一种结合LTCD和Hu不变矩的COG中bump的分割方法专利检索-自动光学检测电路专利检索查询-专利查询网

积极推动地理标志专门立法

2022-03-10 地理标志，立法，知识产权
保护知识产权是对创新最大的激励

2022-03-10 保护知识产权，创新，激励
谢商华：加快制定知识产权基本法

2022-03-10 知识产权基本法
擦亮“双奥之城”品牌

2022-03-10 双奥，知识产权
让冰雪运动“热”力全开

2022-03-10 冰雪运动，知识产权
携手共奋进　走好强国路

2022-03-10 强国，知识产权
坚持创新引领　方能稳中求进

2022-03-10 创新，稳中求进，知识产权
答好“两张卷” 奋进新征程

2022-03-10 知识产权
专家解读政府工作报告中的创新和知识产权相关部署

2022-03-10 政府工作报告，创新，知识产权
今年政府工作报告指出：加强知识产权保护和运用

2022-03-10 政府工作报告，知识产权保护

一种结合LTCD和Hu不变矩的COG中bump的分割方法

阅读：767发布：2021-03-01

IPRDB可以提供一种结合LTCD和Hu不变矩的COG中bump的分割方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种结合LTCD和Hu不变矩的COG中bump的分割方法，属于数字图像处理领域，应用于COG制作过程中的ACF粒子自动光学检测。本方法结合了改进LTCD方法的特征和Hu不变矩适合描述图像的形状特征的特点，能自动提取不规则形状bump，避免了ACF粒子自动光学检测过程中bump区域的人工框选,从而避免了人工框选的误差,提高了检测速度和精度,可以广泛的应用于COG制造中的自动光学检测。，下面是一种结合LTCD和Hu不变矩的COG中bump的分割方法专利的具体信息内容。

权利要求

1.一种改进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。

2.如权利要求1所述的一种改进LTCD和Hu不变矩的COG中bump的分割方法，其特征在于所述步骤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。

3.如权利要求1或2所述的一种改进LTCD和Hu不变矩的COG中bump的分割方法，其特征在于所述步骤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)2M4＝(η30+η12)2+(η21+η03)2M5＝(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η212

+η03) ]

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。

4.如权利要求1或2所述的一种改进LTCD和Hu不变矩的COG中bump的分割方法，其特征在于所述步骤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；若该点为正确点，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。

说明书全文

一种结合LTCD和Hu不变矩的COG中bump的分割方法

技术领域

[0001] 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

[0002] 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 On Glass,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(Indium
Tin 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

[0003] 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。

[0004] 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：

[0005] 步骤1：采集COG绑定区域灰度图像；

[0006] 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；

[0007] 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；

[0008] 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；

[0009] 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；

[0010] 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；

[0011] 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；

[0012] 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；

[0013] 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。

[0014] 步骤4的具体方法为：

[0015] 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；

[0016] 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；

[0017] 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；

[0018] 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：

[0019]

[0020] 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；

[0021] 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。

[0022] 步骤5的具体方法为：

[0023] 步骤5-1：计算模板图像的7个Hu不变矩M1～M7，分别为：

[0024] M1＝η20+η02

[0025]

[0026] M3＝(η30-3η12)2+(3η21-η03)2

[0027] M4＝(η30+η12)2+(η21+η03)2

[0028] M5＝(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]

[0029] M6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)

[0030] M7＝(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η12-η03)(η21+η03)[3(η30+η12)2-2
(η21+η03) ]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；

[0031] 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；

[0032] 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：

[0033]

[0034] 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；

[0035] 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。

[0036] 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：

[0037] 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：

[0038]

[0039] 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；

[0040] 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。

[0041] 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：

[0042] (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。

[0043] (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。

[0044] (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

[0045] 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

[0046] 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：

[0047] 步骤1：采集COG绑定区域灰度图像；

[0048] 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；

[0049] 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；

[0050] 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；

[0051] 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：

[0052] Di＝(xavg-xi)2,

[0053]

[0054] 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；

[0055] 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：

[0056]

[0057] 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；

[0058] 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；

[0059] 步骤4-3：采用卡方计算H1和H2相似度，相应的计算方法为：

[0060]

[0061] 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。

[0062] 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，

[0063] 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；

[0064] 步骤5-1：计算Image_2的7个Hu不变矩M1～M7，分别为：

[0065] M1＝η20+η02

[0066]

[0067] M3＝(η30-3η12)2+(3η21-η03)2

[0068] M4＝(η30+η12)2+(η21+η03)2

[0069] M5＝(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]

[0070] M6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)

[0071] 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。

[0072] 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。

[0073] 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：

[0074]

[0075] 其中，Hu1i表示Hu1i的第i维分量；Hu2i表示Hu2i的第i维分量；

[0076] 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。

[0077] 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；

[0078] 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：

[0079]

[0080] 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；

[0081] 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。

[0082] 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；

[0083] 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。

[0084] 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。

标题	发布/更新时间	阅读量
一种自动光学检测仪-专利编号CN106767539A	2020-05-13	477
一种自动光学检测系统-专利编号CN105043982A	2020-05-13	1014
一种自动光学检测装置-专利编号CN107561090A	2020-05-13	539
自动光学检测方法-专利编号CN109387518A	2020-05-12	812
自动光学检测设备-专利编号CN108375582A	2020-05-12	834
自动光学检测机-专利编号CN107796336A	2020-05-11	279
一种自动光学检测设备-专利编号CN109991243A	2020-05-12	622
自动光学检测机-专利编号CN206113885U	2020-05-11	344
自动光学检测仪-专利编号CN208688970U	2020-05-11	241
自动光学检测仪-专利编号CN202994201U	2020-05-11	862

一种结合LTCD和Hu不变矩的COG中bump的分割方法

一种结合LTCD和Hu不变矩的COG中bump的分割方法

技术领域

背景技术

发明内容

附图说明

具体实施方式

IPRDB

热门服务

关于我们

友情链接

联系方式