本發(fā)明屬于液晶顯示器顯示缺陷檢測
技術(shù)領域：
，更具體地，涉及一種基于GPU的TFT-LCDMura缺陷檢測的方法。
背景技術(shù)：
：TFT-LCD(薄膜晶體管液晶顯示器)以其低功耗、大尺寸化、高清晰化等特點成為當前最主流的顯示設備，并廣泛應用于液晶電視、手機移動終端等顯示領域，特別是在高清、3D等高端顯示領域，TFT-LCD具有絕對的優(yōu)勢。TFT-LCD的廣泛應用，以及消費者對于高性能顯示器件的需求日益提高，使得TFT-LCD制作工藝和流程越來越復雜，而在TFT-LCD大批量的生成過程中，不可避免地會產(chǎn)生一定的不良產(chǎn)品。根據(jù)缺陷形態(tài)和背景對比度的不同，TFT-LCD的顯示缺陷主要分為：點缺陷，線缺陷，Mura缺陷。而Mura缺陷因具有對比度低，背景亮度不均勻等特點，加之背景紋理和復雜噪聲的干擾，使得對Mura缺陷的檢測和修復成為企業(yè)競爭力的重要依據(jù)。目前，國內(nèi)外各大TFT-LCD面板廠商對Mura缺陷的檢測主要依靠經(jīng)驗豐富的檢測人員用肉眼來進行判定，具有成本高、不穩(wěn)定、效率低等特點。機器視覺缺陷檢測是一種非接觸式的檢驗方式，因具有自動化程度高、魯棒性好等特性而受到廣泛應用。然而，通過CCD相機等設備采集到的缺陷圖像由于TFT-LCD材料不均勻、視場偏差、外界光源不均勻等原因使得圖像背景亮度不均勻混雜在Mura缺陷本身的不均勻中，從而導致自動光學檢測方法不能準確檢測出Mura缺陷甚至差于人工的檢測方法?，F(xiàn)有技術(shù)的主要問題是自動光學檢測自適應差，誤檢和漏檢率較高，如針對不同型號的產(chǎn)品以及具有一定差異的同型號產(chǎn)品，其檢測自適應欠佳，設備調(diào)試和可操作性較差。另一方面，目前自動光學檢測主要采用線上檢測方式，而現(xiàn)有技術(shù)多采用CPU等開發(fā)環(huán)境，檢測時間長，尤其是對于大幅面、多張圖像同時檢測的情況，現(xiàn)有技術(shù)嚴重影響工序效率。中國專利《基于B樣條曲面擬合的TFT-LCDMura缺陷機器視覺檢測方法》(專利號CN201310405884.4)，采用對原始圖像數(shù)據(jù)進行B樣條曲面擬合，然后用原始圖像減去背景圖像的方法。該方法對亮度不均勻面積較大或者噪聲大的Mura缺陷的檢測效果不理想，且運算量較大，較難滿足實際應用的要求。技術(shù)實現(xiàn)要素：針對現(xiàn)有技術(shù)的缺陷，本發(fā)明的目的在于提供一種基于GPU的TFT-LCDMura缺陷檢測的方法，旨在解決現(xiàn)有技術(shù)對亮度不均勻面積較大或者噪聲大的Mura缺陷的檢測效果不理想，檢測精度低且運算量較大的問題。本發(fā)明提供了一種基于GPU的TFT-LCDMura缺陷檢測的方法，包括下述步驟：(1)基于原始圖像數(shù)據(jù)建立基于學生化殘差的雙二階回歸診斷模型，并計算所述雙二階回歸診斷模型的第一系數(shù)，并將所述第一系數(shù)進行擬合處理，獲得雙二階回歸背景圖像數(shù)據(jù)；(2)根據(jù)所述原始圖像數(shù)據(jù)和所述雙二階回歸背景圖像數(shù)據(jù)獲得各組數(shù)據(jù)點對擬合值的影響量WK；其中，第i組數(shù)據(jù)點對于擬合值的影響量WKi越大表示第i個數(shù)據(jù)點對曲面擬合的影響也就越大，反之，則第i個數(shù)據(jù)點對曲面擬合的影響也就越小；(3)根據(jù)所述影響量WK