利用改善的预处理的用于白色点斑检测的系统和方法与流程

本申请要求2017年12月15日提交的美国临时专利申请第62/599,249号以及2018年3月26日提交的美国临时专利申请第62/648,288号的优先权和权益，其全部内容通过引用整体并入本文。

本申请涉及2018年3月1日提交的美国专利申请第15/909,893号，其全部内容通过引用整体并入本文。

本公开的一些实施例总体上涉及一种显示器缺陷检测系统。

背景技术：

随着显示器分辨率和像素密度的增加，执行缺陷检测的难度也增加了。人工缺陷检测对于现代制造设施太耗时，而自动化检查技术通常是低效率的。例如，在自动化表面检查中，当局部异常与它们的规则周围邻域具有不同的对比度时，可以容易地识别均匀(例如非纹理)表面中的缺陷。然而，当缺陷与它们的周围环境不具有清晰的边缘并且背景呈现不均匀的照明时，低对比度图像中的缺陷难以被检测。

一种常见类型的显示器缺陷是“斑点(mura)”。斑点是具有局部亮度非均匀性的一大类缺陷。根据斑点的大小和通常形状，斑点可以粗略地被分类为线条斑、点斑和区域斑。每类斑点可能不具有明显的边缘并且可能在图像中不容易显现。因此，使用自动化测试系统识别斑点在过去已经被证明是困难的。因此，需要一种识别斑点缺陷的新方法。

在各个实施例中，将某些实例分类为具有斑点或不具有斑点可能是格外困难的。例如，“高点(highdot)”实例是单个像素或小的像素组呈现白色的情况。在许多情况下，这些“高点”实例不代表斑点，而是代表显示器玻璃上或由摄像机噪声引入的污点。在另一示例中，“黑点”实例包括白斑内部的黑点。“高点”和“黑点”这两个实例都可导致白色点斑的错误分类。

以上信息仅是为了增强对本公开的实施例的背景的理解，并且因此可以包含不形成现有技术的信息。

技术实现要素：

本公开的一些实施例提供了一种用于显示器中的斑点缺陷检测的系统和方法。在各个实施例中，系统包括：存储器和被配置成执行存储在存储器上的指令的处理器。所述指令当由处理器执行时使处理器：通过使用第一图像过滤器过滤输入图像来生成第一过滤的图像；使用第一过滤的图像来确定第一潜在候选者位置；通过使用第二图像过滤器过滤输入图像来生成第二过滤的图像；使用第二过滤的图像来确定第二潜在候选者位置；并且产生候选者位置的列表，其中候选者位置的列表包括第一潜在候选者位置和第二潜在候选者位置两者中的位置。

在各个实施例中，第一图像过滤器包括中值过滤器，并且第二图像过滤器包括高斯过滤器。

在各个实施例中，系统针对每个候选者位置生成图像图块，其中每个图块包括输入图像的位于候选者位置的中心的部分。

在各个实施例中，系统进一步包括针对图像图块中的每一个图像图块提取特征向量。

在各个实施例中，系统进一步包括使用机器学习分类器、使用特征向量对图像图块进行分类，以确定图像图块何时具有白色点斑。

在各个实施例中，机器学习分类器包括支持向量机。

在各个实施例中，确定潜在候选者位置包括：在第一过滤的输入图像中识别至少一个局部极大值候选者；将每个所识别的局部极大值候选者添加到候选者列表中；以及当局部极大值候选者具有小于噪声容差阈值的值时，通过从候选者列表中移除每个局部极大值候选者而过滤候选者列表中的局部极大值候选者。

在各个实施例中，系统进一步被配置成对输入图像进行预处理，其中对输入图像进行预处理包括：对输入图像执行高斯平滑以及通过将平滑后的输入图像的动态范围映射到期望的范围，对平滑后的输入图像进行归一化。

