法律状态公告日
法律状态信息
法律状态
2020-02-18
授权
授权
2018-03-20
实质审查的生效 IPC(主分类):G06T7/11 申请日:20170913
实质审查的生效
2018-02-23
公开
公开
技术领域
本发明属于数字图像处理领域,具体涉及一种COG检测方法。
背景技术
随着智能手机的普及,液晶面板的需求量越来越大。液晶面板COG(Chip OnGlass,玻璃衬底芯片)的制备是将驱动IC(Integrated Circuit,集成电路)接合在覆盖有各向异性导电胶膜(Anisotropic Conductive Film,简称ACF)的玻璃基板的ITO(IndiumTin Oxide,氧化铟锡)线路上。驱动IC与玻璃基板上的ITO线路之间的机械和电气互联是由芯片凸块和玻璃上相应基底衬垫bump(衬垫上的含粒子凸起区域)之间捕获的导电粒子实现的。为了检测COG绑定的性能,需要对每个bump之上的导电粒子进行识别计数。随着计算机数字图像处理技术的发展,基于机器视觉技术的自动化检测设备逐渐发展,通过图像采集系统采集到COG绑定区域的图像,利用计算机快速匹配出bump,避免了人工框选的低精度和低效率等缺点。
发明内容
本发明的目的是针对COG中的不规则形状bump的分布的类型的不同和特征不明显的复杂性,提出了一种能自动分割出COG绑定区域中的不规则形状bump的方法,从而达到准确快速的分割出不同类型的不规则形状bump的目的。
为了实现上述目的,本发明采用的技术方案如下:一种改进LTCD和Hu不变矩的COG中bump的分割方法,该方法包括以下步骤:
步骤1:采集COG绑定区域灰度图像;
步骤2:从COG绑定区域图像中裁剪含有不规则形状bump的图像作为待匹配图像;
步骤3:从待匹配图像中裁剪出一种不规则形状bump作为模板图像;
步骤4:采用LTCD(Local Ternary Contrast Descriptor,局部三值对比描述符)方法计算模板图像和待匹配图像的LTCD特征相似度矩阵,矩阵大小为两者的高度和宽度的差值;
步骤5:计算模板图像和待匹配图像的Hu不变矩特征相似度矩阵,矩阵大小为两者的高度和宽度的差值;
步骤6:寻找LTCD特征相似度矩阵中的最大值坐标,在Hu不变矩特征相似度矩阵中寻找相应坐标处的相似度值,检验该最大值坐标是否识别有错误;若有错误则将LTCD特征相似度矩阵中该点相似度置为最小值,并重新在该矩阵中寻找最大值坐标;若无错误,以其为顶点,以bump模板图像的宽度和高度为宽度和高度,从待匹配图像中定位并分割出一个不规则形状bump图像,同时将该点存储在最大值坐标集合中;
步骤7:将LTCD特征相似度矩阵中属于步骤6提取的不规则形状bump图像区域内的相似度置为最小值,获得新的LTCD特征相似度矩阵;
步骤8:重复步骤6、步骤7,从待匹配图像中定位并分割下一个不规则形状bump图像,直到获得的LTCD特征相似度矩阵中的最大值小于阈值,从而实现待匹配图像中该类型不规则形状bump的全部分割;
步骤9:从待匹配图像中裁剪出另一种类型的不规则形状bump作为模板图像,重复步骤4~步骤8,直到所有类型的不规则形状bump全部分割完成。
步骤4的具体方法为:
步骤4-1:对模板图像采用LTCD方法对其进行编码,对模板图像每个像素点,以其为中心,逐个计算其与8邻域像素点的像素值差平方Di和8邻域像素点方差的平均值Davg;
按顺时针,逐个比较Di与Davg的大小;若Di>Davg,且差值绝对值小于设定阈值,则将该像素点标记为1;若Di<Davg,且差值绝对值小于设定阈值,则将该点标记为0;剩下的情况将该像素点标记为-1;完成后获取该中心像素点的8位LTCD码,计算每个像素点LTCD码的重复概率,获得模板图像LTCD码直方图;
步骤4-2:对于待匹配图像,以模板图像为窗口在其上滑动,采用步骤4-1的方法计算重合区域的LTCD码直方图;
步骤4-3:采用卡方计算模板图像和待匹配图像相应重合区域LTCD码直方图相似度,相应的计算方法为:
其中χ2(x,y)表示相似度矩阵在(x,y)处的相似度值,H1表示模板图像LTCD直方图,H2表示待检测图像中相应重合区域的LTCD直方图,I表示直方图的维度;
步骤4-4:随着模板图像在待检测图像上滑动,逐点计算相似度值,获得模板图像和待匹配图像LTCD特征相似度矩阵,矩阵大小为两者的高度和宽度的差值。
步骤5的具体方法为:
步骤5-1:计算模板图像的7个Hu不变矩M1~M7,分别为:
M1=η20+η02
M3=(η30-3η12)2+(3η21-η03)2
M4=(η30+η12)2+(η21+η03)2
M5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