排除所述原始圖像數(shù)據(jù)中的奇異點和影響點，獲得新的像素點集ΦB；(4)根據(jù)新的像素點集ΦB建立雙N階多項式曲面擬合模型，計算雙N階多項式曲面擬合模型的第二系數(shù)，并根據(jù)所述第二系數(shù)估計雙N階背景圖像數(shù)據(jù)；(5)根據(jù)所述雙N階背景圖像數(shù)據(jù)和所述原始圖像數(shù)據(jù)獲得殘差圖像并對所述殘差圖像進行閾值分割處理，獲得閾值分割圖像；(6)對所述閾值分割圖像進行形態(tài)學處理，獲得腐蝕膨脹后的圖像，實現(xiàn)對亮度分布不均的Mura缺陷進行有效的分割。在本發(fā)明中，第一系數(shù)是指雙二階回歸診斷模型系數(shù)，第二系數(shù)是指雙四階多項式模型系數(shù)。更進一步地，步驟(1)具體為：(1.1)建立基于學生化殘差的雙二階回歸診斷模型：Z＝Xβ+ε＝p00+p10x+p01y+p20x2+p11xy+p02y2+ε；(1.2)根據(jù)最小二乘法計算所述雙二階回歸診斷模型的第一系數(shù)的估計值(1.3)將所述第一系數(shù)的估計值進行擬合處理，獲得雙二階回歸背景圖像數(shù)據(jù)其中，X表示二維圖像的橫軸和縱軸坐標的矩陣表示形式；Z為X中對應坐標位置處的像素灰度值；p00,p01,…,p20為雙二階回歸診斷模型系數(shù)；ε為殘差值，滿足ε～(0,σ2I)；β為回歸模型系數(shù)的向量表示形式，β的水平為1-α的置信域可表示為如下形式：p為雙二階回歸診斷模型系數(shù)個數(shù)；n為圖像像素點總數(shù)；和為模型系數(shù)β和方差σ的最小二乘估計；F(p,n-p)為F分布。更進一步地，在步驟(1.1)之前還包括如下步驟：對所述原始圖像數(shù)據(jù)進行Gabor濾波，去除摩爾紋和CCD采集的原始圖像中的紋理柵格；其中，Gabor濾波算子包括：xr＝xcosθ+ysinθ,yr＝-xsinθ+ycosθ，f為濾波頻率，θ為濾波器方向；f為1/2T，T為紋理單元的寬度。更進一步地，所述濾波器方向θ分別為0°、45°、90°、135°；由于更多的方向可以增強濾波效果，但是會大大的增加計算量，在一般的紋理分析中，四個方向的濾波器是足夠的。本發(fā)明中經(jīng)過Gabor濾波后的圖像，紋理柵格得到很好的抑制。更進一步地，步驟(3)具體為：(3.1)對影響量WK按照從小到大進行排序，取出前γ％的點視為奇異區(qū)域，并將其像素值置為1，其余像素的像素值置為0，獲得二值化圖像Φuv，(3.2)對所述二值化圖像進行中值濾波，獲得濾波后的奇異點圖像Φf；(3.3)對殘差圖像E按照從大到小進行排序，取出前ω％的點視為影響點區(qū)域，并將其像素值置為1，其余像素的像素值置為0，獲得影響點圖像Φg；(3.4)由原始圖像像素點集Φ，扣除具有影響力的影響點圖像Φg和奇異點圖像Φf后得到新的像素點集ΦB；其中，γ為奇異閾值，取值范圍為0-100；殘差圖像z和的意義同上，ω取2-10；ΦB＝Φ-Φg-Φ.*Φf；.*為點乘操作，ΦB為從原始圖像像素點集Φ中扣除影響點和奇異點后的像素集；奇異點是指因建立的模型不能有好的回歸分析解釋并且遠離了整體的數(shù)據(jù)點；影響點是指會使回歸模型產(chǎn)生很大變化的點。