在各个实施例中，一种用于识别显示器中的斑点候选者位置的方法，包括：通过使用第一图像过滤器过滤输入图像来生成第一过滤的图像；使用第一过滤的图像来确定第一潜在候选者位置；通过使用第二图像过滤器过滤输入图像来生成第二过滤的图像；使用第二过滤的图像来确定第二潜在候选者位置；以及产生候选者位置的列表。在各个实施例中，候选者位置的列表包括第一潜在候选者位置和第二潜在候选者位置两者中的位置。

在各个实施例中，第一图像过滤器包括中值过滤器，并且第二图像过滤器包括高斯过滤器。

在各个实施例中，方法进一步包括：针对每个候选者位置生成图像图块。在各个实施例中，图像图块每个包括输入图像的位于候选者位置的中心的部分。

在各个实施例中，方法进一步包括针对图像图块中的每一个图像图块提取特征向量。

在各个实施例中，方法进一步包括：使用机器学习分类器、使用特征向量对图像图块进行分类，以确定图像图块何时具有白色点斑。

在各个实施例中，机器学习分类器包括支持向量机。

在各个实施例中，确定潜在候选者位置包括：在第一过滤的输入图像中识别至少一个局部极大值候选者；将每个所识别的局部极大值候选者添加到候选者列表中；以及当局部极大值候选者具有小于噪声容差阈值的值时，通过从候选者列表中移除每个局部极大值候选者而过滤候选者列表中的局部极大值候选者。

在各个实施例中，方法进一步包括对输入图像进行预处理。在各个实施例中，预处理包括：对输入图像执行高斯平滑；以及通过将平滑后的输入图像的动态范围映射到期望的范围，对平滑后的输入图像进行归一化。

在各个实施例中，一种用于识别显示器中的斑点候选者位置的方法，包括：通过使用第一图像过滤器过滤输入图像来生成第一过滤的图像；使用第一过滤的图像来确定第一潜在候选者位置；通过使用第二图像过滤器过滤输入图像来生成第二过滤的图像；使用第二过滤的图像来确定第二潜在候选者位置；产生候选者位置的列表，候选者位置的列表包括第一潜在候选者位置和第二潜在候选者位置两者中的位置；针对每个候选者位置生成图像图块，图像图块每个包括输入图像的位于候选者位置的中心的部分；针对图像图块中的每一个图像图块提取特征向量；以及使用机器学习分类器、使用特征向量对图像图块进行分类，以确定图像图块何时具有白色点斑。

在各个实施例中，第一图像过滤器包括中值过滤器，并且第二图像过滤器包括高斯过滤器。

在各个实施例中，机器学习分类器包括支持向量机。

在各个实施例中，确定潜在候选者位置包括：在第一过滤的输入图像中识别至少一个局部极大值候选者；将每个所识别的局部极大值候选者添加到候选者列表中；以及当局部极大值候选者具有小于噪声容差阈值的值时，通过从候选者列表中移除每个局部极大值候选者而过滤候选者列表中的局部极大值候选者。