M6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
M7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η12-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]其中ηpq代表图像的p+q阶归一化中心矩;这7个不变矩构成一组特征向量,由此模板图像的形状特征就可由Hu不变矩特征向量表示;
步骤5-2:对于待匹配图像,以模板图像为窗口在其上滑动,采用步骤5-1的方法计算重合区域的Hu不变矩特征向量;
步骤5-3:计算模板图像Hu不变矩特征向量和与待匹配图像相应重合区域Hu不变矩特征向量的欧式距离,作为相似度Sim的度量,计算方法为:
其中,Hu1i表示模板图像Hu不变矩特征向量的第i维分量;Hu2i表示待匹配图像相应重合区域Hu不变矩特征向量的第i维分量;
步骤5-4:随着模板图像在待检测图像上滑动,逐点计算Hu不变矩特征向量相似度值,获得模板图像和待匹配图像Hu不变矩特征向量相似度矩阵,矩阵大小为两者的高度和宽度的差值。
步骤6中检验LTCD特征相似度矩阵中最大值坐标是否识别有错误的具体方法为:
步骤6-1:若该点不是匹配出的第一个最大值坐标,将其坐标与已存储的最大值坐标集合中的坐标进行比较,剔除错误点;判断的标准为:
其中:xnew、ynew分别表示新匹配出的最大值点的横、纵坐标;xi、yi表示已存储的最大值坐标集合中的第i个最大值点的横、纵坐标;templ_width表示模板图像的宽度;th表示纵向的高度差阈值;若该点为错误点,将该坐标下的LTCD特征相似度矩阵中的值置为最小值;同时重新在LTCD特征相似度矩阵中选取最大值;若该点位正确点,进行下一步操作;
步骤6-2:若该点为正确点,提取该处坐标在Hu不变矩特征向量相似度矩阵中的相应值,若该值大于阈值,则为正确点,将该坐标存储在最大值坐标集合中,否则为错误点。
本发明一种结合改进LTCD和Hu不变矩的COG中bump的分割方法与现有技术相比,具有以下优点和有益效果:
(1)采用改进LTCD方法计算模板图像和待匹配图像LTCD特征相似度矩阵。新方法融合了局部方差,能更加精确的描述图像的局部特征。
(2)采用LTCD特征相似度和Hu不变矩相似度相结合的方法,结合了LTCD特征体现图像局部特征和细节,对局部光照问题具有不变性和Hu不变矩适合描述图像整体的形状特征,具有缩放、旋转不变性的特征,能精确的实现待匹配图像中模板图像的识别。
(3)采用(1)和(2)的方法,实现了准确高效的识别分割COG绑定区域中的不规则形状bump。本发明具有检测精度高,适用bump类型多等优点,能取代不规则形状bump分割的人工框选,可以广泛应用于COG制备中的自动光学检测中,避免了人工框选的低精度、低效率、易受主观因素影响等缺点。
附图说明
图1是本发明一种结合改进LTCD和Hu不变矩的COG中bump的分割方法的流程图。
具体实施方式
下面结合实例及附图对本发明提出的一种结合改进LTCD和Hu不变矩的COG中bump的分割方法进行详细说明。具体包括以下步骤:
步骤1:采集COG绑定区域灰度图像;
步骤2:从COG绑定区域图像中裁剪含有不规则形状bump的图像作为待匹配图像Image_1;
步骤3:从Image_1中裁剪出一个不规则形状bump作为模板图像Image_2;
步骤4:采用改进LTCD方法计算Image_2和Image_1的LTCD特征相似度矩阵Matrix_LTCD1,矩阵大小为两者的高度和宽度的差值;
步骤4-1:对Image_2,采用改进LTCD方法对其进行编码;对模板图像每个像素点,以其为中心,逐个计算8邻域中像素的灰度值的平均值与8邻域像素点的像素值差平方Di和8邻域像素点方差的平均值Davg,计算方式为:
Di=(xavg-xi)2,
其中xavg表示中心点的8邻域中像素的灰度值的平均值,xi表示中心点8邻域中像素点灰度值;
按顺时针方向,逐个比较Di与Dvar的大小。若Di>Davg,且差值绝对值小于设定阈值,则将该像素点标记为1;若Di<Davg,且差值绝对值小于设定阈值;则将该点标记为0;剩下的情况将该像素点标记为-1。相应计算方式为:
其中S(xo,xi)表示中心像素点在8邻域第i个像素点的标记,计算完8邻域后,可获取该中心像素点的8位LTCD码,计算每个LTCD码的重复概率,可获得Image_2的LTCD码直方图H1;
步骤4-2:对于Image_1,以Image_2为窗口在其上滑动,采用步骤4-1方法计算重合区域的LTCD码直方图H2;
步骤4-3:采用卡方计算H1和H2相似度,相应的计算方法为:
其中χ2(x,y)表示相似度矩阵在(x,y)处的相似度值,I表示直方图的维度。