更進一步地，由于多項式擬合可以近似估計圖像整體的亮度變化趨勢，而擬合的成敗很大程度上取決于對于多項式階次的選取，階次太低，擬合的效果較差，而且會出現(xiàn)明顯的區(qū)塊效應，階次太高，一方面耗時隨階次成幾何倍數(shù)增長，另一方面易產(chǎn)生過擬合現(xiàn)象，綜合考慮各種因素，N可以取值為4或5；當N為4時，步驟(4)具體為：(4.1)建立雙四階多項式曲面擬合模型：Z＝Xβ+ε＝p00+p10x+p01y+p20x2+p11xy+p02y2+p30x3+p21x2y+p12xy2+p03y3+p40x4+p31x3y+p22x2y2+p13xy3+p04y4+ε；(4.2)根據(jù)最小二乘法計算所述雙四階多項式曲面擬合模型的第二系數(shù)估計值(4.3)對所述第二系數(shù)估計值進行擬合處理，獲得雙N階背景圖像數(shù)據(jù)其中，X和Z分別為扣除奇異點后的新的像素點集ΦB對應的坐標數(shù)據(jù)集和灰度數(shù)據(jù)集，p00,p01,…,p40為雙四階多項式模型系數(shù)，為由原始圖像最終擬合的背景圖像。更進一步地，在步驟(5)中，所述閾值分割處理具體為：將殘差圖像R與二值化圖像取反后作像素點乘，扣除屬于奇異區(qū)域的殘差RES＝(1-Φf).*R；根據(jù)所述殘差RES、背景區(qū)域的平均值uΦ和方差σΦ獲得閾值分割圖像T(u,v)；其中，閾值分割圖像背景區(qū)域的平均值背景區(qū)域的方差閾值Thresh的取值范圍為：0.6～3。更進一步地，在步驟(6)中，所述形態(tài)學處理具體為：采用腐蝕操作消除所述閾值分割圖像中較小的連通區(qū)域，并對腐蝕操作后的圖像進行膨脹操作，將相鄰目標區(qū)域連接起來，獲得腐蝕膨脹后的圖像。更進一步地，步驟(1)-(6)均是基于圖形處理單元的并行處理實現(xiàn)的，具體包括：GPU顯存和線程分配，將存入GPU顯存中的CUDA數(shù)組與紋理內(nèi)存綁定，分配共享存儲器，啟動Kernel內(nèi)核并進行GPU粗粒度和細粒度協(xié)同并行計算，將計算結(jié)果由GPU回傳給CPU。步驟(1)-(6)中GPU并行處理實現(xiàn)粗粒度和細粒度算法加速，所謂細粒度是指在算法的每個階段分別以最小的粒度來開發(fā)數(shù)據(jù)并行；粗粒度是指算法在每個階段以線程塊為單位進行數(shù)據(jù)共享。在GPU上采用二維的線程塊(Block)組織二維的線程網(wǎng)格(Grid)，而每個線程塊又由若干個線程(Thread)組成，線程網(wǎng)格中第i個線程計算本次圖像迭代數(shù)據(jù)的第i個像素點，各Blcok之間并行執(zhí)行且相互之間不能通信，保證了數(shù)據(jù)塊之間的獨立性和穩(wěn)定性；同時，同一個線程塊中的線程通過共享存儲器交換數(shù)據(jù)，并通過柵欄同步保證線程間正確的共享數(shù)據(jù)。通過本發(fā)明所構(gòu)思的以上技術(shù)方案，與現(xiàn)有技術(shù)相比，由于采用了一種新的背景重構(gòu)方法，能夠取得如下的有益效果：(1)本發(fā)明通過將回歸診斷方法和曲面擬合方法進行有效結(jié)合，擬合中排除奇異點和影響點區(qū)域，避免因奇異點和影響點的干擾使得回歸曲線往奇異點的方向移動，從而使得背景擬合的精度更高，本發(fā)明對亮度不均勻面積較大或者噪聲大的Mura缺陷也能有較好的檢測效果。(2)本發(fā)明將低階回歸診斷同高階多項式擬合結(jié)合起來進行背景估計，低階回歸診斷屬于粗擬合，便于在原始圖像中尋找奇異點；高階多項式擬合為細擬合，是對低階擬合的一種修正和補充。粗細兩種擬合有效結(jié)合，可以避免分別采用兩種擬合帶來的擬合精度差的缺陷。