附图说明

从以下结合附图的描述可以更详细地理解一些实施例，其中：

图1a描绘根据本公开的各个实施例的系统概要；

图1b描绘根据本公开的各个实施例的用于对分类器进行训练的系统概要；

图2描绘根据本公开的各个实施例的对图像进行分类的方法；

图3描绘根据本公开的各个实施例的将图像划分成图像图块的示意图；

图4描绘根据本公开的各个实施例的利用候选者检测器将图像划分成图像图块的示意图；

图5a描绘根据本公开的各个实施例的具有候选者检测器的系统概要；

图5b描绘根据本公开的各个实施例的候选者检测器的更详细的视图；

图6描绘根据本公开的各个实施例的识别点斑的潜在实例(例如候选者)的方法；

图7a描绘图像上的“高点”实例。图7b描绘图像上的“黑点”实例；

图8描绘根据本公开的各个实施例的包括图像过滤系统的斑点检测系统；

图9描绘根据本公开的各个实施例的过滤系统；

图10描绘根据各个实施例的识别白色点斑候选者的方法；

图11描绘根据本公开的各个实施例的具有多个过滤器和候选者检测器的过滤系统。

具体实施方式

通过参照实施例的以下详细描述和附图，可以更容易地理解本发明构思的特征以及实现其的方法。下文中，将参照附图更详细地描述实施例，其中贯穿全文，相同的附图标记指相同的元件。然而，本公开可以以各种不同形式体现，并且不应被解释为仅限于本文所图示的实施例。相反，提供这些实施例作为示例，以便本公开将是全面的和完整的，并且将向本领域技术人员完全传达本公开的方面和特征。因此，可以不描述对于本领域普通技术人员完全理解本公开的方面和特征并非必须的过程、元件和技术。除非另外说明，否则贯穿所附附图和撰写的说明书，相同的附图标记表示相同的元件，并且因此，将不重复对其的描述。在附图中，为了清楚起见，可以夸大元件、层和区域的相对尺寸。

在以下描述中，为了解释的目的，阐述了数个具体细节以提供各个实施例的全面理解。然而，显而易见的是，可以在没有这些具体细节或者具有一个或多个等同设置的情况下来实践各个实施例。在其他情况下，以框图的形式示出公知的结构和设备，从而避免不必要地模糊各个实施例。

本公开的实施例包括一种用于显示器上的斑点检测的系统和方法。在各个实施例中，系统接收示出测试图像的显示器的输入图像。所接收的输入图像可以被划分成图像图块。在各个实施例中，系统可以利用候选者检测器对图像进行预处理并且基于缺陷候选者的位置而生成图像图块，候选者检测器识别显示器的具有缺陷候选者的区域。在各个实施例中，缺陷检测器还过滤与“高”点错误(例如，单个像素或小部分的像素是白色并且通常与显示器的玻璃上的污点或摄像机噪声相对应的错误)以及在白斑的内部具有黑点的“黑点”错误相关的潜在候选者。使用候选者检测器过滤出更多的候选者通过简化分类而允许更好的分类准确度，并且尽管会增加预处理时间，但减少总的系统运行时间。

图1a描绘根据本公开的各个实施例的系统概要。图1b描绘根据本公开的各个实施例的用于对分类器进行训练的系统概要。图2描绘根据本公开的各个实施例的对图像进行分类的方法。

参照图1a、图1b和图2，在各个实施例中，斑点检测系统在预处理器100处接收输入图像(200)。输入图像可以例如包括示出测试图像的显示器的图像。摄像机可以用于通过获取显示测试图像的有机发光二极管显示器(oled)的照片而生成测试图像。在各个实施例中，测试图像可以包括可能引起显示器呈现白色点斑的实例的图像。例如，测试图像可以是呈现低对比度水平的均匀图像。输入图像也可以分辨率足够高以示出正在被检查缺陷(例如白色点斑)的显示器的单个像素。在各个实施例中，预处理器100可以被配置成接收输入图像，并且执行平滑以减小图像中的噪声。在减小了输入图像中的噪声之后，预处理器100可以被配置成将图像划分成多个图像图块(210)。各图像图块中的每一个图像图块可以随后被供应至特征提取器110。

在各个实施例中，特征提取器110被配置成针对供应的图像图块计算各个统计特征(220)。例如，统计特征可以包括一个或多个图像矩(例如像素强度的加权平均)和一个或多个纹理测量值(例如使用灰度共生矩阵(glcm)的纹理分析)。例如，在各个实施例中，由特征提取器110提取包括各个图像矩和glcm纹理特征的37个统计特征。在各个实施例中，特征提取器110可以被配置成针对每个图像图块计算mu30矩(第3阶质心矩)、对比度(glcm)、hu5矩(hu矩)、hu1矩(第一hu不变矩)以及相关性/相异性(glcm)。

