一种结合LTCD和Hu不变矩的COG中bump的分割方法

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D_i和8邻域像素点方差的平均值D_avg；

按顺时针，逐个比较D_i与D_avg的大小；若D_i＞D_avg，且差值绝对值小于设定阈值，则将该像素点标记为1；若D_i＜D_avg，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η_pq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，Hu1_i表示模板图像Hu不变矩特征向量的第i维分量；Hu2_i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：x_new、y_new分别表示新匹配出的最大值点的横、纵坐标；x_i、y_i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D_i和8邻域像素点方差的平均值D_avg，计算方式为：

D_i＝(x_avg-x_i)²,

其中x_avg表示中心点的8邻域中像素的灰度值的平均值，x_i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D_i与D_var的大小。若D_i＞D_avg，且差值绝对值小于设定阈值，则将该像素点标记为1；若D_i＜D_avg，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(x_o,x_i)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η_pq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，Hu1_i表示Hu1_i的第i维分量；Hu2_i表示Hu2_i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：x_new、y_new分别表示新匹配出的最大值点的横、纵坐标；x_i、y_i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。