(3)本發(fā)明有效利用圖形處理單元GPU進行并行加速，極大的降低方法的處理時間。此外，利用共享存儲器和紋理存儲器進一步降低GPU內(nèi)存訪問時間，實現(xiàn)線程間高速低延遲通信，從而極大的提高檢測工序的效率。(4)本發(fā)明可以適用于液晶顯示領域目前市面上所有規(guī)格尺寸，各種形態(tài)Mura缺陷的檢測，通用性較強。附圖說明圖1為本發(fā)明提出的基于回歸診斷和多項式曲面擬合的TFT-LCDMura缺陷檢測方法流程圖；圖2為基于回歸診斷和多項式曲面擬合的TFT-LCDMura缺陷檢測方法示意圖。其中，圖2(a)為圖像預處理Gabor濾波后的圖像，圖2(b)為雙二階回歸診斷擬合的背景圖像，圖2(c)為回歸診斷圖像經(jīng)過二值化處理和中值濾波后的圖像，圖2(d)為雙四階多項式擬合的背景圖像，圖2(e)為原始圖像與雙四階多項式擬合的背景圖像經(jīng)相減后的殘差圖像，圖2(f)為殘差值圖像經(jīng)Niblack’s算法閾值分割后的圖像。圖3為GPU并行處理的流程圖。具體實施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。本發(fā)明涉及液晶顯示器顯示缺陷檢測領域，特別涉及TFT-LCD上的Mura缺陷的機器視覺缺陷檢測的方法，本發(fā)明開發(fā)了一套檢測效率高、檢測準確率高的方法。同時，由于隨著GPU(圖形處理器)通用性的增強和性能的提升，其作為通用并行處理單元的巨大潛力在機器視覺、圖形處理等領域表現(xiàn)的越來越明顯。曲面擬合和回歸診斷方法中涉及到很多并行處理，這為在GPU上并行實現(xiàn)提供了可能。因此，本發(fā)明致力于利用GPU強大的并行計算能力對回歸診斷方法和曲面擬合方法進行優(yōu)化加速。本發(fā)明提供了一種高精度、高速度、高穩(wěn)定的Mura缺陷自動光學檢測方法。該方法首先建立一個基于學生殘差的低階回歸診斷模型，并以此回歸模型根據(jù)Welsch’sdistance來預測分析TFT-LCD圖像中的奇異點和影響點；將奇異點區(qū)域與正常區(qū)域進行二值化處理和中值濾波，然后從原始圖像中排除中值濾波后的奇異點區(qū)域；對上述已排除奇異點區(qū)域的圖像進行高階曲面擬合，從而擬合出背景影像，并以此作為原始圖像的有效背景區(qū)域；將估計的背景圖像與原始圖像進行相減得到背景均勻的殘差圖像，從而有效解決亮度分布不均的問題。在此基礎上，應用Niblack’s閾值分割方法可以將各種Mura缺陷從殘差圖像中分割開來。針對現(xiàn)有的B樣條、多項式等曲面擬合方法，每次都要對大量的數(shù)據(jù)進行控制點反演和正向擬合，因而擬合速度較慢，本發(fā)明實施例提供了一種基于GPU加速的背景擬合方法，合理利用GPU粗粒度和細粒度并行協(xié)同處理。此外，GPU共享存儲器可以實現(xiàn)線程間高速低延遲通信，紋理存儲器對較大數(shù)據(jù)的隨機訪問具有很好的加速效果，利用共享存儲器和紋理存儲器可以進一步降低GPU內(nèi)存訪問時間，從而極大提高方法的處理效率。本發(fā)明提供的基于GPU的TFT-LCDMura缺陷檢測的方法，包括：(1)圖像預處理：對原始圖像做濾波處理，主要為去除摩爾紋和紋理柵格的影響。濾波方法包括但不限于Gabor濾波器、傅里葉變換等方法。(2)建立雙二階回歸診斷模型，計算二階回歸診斷模型系數(shù)，并由回歸模型診斷系數(shù)擬合出一個能近似反映圖像背景基本變化趨勢的回歸曲面。(3)奇異點和影響點計算和排除。