3,3]）;%进行中值滤波
J=medfilt2（J,[3,3]）;%进行中值滤波
subplot（2,2,1）,imshow（I）,title（'原图像'）;
subplot（2,2,2）,imshow（J）;title（'中值滤波后图像'）;%显示中值滤波后图像
subplot（2,2,3）,imhist（I）,title（'原图像的直方图'）;%显示原图像的直方图
subplot（2,2,4）,imhist（J）,title（'中值滤波后图像的直方图'）;
%显示中值滤波后图像的直方图
图3和图4分别是点缺陷和线缺陷原图像与滤波后图像
图3点缺陷原图像与滤波后图像
图4点缺陷原图像与滤波后图像
经过中值滤波后的图像，图像的数据大大减少。
同时，由于抽样后的某一点的灰度值是该区域内象素点的平均值，它所反映的是该区域整体的亮度情况，消除了原图像中点的亮度对分割阈值的设置的影响，这就克服了图像内部象素点明暗相隔造成的分割阈值难以设定的困难。
3.2图像的分割与边缘提取
通过图像采集系统获取的TFT-LCD图像，由于摄像头的物理特性，使得图像出现了亮度不均匀，内部失去周期性等不利因素。
利用缩小摄像头与TFT-LCD的距离，可以在一定程度上克服以上困难。
根据特点设计图像分割算法，最后根据分割的结果，对分割后的图像区域进行分类，克服非周期性的不利影响，为实现缺陷检测定位做进一步准备。
从大的方面来说，图像分割方法可大致分为基于边缘的方法，基于区域的方法和基于边缘和区域结合的方法。
基于边缘检测的分割，基本思想是先检测图像中的边缘点，并按一定策略连接成轮廓，从而构成分割区域。
该方法首先利用边缘检测算子找到图像的边缘，
常见的边缘检测算子有Roberts算子、Laplace算子、Prewit算子、Sobel算子、Kirsch算子、Log算-子和Canny算子等。
基于区域的分割，该方法的基本思想是将具有相似性质的像素集合起来构成区域，即将图像划分为具有最大一致性的区域，其一致性准则可基于灰度、色彩、纹理、形状或模型等。
常见的方法包括区域生长法、区域分裂法、区域生长与分裂法和分水岭分割法。
阈值分割指一种区域分割技术,它适用于物体与背景有较强对比的景物分割。
如果受关注的物体在其内部具有均匀一致的灰度值并分布在一个具有另一个灰度值的均匀背景上，使用阈值方法效果很好。
下面选用的是阈值分割技术对图像进行二值化处理，并应用Sobel和Roberts算子进行边缘检测。
程序设计图5如下：
图5
具体程序如下：
%选取阈值为所有像素的灰度的平均值加常数h=10~15对图像进行二值化处理
%灰度值大于的为白色，小于的为黑色
J1=J;
J2=mean2（J）+15;
K=find（JJ（K）=mean2（J）;
K=find（J>=J2）;
J（K）=255;
figure,subplot（1,2,1）,imshow（J）,title（'BinaryImage'）;%显示二值化后图像
J3=mean2（J1）+10;
K=find（J1J1（K）=mean2（J1）;
K=find（J1>=J3）;
J1（K）=255;
subplot（1,2,2）,imshow（J1）,title（'BinaryImage'）;%显示二值化后图像
bw1=edge（J，‘sobel’）；%进行边缘检测
bw2=edge（J，‘roberts’）；
figure
subplot（2，2，1）
imshow（bw1）
xlabel（‘sobel’）
subplot（2，2，2）
imshow（bw2）
xlabel（‘roberts’）
图6和图7是两幅经过二值化、缩小后的图像
图6
图7
图6、7是两幅经过二值化、缩小后的图像。
根据给定的不同阈值，其二值化的结果存在渐变的现象。
图4二值化的结果是渐变的。
图5中亮度的变化有的是渐变的，有的出现突变，这种亮度不均匀给后面的缺陷检测带来了很大的困难。
如果图像中的各个区域的亮度是均匀的，那么在对图像中的缺陷进行检测的时候，将可以直接深入到图像的内部结构，分析图像的内部特点，直接根据特点设计算法对缺陷进行检测。
为了使对缺陷的检测能够在亮度均匀的区域内进行，可通
过对图像进行区域划分，将图像划分成各个内部亮度均匀的小图像。
再对各个内部亮度均匀的小图像分别进行缺陷检测。
图8和图9是两幅经过边缘检测后的图像
图9