步骤4-4:随着Image_2在Image_1上滑动,逐点计算相似度值,获得Image_2和Image_1的LTCD特征相似度矩阵Matrix_LTCD1,矩阵大小为两者的高度和宽度的差值,
步骤5:计算Image_2和Image_1的Hu不变矩特征相似度矩阵Matrix_Hu,矩阵大小为两者的高度和宽度的差值;
步骤5-1:计算Image_2的7个Hu不变矩M1~M7,分别为:
M1=η20+η02
M3=(η30-3η12)2+(3η21-η03)2
M4=(η30+η12)2+(η21+η03)2
M5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
M6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
M7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η12-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]其中ηpq代表图像的p+q阶归一化中心矩。这7个不变矩构成一组特征向量,由此Image_2的形状特征就可由Hu不变矩特征向量表示为Hu1。
步骤5-2:对于Image_1,以Image_2为窗口在其上滑动,采用如步骤5-1方法计算重合区域的Hu不变矩特征向量Hu2。
步骤5-3:计算Hu2和Hu1的欧式距离,作为相似度Sim的度量,计算方法为:
其中,Hu1i表示Hu1i的第i维分量;Hu2i表示Hu2i的第i维分量;
步骤5-4:随着Image_2在Image_1上滑动,逐点计算相似度Sim,获得Image_2和Image_1的Hu不变矩特征相似度矩阵Matrix_Hu,矩阵大小为两者的高度和宽度的差值。
步骤6:寻找Matrix_LTCD1中的最大值坐标,在Matrix_Hu中寻找相应位置的相似度值,检验该最大值坐标是否识别有错误。若有错误则将Matrix_LTCD1中该点相似度置为最小值,并重新在该矩阵中寻找最大值坐标;若无错误,以其为顶点,以bump模板图像的宽度和高度为宽度和高度,从Image_1中定位并分割出一个不规则形状bump图像,同时将该点存储在最大值坐标集合中;操作Matrix_LTCD1之后获得的新矩阵记为Matrix_LTCD2;
步骤6-1:对寻找出的Matrix_LTCD1中最大值坐标,若该点不是匹配出的第一个最大值坐标,将其坐标与已存储的最大值坐标集合中的坐标进行比较,剔除错误点。判断的标准为:
其中:xnew、ynew分别表示新匹配出的最大值点的横、纵坐标;xi、yi表示已存储的最大值坐标集合中的第i个最大值点的横、纵坐标;templ_width表示模板图像的宽度;th表示纵向的高度差阈值。若该点为错误点,将该坐标下的Matrix_LTCD1的值置为最小值,获得Matrix_LTCD2,重新进行步骤6操作;若该点为正确点,进行下一步操作;
步骤6-2:若该点满足步骤6-2中正确点,提取该处坐标在Matrix_Hu中的相应值,若该值大于阈值,则为正确点,将该坐标存储在最大值坐标集合中,否则为错误点。然后将该坐标下Matrix_LTCD1的值置为最小值,获得Matrix_LTCD2。接着进行步骤6中后续操作。
步骤7:将Matrix_LTCD2中以步骤(6)中提取的不规则形状bump图像区域内坐标的相似度置为最小值,获得新的LTCD特征相似度矩阵Matrix_LTCD3;
步骤8:重复步骤(6)、(7),从Image_1中定位并分割下一个Image_2,直到获得的LTCD特征相似度矩阵中的最大值小于阈值,从而实现Image_1中Image_2的全部分割。
步骤9:从Image_1中裁剪出另一种类型的不规则形状bump作为模板图像Image_2,重复步骤(4)、(5)、(6)、(7)、(8),直到所有类型的不规则形状bump全部分割完成。
机译: 青霉素结合蛋白,核酸,抗体或抗体片段,药物,药物组合物,至少一种青霉素结合蛋白或其片段或变异体或片段,至少一种核酸和至少一种抗体或抗体片段的用途,针对脑膜炎奈瑟菌的青霉素结合蛋白,核酸,抗体或抗体片段感染的体外抗体检测方法,至少一种青霉素结合蛋白或其片段或变异体或变异体,至少一种核酸的药物组合物酸和至少一种针对哺乳动物生物样品中脑膜炎奈瑟氏菌感染的抗体以及来自哺乳动物生物样品中的矿业性奈瑟氏球菌感染的体外诊断和单克隆抗体
机译: 一种使用至少一种标记的成分确定测试样品的一种或多种成分中特异性结合蛋白与相应结合剂之间反应的方法,一种标记成分的制备方法以及一种测试试剂盒.......
机译: 一种使用至少一种标记的成分在测试样品中确定特异性结合蛋白与相应可结合物质之间反应的一种或多种成分的方法,一种标记的成分的制备方法以及一种测定免疫成分