包括：①計算診斷量測值，并從大到小排序全部的診斷量測值，取診斷量測值前γ％的像素且將其像素值置為1，其余像素的像素值置為0；②對①中的二值化圖像進行中值濾波處理，其中濾波后的像素為1的區(qū)域為奇異點區(qū)域；③對殘差圖像取絕對值后進行從大到小排序，并取出前ω％的點視為影響點區(qū)域④從雙二階回歸診斷模型中扣除奇異點和影響點區(qū)域。(4)建立四階多項式模型，計算四階多項式模型系數(shù)，并估計出背景模型。(5)將四階背景模型與原圖做差得到背景亮度均勻的殘差圖像，對殘差圖像進行歸一化處理。(6)Niblack’s閾值分割。閾值分割方法包括但不限于Niblack’s閾值方法。在本發(fā)明實施例中，步驟(1)-(6)均是基于圖形處理單元(GPU)的并行處理。GPU協(xié)同并行計算主要包括：GPU顯存和線程分配，將存入GPU顯存中的CUDA數(shù)組與紋理內(nèi)存綁定，分配共享存儲器，啟動Kernel內(nèi)核并進行GPU粗粒度和細粒度協(xié)同并行計算，將計算結(jié)果由GPU回傳給CPU。GPU以其高速的浮點數(shù)并行運算能力，在速度和帶寬上遠遠高于目前主流的CPU處理器，在向量計算方面能夠獲得比CPU高出幾十倍的計算效率，而計算機視覺圖像處理中涉及到大量的并行運算，非常適合使用GPU進行并行處理。因此，本發(fā)明利用圖形處理單元GPU對算法進行并行加速，可以極大的降低算法處理時間，從而提高檢測工序的效率。作為本發(fā)明的一個實施例，步驟(6)還包括數(shù)學形態(tài)學處理方法，主要為去除閾值分割后圖像中的噪點或比較小的干擾塊，從而將缺陷部分完整的呈現(xiàn)出來，而不會造成過檢現(xiàn)象。本發(fā)明提供了一種簡單高效的TFT-LCDMura缺陷檢測的方法，具有檢測精度高、檢測速度快，能夠克服人工缺陷檢測所具有的不穩(wěn)定、效率低等缺點，同時也可以克服傳統(tǒng)的B樣條曲面擬合、多項式曲面擬合等擬合偏差大，方法速度慢等缺點。具體來講：(1)本發(fā)明可以適用于液晶顯示領域目前市面上所有規(guī)格尺寸，各種形態(tài)Mura缺陷的檢測，通用性較強。(2)本發(fā)明通過將回歸診斷思想和曲面擬合方法進行有效結(jié)合，擬合中排除奇異點和影響點區(qū)域，避免因奇異點和影響點的干擾使得回歸曲線往奇異點的方向移動，從而使得背景擬合的精度更高，本發(fā)明對亮度不均勻面積較大或者噪聲大的Mura缺陷也能有較好的檢測效果。(3)本發(fā)明將低階回歸診斷同高階多項式擬合結(jié)合起來進行背景估計，低階回歸診斷屬于粗擬合，便于在原始圖像中尋找奇異點；高階多項式擬合為細擬合，是對低階擬合的一種修正和補充。粗細兩種擬合有效結(jié)合，可以避免分別采用兩種擬合帶來的擬合精度差的缺陷。(4)本發(fā)明有效利用圖形處理單元GPU進行并行加速，極大的降低算法的處理時間。此外，利用共享存儲器和紋理存儲器進一步降低GPU內(nèi)存訪問時間，實現(xiàn)線程間高速低延遲通信，從而極大的提高檢測工序的效率。為了更進一步說明本發(fā)明實施例提供的基于GPU的TFT-LCDMura缺陷檢測的方法，現(xiàn)結(jié)合附圖詳述如下：圖1示出了本發(fā)明實施例提供的一種基于GPU的TFT-LCDMura缺陷檢測方法流程圖，該方法包括以下步驟：步驟S101：根據(jù)目標圖像的大小分配GPU端內(nèi)存空間并初始化；將原始圖像數(shù)據(jù)從CPU拷貝到GPU顯存中，并將GPU顯存中的CUDA數(shù)組與紋理內(nèi)存綁定，并合理分配線程和共享存儲器，每個像素對應一個線程。