二值图像是只有两个灰度级的图像，如果出事的分割不够令人满意，对二值图像进行数学形态学图像处理能提高其质量。
数学形态学在图像预处理中应用方面的技术特点，利用二值或灰度数学形态学基本运算,可得到一系列数学形态学实用算法,在噪声滤除、边缘检测以及断点连接等图像预处理中具有较好优势。
程序设计图10如下：
图10
程序如下：
K1=bitand（J,J1）;%位与
figure,imshow（K1）,title（'帧运算过滤噪声后图像'）;%数学形态滤波
se=strel（'square',3）;%生成放行结构元素
K2=imerode（K1,se）;%执行腐蚀
figure,imshow（K2）;
K2=imdilate（K2,se）;%执行膨胀
figure,imshow（K2）,title（'数学形态学滤波后图像'）;
图11、12、13、14、15、16是数学形态学图像处理后的图像
图11帧运算过滤噪声
图12腐蚀
图13数学形态学滤波后图像
图14帧运算过滤噪声后图像
图15腐蚀
图16数学形态学滤波后图像
结果发现问题，数学形态学滤波能较好的滤除躁声。
作为一种非线性滤波技术,数学形态学滤波具有潜在的高并行性和较好的结构滤波性质。
同时,数学形态学滤波是严格的局部算子,这使得数学上的分析能够与实际处理很好地吻合。
3.3特征提取与识别实现
图像特征的表示和描述是图像识别和图像检索等应用的前期步骤，包括区域的亮度、边缘的轮廓、纹理或色彩。
有些是需要通过变换或测量才能得到的人为特征，如变换频谱、直方图、矩等。
为了准确获取图像中的缺陷区域，必须分析图像特征，然后将这些特征用数学的方法表示出来，并利用这些特征来设计相应的识别算法获取图像中的缺陷区域。
根据图像中缺陷区域存在亮度突变的特点，对区域进行有效的特征提取，并根据特征向量对缺陷进行检测定位。
在这里主要简单的对图像亮度特性进行特征提取，并根据亮点的分布对缺陷进行有效识别。
程序设计图17如下：
图17
程序设计如下：
J2=double（K1）;
[mn]=size（J2）;%图像的大小（长和宽）
s=0;c=0;k=1;
fori=1:
m-1
forj=1:
n-1
ifJ2（i,j）==255
s=s+1;a（k）=j;b（k）=i;k=k+1;
end
end
end
c=0;
ifs==0
pt=sprintf（'不存在缺陷'）;disp（pt）
elseifs/（7*2*n）>0.8
fori=1:
n-1
ifb（i+7+n）-b（i+n）==0
ifa（i+1+n）-a（i+n）==1
ifi==n-1
pt=sprintf（'存在横向的线缺陷'）;disp（pt）
st=sprintf（'线缺陷的面积S=%8.5f',n*7）;disp（st）
at=sprintf（'线缺陷的长度L=%8.5f',n）;disp（at）
ct=sprintf（'线缺陷的个c=%8f',round（s/（7*n）））;disp（ct）
forj=1:
round（s/（7*n））
yt=sprintf（'线缺陷的坐标y=%8.5f',b（1+7*n*（j-1））+3）;disp（yt）
yt=sprintf（'在液晶屏中线缺陷的坐标y=%8.5f',（b（1+7*n*（j-1））+3）/m*10*2）;disp（yt）
end
end
end
end
end
elseifs/（7*2*m）>0.8
fork=1:
round（s/（7*m））
fori=1:
m-1
ifa（i+7*k）-a（i）==0
ifb（i+7*k）-b（i）==1
ifi==m-1
pt=sprintf（'存在纵向的线缺陷'）;disp（pt）
st=sprintf（'线缺陷的面积S=%8.5f',m*7）;disp（st）
at=sprintf（'线缺陷的长度L=%8.5f',m）;disp（at）
ct=sprintf（'线缺陷的个数c=%8f',k）;disp（ct）
forj=1:
k
xt=sprintf（'线缺陷的坐标x=%8.5f',a（1+7*（j-1））+3）;disp（xt）
xt=sprintf（'在液晶屏中线缺陷的坐标x=%8.5f',（a（1+7*（j-1））+3）/n*15*2）;disp（xt）end
end
end
end
end
end
elseifs>n
fort=1:
round（s/（7*m））
fori=1:
m-1
ifa（i+7*t）-a（i）==0
ifb（i+7*t）-b（i）==1
ifi==m-1
pt=sprintf（'存在纵向的线缺陷'）;disp（pt）
st=sprintf（'线缺陷的面积S=%8.5f',s）;disp（st）
at=sprintf（'线缺陷的长度L=%8.5f',m）;disp（at）
ct=sprintf（'线缺陷的个数c=%8f',t）;disp（ct）
forj=1:
t
xt=sprintf（'线缺陷的坐标x=%8.5f',a（1+7*（j-1））+3）;disp（xt）
xt=sprintf（'在液晶屏中线缺陷的坐标x=%8.5f',（a（1+7*（j-1））+3）/n*15*2）;disp（xt）
end
end
end
end
end
end
fori=1:
n-1
ifb（i+7+n）-b（i+n）==0
ifa（i+1+n）-a（i+n）==1
ifi==n-1
if（a（k-7）-a（12））>n-10
pt=sprintf（'存在横向的线缺陷'）;disp（pt）
st=sprintf（'线缺陷面积S=%8.5f',n*7）;disp（st）
at=sprintf（'线缺陷长度L=%8.5f',n）;disp（at）
ct=sprintf（'线缺陷个数c=%8f',round（s/（7*n）））;disp（ct）
forj=1:
round（s/（7*n））
yt=sprintf（'线缺陷坐标y=%8.5f',b（1+7*n*（j-1））+3）;disp（yt）
yt=sprintf（'在液晶屏中线缺陷的坐标y=%8.5f',（b（1+7*n*（j-1））+3）/m*10*2）;disp（yt）
end
elseif（a（k-1）-a
（1））if（b（k-1）-b
（1））pt=sprintf（'存在面缺陷'）;disp（pt）
st=sprintf（'面缺陷的面积S=%8.5f',s）;disp（st）
at=sprintf（'面缺陷的长a=%8.5f',（a（k-1）-a
（1））/n.*15*2）;disp（at）
bt=sprintf（'面缺陷的宽b=%8.5f',（b（k-1）-b
（1））/m.*10*2）;disp（bt）
yt=sprintf（'面缺陷起始点纵坐标y=%8.5f',b
（1）/m.*10*2'）;disp（yt）
end
end
end
end
end
end
end
elseifs>n
if（a（k-1）-a
（1））if（b（k-1）-b
（1））pt=sprintf（'存在面缺陷'）;disp（pt）
st=sprintf（'面缺陷的面积S=%8.5f',s）;disp（st）
at=sprintf（'面缺陷长a=%8.5f',（a（k-1）-a
（1））/n.*15*2）;disp（at）
bt=sprintf（'面缺陷b=%8.5f',（b（k-1）-b
（1））/m.*10*2）;disp（bt）
xt=sprintf（'面缺陷起始点横坐x=%8.5f',a
（1）/n.*15*2'）;disp（xt）
yt=sprintf（'面缺陷起始点纵坐y=%8.5f',b
（1）/m.*10*2'）;disp（yt）
end
end
else
pt=sprintf（'存在点缺陷'）;disp（pt）
nt=sprintf（'图像的长n=%8.5f',n）;disp（nt）%图像的长和宽
mt=sprintf（'图像的宽m=%8.5f',m）;disp（mt）
c=round（s/21）;%显示缺陷的个数
ct=sprintf（'缺陷个数c=%8.5f',c）;disp（ct）%显示图像的位置
fori=1:
c%检测图像中点缺陷中心像素的横坐标
at=sprintf（'缺陷横坐标%8.5f',a（1+21*（i-1））+1）;disp（at）
%检测图像中点缺陷中心像素的纵坐标
bt=sprintf（'缺陷纵坐标%8.5f',b（1+21*（i-1））+2）;disp（bt）
x=（a（1+21*（i-1））+1）/n.*15*2;
xt=sprintf（'液晶屏中缺陷的横坐标%8.5f',x）;disp（xt）%液晶屏中点缺
%陷的横坐标，以液晶屏的左上角为原点，检测图片的长度是15cm
y=（b（1+21*（i-1））+2）/m.*10*2;
