摘  要： 针对OLED显示屏的自动化缺陷检测问题，提出了一种新的检测方法。首先，基于显示屏的原图像，提取其骨架信息，进行分块处理后快速地与模板图像配准，通过差影法实现斑痕缺陷的初次提取。然后通过大津法确定图像的阈值，将图像分割并进行差影操作后，实现斑痕缺陷的检测；最后，通过列举的实例，验证了本方法的有效性。
关键词： 显示屏；斑痕缺陷；细化；图像配准；大津法

　OLED(Organic LED)显示屏作为新一代的显示设备，随着生产工艺的日趋完善，目前已广泛应用于MP3、手机、数码相机等低功耗的设备中。在基于图像处理的自动化检测过程中，为保证产品的质量，生产商迫切需要一种有效的算法，以快速抓取和识别显示屏中存在的各种缺陷。在OLED显示屏的各种缺陷中，斑痕缺陷(也称其为Mura缺陷)是最常见、最复杂的，同时也是最难检测的一种缺陷[1-2]。主要表现为对比度低、边界模糊、形状多样、亮度显示不均匀等特征。因此，如何有效地检测斑痕缺陷已成为OLED显示屏制造过程的关键环节。
　近年来，随着图像处理理论的发展，相关研究人员已提出了很多检测算法。Yen PingLang等提出了基于背景图像重建的检测方法[3]，KUO C C.提出了利用离散余弦变换滤除背景图像的方法[4]。由于斑痕缺陷的对比度低、边界模糊、形状不定，再加上显示屏本身的发光亮度难以达到完全均匀、CCD噪声等因素的影响，给提取斑痕缺陷增加了难度，应用常规的阈值分割、边缘提取等方法已不能有效地提取斑痕缺陷。
针对这一问题，本文提出了一种新的斑痕缺陷检测方法。在系统启动阶段，根据所采集图像创建理想模板，利用细化技术提取OLED显示屏的骨架信息，实现模板图像与原始图像的快速配准，并进行相减运算；然后，通过大津法(即最大类间方差法或称为OTSU算法)确定的阈值，分割相减以后的图像，可以有效地提取出斑痕缺陷。该算法流程如图1所示。
1 显示屏骨架模版的提取
　骨架(Skeleton)又称中轴(Medial Axis)，是图形几何形态的一种重要拓扑描述。骨架是一种线型的几何体，它

式中，S(i，j)为原始图像，T(i，j)为模板图像，D(i，j)为差影后的图像。
　在实际缺陷算法中，依据图4中的每一个点作为控制点，将原始图像与小的模板图像采用差影法，求得整幅图像的差影图像，差影法检测流程如图5所示。采用这一差影检测方法，将图2所示原图像经差影处理后的图像如图6所示。

　在递归调用过程中，t=t+1，直至递归结束，t=254。该算法进行递推改进后可提高计算效率80%。
4 缺陷图像实例

　实验表明，本文提出的以显示屏骨架为基准的图像配准与检测技术能够有效地提取出显示屏的斑痕缺陷。在算法的处理效率方面，以Visual Studio 2008为开发环境，在配置为CPU T6500、内存2 GB的笔记本上测试一幅分辨率为1280×960的图像，算法所耗时间为282 ms，其中骨架提取约219 ms，差影法约16 ms，大津法(OTSU算法)约2 ms。
　本文在传统的差影法的基础上，对图像配准时的搜索策略进行改进，提出了一种基于骨架模板配准的OLED显示屏斑痕缺陷检测方法，利用分块配准的方式，解决了配准时显示屏小角度的旋转所带来的影响，能有效地检测显示屏的斑痕缺陷，且耗时短，可满足实时检测的要求。
参考文献
[1] 张昱，张健.基于多项式曲面拟合的TFT—LCD斑痕缺陷自动检测系统[J].光电工程，2006，33(10)：108-114．
[2] 唐剑，王大巍.B样条曲面拟合在Mura缺陷获取中的应用[J].现代显示，2008(89)：24-28.
[3] YEN P L. Automatic optical inspection on TFT-LCD mura defects using background image reconstruction [J]. Key Engineering Materials， 2008，364/366：400-403.
[4] KUO C C. Automatic TFT-LCD mura defect inspection using discrete cosine transform-based background filtering and ′just noticeable difference′ quantification strategies[J]. Measurement Science & Technology，2008，19(1)：015507-1-015507-10.
[5] 吕俊启.一种有效的二值图像细化算法[J].计算机工程，2003，29(18)：147-148.
[6] 苏小红，何志广，马培军.TFT—LCD微米级显示缺陷的自动检测算法[J].哈尔滨工业大学学报，2008，40(11)：1756-1760.
[7] OTSU N. A threshold selection method from gray-level histogram[J]. IEEE Transactions on System， Man， and Cybernetics， 1979，SMC-9(1)：62-66.
[8] 景晓军，蔡安妮，孙景鳌.一种基于二维最大类间方差的图像分割算法[J].通讯学报，2001，22(4)：71-76.
[9] 李了了，邓善熙.基于大津法的图像分块二值化算法[J].微型计算机信息，2005，21(8-3)：76-77.