啟動Kernel內(nèi)核并進行GPU粗粒度和細粒度協(xié)同并行計算，GPU并行計算見圖3所示。步驟S102：圖像預處理，對原始圖像進行Gabor濾波，從而去除摩爾紋(摩爾紋是數(shù)碼相機等設備上由于感光元件出現(xiàn)的高頻干擾而在采集的圖片上出現(xiàn)的高頻率條紋現(xiàn)象)和CCD采集的原始圖像中的紋理柵格(紋理柵格為TFT基板中水平和垂直掃描線經(jīng)相機圖像采集后出現(xiàn)的規(guī)則排列的重復紋理背景)，Gabor濾波采用GPU并行卷積運算處理。其中Gabor濾波算子包括：g(x,y,f,θ)=1abexp[-π(xr2a2+yr2b2)][exp(i2πfxr)-exp(-π22)]]]>xr＝xcosθ+ysinθ,yr＝-xsinθ+ycosθ，f為濾波頻率，θ為濾波器方向。中心頻率f的取值范圍為[1/16T，1/2T]，本文選擇f為1/2T,T為紋理單元的寬度?；谶\算時間和性能的考慮，本文選取四個濾波器方向θ分別為0°、45°、90°、135°，更多的方向可以增強濾波效果，但是會大大的增加計算量，在一般的紋理分析中，四個方向的濾波器是足夠的。將不同方向的濾波圖像進行融合，得到最終的濾波圖像，濾波結(jié)果圖像見圖2(a)所示，經(jīng)過Gabor濾波后的圖像，紋理柵格基本得到抑制。步驟S103：建立一個基于學生化殘差的雙二階回歸診斷模型，并計算雙二階回歸診斷模型系數(shù)，由回歸模型系數(shù)擬合出一個能近似反映圖像背景基本變化趨勢的回歸曲面，見圖2(b)所示。回歸分析模型是一種研究多個變量之間關(guān)系的統(tǒng)計模型，利用回歸分析模型可以偵測出TFT-LCD中可能的奇異點和影響點。多項式擬合可以近似估計圖像的背景信息，但在實際應用中，多項式擬合的精度易受原始圖像中奇異點和影響點的干擾而偏離正常的擬合方向，因此，需要在多項式擬合之前進行基于雙二階回歸診斷模型的奇異點和影響點排除，從而使得多項式擬合的精度更高。(1)建立基于學生化殘差的雙二階回歸診斷模型基于學生化殘差的雙二階回歸診斷模型可表示為：Z＝Xβ+ε＝p00+p10x+p01y+p20x2+p11xy+p02y2+ε其中X表示二維圖像的橫軸和縱軸坐標的矩陣表示形式；Z為X中對應坐標位置處的像素灰度值；p00,p01,…,p20為雙二階回歸診斷模型系數(shù)；ε為殘差值，滿足ε～(0,σ2I)；β為回歸模型系數(shù)的向量表示形式，β的水平為1-α的置信域可表示為如下形式：(β^-β)XTX(β^-β)≤pσ^2F(p,n-p,1-α)]]>上式中p為雙二階回歸診斷模型系數(shù)個數(shù)；n為圖像像素點總數(shù)；和為模型系數(shù)β和方差σ的最小二乘估計；F(p,n-p)為F分布。(2)由雙二階回歸診斷模型根據(jù)最小二乘法(LSM)計算回歸模型系數(shù)估計值，最小二乘意義下的系數(shù)估計值為：(3)雙二階回歸背景擬合由回歸模型系數(shù)估計值擬合的雙二階回歸背景圖像為：Z1^=Xβ^=X(XTX)-1XT;]]>步驟S104：奇異點(Outliers)和影響點(Influentialpoint)回歸診斷。奇異點是指因建立的模型不能有好的回歸分析解釋并且遠離了整體的數(shù)據(jù)點。在TFT-LCD中，Outliers可能是圖像中亮度不均或色彩不均的Mura缺陷等，Outliers的存在會造成估計的回歸曲面往奇異點的方向移動，使得所建立的回歸模型產(chǎn)生很大的殘差。