yt=sprintf（'液晶屏中缺陷纵坐标%8.5f',y）;disp（yt）%液晶屏中点缺陷的纵坐标，检测图片的宽度为10cm
end
end
end
end
end
end
具有点缺陷的图像（dian.jpg）显示结果如下：
存在点缺陷
图像的长n=326.00000
图像的宽m=210.00000
缺陷个数c=11.00000
缺陷横坐标158.00000
缺陷纵坐标92.00000
液晶屏中缺陷的横坐标14.53988
液晶屏中缺陷纵坐标8.76190
缺陷横坐标156.00000
缺陷纵坐标95.00000
液晶屏中缺陷的横坐标14.35583
液晶屏中缺陷纵坐标9.04762
缺陷横坐标156.00000
缺陷纵坐标97.00000
液晶屏中缺陷的横坐标14.35583
液晶屏中缺陷纵坐标9.23810
缺陷横坐标165.00000
缺陷纵坐标98.00000
液晶屏中缺陷的横坐标15.18405
液晶屏中缺陷纵坐标9.33333
缺陷横坐标162.00000
缺陷纵坐标100.00000
液晶屏中缺陷的横坐标14.90798
液晶屏中缺陷纵坐标9.52381
缺陷横坐标160.00000
缺陷纵坐标102.00000
液晶屏中缺陷的横坐标14.72393
液晶屏中缺陷纵坐标9.71429
缺陷横坐标160.00000
缺陷纵坐标104.00000
液晶屏中缺陷的横坐标14.72393
液晶屏中缺陷纵坐标9.90476
缺陷横坐标164.00000
缺陷纵坐标106.00000
液晶屏中缺陷的横坐标15.09202
液晶屏中缺陷纵坐标10.09524
缺陷横坐标182.00000
缺陷纵坐标203.00000
液晶屏中缺陷的横坐标16.74847
液晶屏中缺陷纵坐标19.33333
缺陷横坐标144.00000
缺陷纵坐标209.00000
液晶屏中缺陷的横坐标13.25153
液晶屏中缺陷纵坐标19.90476
缺陷横坐标156.00000
缺陷纵坐标210.00000
液晶屏中缺陷的横坐标14.35583
液晶屏中缺陷纵坐标20.00000
具有线缺陷的图像（xian.jpg）显示结果如下：
存在横向的线缺陷
线缺陷的面积S=3752.00000
线缺陷的长度L=536.00000
线缺陷的个数c=19.000000
线缺陷的坐标y=54.00000
在液晶屏中线缺陷的坐标y=2.70000
线缺陷的坐标y=136.00000
在液晶屏中线缺陷的坐标y=6.80000
线缺陷的坐标y=147.00000
在液晶屏中线缺陷的坐标y=7.35000
线缺陷的坐标y=156.00000
在液晶屏中线缺陷的坐标y=7.80000
线缺陷的坐标y=165.00000
在液晶屏中线缺陷的坐标y=8.25000
线缺陷的坐标y=173.00000
在液晶屏中线缺陷的坐标y=8.65000
线缺陷的坐标y=181.00000
在液晶屏中线缺陷的坐标y=9.05000
线缺陷的坐标y=188.00000
在液晶屏中线缺陷的坐标y=9.40000
线缺陷的坐标y=196.00000
在液晶屏中线缺陷的坐标y=9.80000
线缺陷的坐标y=204.00000
在液晶屏中线缺陷的坐标y=10.20000
线缺陷的坐标y=212.00000
在液晶屏中线缺陷的坐标y=10.60000
线缺陷的坐标y=220.00000
在液晶屏中线缺陷的坐标y=11.00000
线缺陷的坐标y=233.00000
在液晶屏中线缺陷的坐标y=11.65000
线缺陷的坐标y=267.00000
在液晶屏中线缺陷的坐标y=13.35000
线缺陷的坐标y=291.00000
在液晶屏中线缺陷的坐标y=14.55000
线缺陷的坐标y=325.00000
在液晶屏中线缺陷的坐标y=16.25000
线缺陷的坐标y=352.00000
在液晶屏中线缺陷的坐标y=17.60000
线缺陷的坐标y=378.00000
在液晶屏中线缺陷的坐标y=18.90000
线缺陷的坐标y=393.00000
在液晶屏中线缺陷的坐标y=19.65000
通过与原图对比，对于出现缺陷的区域，已经能得到很好的定位。
经过正常区域与缺陷区域的比较，可以对区域中缺陷点进行精确的检测定位。
从而最终实现了缺陷的检测定位。
由于部分区域出现的缺陷时亮度变化不够明显，这使得检测过程中也存在一定的漏判区域，这也是需要做
升级会员 