影響點是指會使回歸模型產(chǎn)生很大變化的點，通常導致分析的結(jié)果有很大的不同。因此，實際中應當診斷并排除奇異點和影響點的干擾。第i組數(shù)據(jù)點的數(shù)據(jù)刪除模型可表示為Z(i)＝X(i)β+ε(i)，其中，X(i)和Z(i)分別為坐標數(shù)據(jù)集X和灰度數(shù)據(jù)集Z去掉第i行和zi后的數(shù)據(jù)集，zi為第i個數(shù)據(jù)點的灰度值，為第i個數(shù)據(jù)點的坐標向量。模型Z＝Xβ+ε中β和δ2的最小二乘估計值和與Z(i)＝X(i)β+ε(i)中相應的估計值和有如下關(guān)系：β^(i)=β^-(XTX)-1xie^i1-pii,σ^2(i)=(n-p-ri2)n-p-1σ^2]]>e^i=zi-z1^i,z^i=xiTβ^,ri=e^iσ^1-pii]]>其中pii為X生成的投影陣P＝X(XTX)-1XT的對角元素，為第i個數(shù)據(jù)點的殘差值，ri為標準化殘差，其它參數(shù)同上。則第i組數(shù)據(jù)點對于擬合值的影響定義為：WKi為Welsch-Kuh距離，簡稱WK統(tǒng)計量，WKi越大表示第i個數(shù)據(jù)點對曲面擬合的影響也就越大，反之，則第i個數(shù)據(jù)點對曲面擬合的影響也就越小。步驟S105：奇異點和影響點的排除。(1)對WK進行從小到大排序，并取出前γ％的點視為奇異區(qū)域，且將其像素值置為1，其余像素的像素值置為0。其中γ為奇異閾值，取值范圍為0-100。(2)對二值化圖像進行中值濾波，利用中值濾波將分散的奇異點視為不具有影響力的奇異點并加以濾出，濾波后的奇異點圖像表示為Φf。診斷量測值二值化處理和中值濾波后的圖像見圖2(c)所示。(3)對殘差圖像E取絕對值后進行從大到小排序，并取出前ω％的點視為影響點區(qū)域，且將其像素值置為1，其余像素的像素值置為0，影響點圖像表示為Φg。殘差圖像E為：E=|z-z1^|]]>z和的意義同上，經(jīng)試驗ω取2-10效果較好。(4)由原始圖像像素點集Φ，扣除具有影響力的影響點圖像Φg和奇異點圖像Φf得到新的像素點集ΦB。ΦB＝Φ-Φg-Φ.*Φf；其中.*為點乘操作，ΦB為從原始圖像像素點集Φ中扣除影響點和奇異點后的像素集，對ΦB進一步擬合可以有效排除奇異點和影響點的干擾，擬合的精度更高。步驟S106：建立雙四階多項式曲面擬合模型，并由新的像素點集計算雙四階多項式模型系數(shù)，根據(jù)四階多項式模型系數(shù)估計背景圖像，見圖2(d)所示。多項式擬合可以近似估計圖像整體的亮度變化趨勢，而擬合的成敗很大程度上取決于對于多項式階次的選取，階次太低，擬合的效果較差，而且會出現(xiàn)明顯的區(qū)塊效應，階次太高，一方面耗時隨階次成幾何倍數(shù)增長，另一方面易產(chǎn)生過擬合現(xiàn)象，綜合考慮各種因素，實際的擬合多項式的最高階次選為4或5比較合適。(1)建立雙四階多項式曲面擬合模型Z=Xβ+ϵ=p00+p10x+p01y+p20x2+p11xy+p02y2+p30x3+p21x2y+p12xy2+p03x3+p40x4+p31x3y+p22x2y2+p13xy3+p04y4+ϵ]]>其中X和Z為扣除奇異點后的新的像素點集ΦB對應的坐標數(shù)據(jù)集和灰度數(shù)據(jù)集，p00,p01,…,p40為雙四階多項式模型系數(shù)。(2)由雙四階多項式模型根據(jù)最小二乘法計算模型系數(shù)估計值，最小二乘意義下的系數(shù)估計值為：四階多項式模型系數(shù)共有15個，二階回歸模型系數(shù)共有6個，分別對應不同回歸診斷和多項式基函數(shù)的權(quán)重。(3)由雙四階多項式模型估計系數(shù)可得背景圖像為：Z‾=Xβ^=p^00+p^10x+p^01y+p^20x2+p^11xy+p^02y2+p^30x3+p^21x2y+p^12xy2+p^03y3+p^40x4+p^31x3y+p^22x2y2+p^13xy3+p^04y4]]>為由原始圖像最終擬合的背景圖像，反映了整體圖像亮度的基本變化趨勢。步驟S107：圖像差值法，將雙四階多項式模型估計的背景圖像與原始圖像Z做差，得到殘差圖像R。由于相減之后的像素值可能會小于0，通常大于0的位置表示此處是一個亮Mura，而小于0的位置表示此處是一個暗Mura，直接取整則會損失一部分信息，因此在原殘差圖像基礎上加上一個正的偏移τ，將所有像素歸一化到大于0的范圍。利用此殘差圖像可以有效解決背景亮度不均的問題，而且亮或暗Mura可以一步檢出，不需要對亮或暗Mura分別處理。由步驟S107得到差值圖像見圖2(e)所示。步驟S108：Niblack’s閾值分割。選擇合適的閾值Thresh，經(jīng)反復試驗，Thresh取0.6～3效果較好，將大于閾值Thresh的像素灰度值置為1，而小于閾值Thresh的像素灰度值置為0。Niblack’s閾值分割方法的原理為：將殘差圖像R與二值化圖像取反后作像素點乘，扣除屬于奇異區(qū)域的殘差為：RES＝(1-Φf).*R；則殘差圖像中屬于背景區(qū)域的平均值和方差計算如下：平均值方差從而，Niblack’s閾值分割法則可表示為：T為閾值分割后的圖像。步驟S109：形態(tài)學處理。形態(tài)學中先腐蝕后膨脹稱為開運算，開運算可以消除散點和毛刺，即對圖像進行平滑；先膨脹后腐蝕稱為閉運算，通過選擇適當?shù)脑亟Y(jié)構(gòu)可以通過閉運算將兩個鄰近的目標連接起來。經(jīng)過閾值分割后得到的二值圖像，在缺陷邊界周圍或內(nèi)部會存在一些小的呈“犬牙狀”和“孔洞”的點或線，因此，對步驟S108中閾值分割圖像進行形態(tài)學處理，具體方法為先用腐蝕操作消除圖像中較小的連通區(qū)域，再對腐蝕操作后的圖像進行膨脹操作，將相鄰目標區(qū)域連接起來，腐蝕膨脹后的圖像見圖2(f)所示，由圖2(f)可見，本發(fā)明方法能對亮度分布不均的Mura缺陷進行有效的分割。步驟S1010：將GPU端最終的形態(tài)學處理后的圖像拷貝到CPU內(nèi)存中，解除紋理綁定，并及時釋放GPU和CPU內(nèi)存。利用本發(fā)明方法與CPU串行實現(xiàn)方法進行對比，對3幅測試圖像2048×2048、3560×4288、3240×5760分別用CPU和GPU進行處理，并將處理時間記錄于表1中。表1CPU和GPU處理時間從表1可以看出，本發(fā)明方法所需的處理時間較傳統(tǒng)的CPU方法大大縮短，并且GPU并行實現(xiàn)較CPU加速了55-85倍。更為重要的是，本發(fā)明方法在分辨率3560×4288，甚至在3240×5760的超高分辨率下所需的處理時間均小于1s，無論對于線上或線下處理，本發(fā)明方法均能達到實時處理的要求。這表明本發(fā)明方法運用GPU加速的有效性以及實時處理的性能。本領域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。當前第1頁1 2 3