在各个实施例中，每个图像图块提取的统计特征作为输入被提供至分类器120(230)。在各个实施例中，分类器120是使用所提取的特征(例如特征向量)和标签分类信息以识别缺陷(例如斑点)的实例的机器学习分类器(240)。在各个实施例中，分类信息通过对分类器120进行训练而被供应。

在各个实施例中，分类器120利用受监督学习模型并且因此在实现功能之前被训练。在一些实施例中，在分类器120中使用的受监督学习模型是支持向量机。可以通过在训练阶段期间提供人工输入130至分类器120而对受监督学习模型(例如支持向量机)进行训练。例如，针对每个图像图块，人员可以视觉地检查图块并且标记白色点斑的任何实例。图像图块也提供至特征提取器110。针对图像图块提取的特征向量以及对应的人工检查的和标记的图块两者都提供至分类器120。分类器120利用这些提供的图块来生成分类信息(即构建模型)以稍后用于分类。

图3描绘根据本公开的各个实施例的将图像划分成图像图块的示意图。

参照图3，在各个实施例中，白色点斑检测系统可以将输入图像划分成多个图像图块301-331。在各个实施例中，输入图像包括显示器的相对高分辨率的图像。例如，显示器可以具有qhd(2560x1440)分辨率，并且输入图像可以包括足够高的分辨率以描绘qhd显示器的单个像素。在各个实施例中，预处理器可以将输入图像划分成32个显示像素乘以32个显示像素的图块(例如图块包括描绘来自显示器的总共1024个像素的图像)。在一些实施例中，图块可以使用包括重叠图块的滑动窗口方法。例如，图像图块可以由任何数目的像素重叠(例如图块可以通过滑动单个像素、两个像素等而重叠)。例如，图3包括在两个方向(例如x方向和y方向)上半重叠的图块。在每个示例中，图像图块在x方向和/或y方向上滑动以产生重叠图块的新集合。例如，图块的第一集合300包括覆盖整个输入图像的32个像素乘以32个像素的非重叠图像图块。图块的第一集合300包括在输入图像的左上角中的图块301、直接在图块301右侧的图块302、以及直接在图块301下方的图块303。图块的第二集合310在x方向上与图块的第一集合300半重叠(例如图块的第二集合310偏移至右侧16个像素)。例如，图块311在x方向上(例如向右侧)从图块301偏移16个像素，并且与图块301和图块302半重叠。

图块的第三集合320已经向下偏移16个像素并且与图块的第一集合300半重叠。例如，图块321相对于图块301向下(例如在y方向上)偏移16个像素，并且与图块301和图块303半重叠。图块的第四集合330相对于图块的第二集合310向下偏移16个像素。因此，图块331与图块311和图块313半重叠。图块331还与图块321和图块322半重叠。

由于创建了大量图像图块，因此利用覆盖整个输入图像的半重叠图像图块可能是低效率的。大量图块对于训练目的是特别麻烦的，因为受监督学习模型可以针对每个图像图块具有人工输入。此外，有时图像图块沿着图块的外周产生缺陷。具有包括在每个图块中居中的缺陷的图块可能针对更可靠的分类是优选的。

图4描绘根据本公开的各个实施例的利用候选者检测器将图像划分成图像图块的示意图。

参照图4，在各个实施例中，输入图像400可以使用斑点候选者检测器划分成多个图像图块。例如，在各个实施例中，输入图像400可以包括白色点斑410、420、430中的一个或多个实例。在上面关于图3描述的实施例中，将生成覆盖整个输入图像400的多个图块405。在一些情况下，白色点斑的实例可以位于一个或多个图像图块的边缘附近或者与一个或多个图像图块的边缘重叠。例如，白色点斑的第一实例410位于图像图块412和图像图块414(两者都被标记为1以显示白色点斑的实例)的边缘处。白色点斑的第二实例430位于图像图块432的边缘处。在此示例中，白色点斑的第三实例420位于图像图块422的中心附近。在一些情况下，具有朝向图像图块侧边定位的白色点斑的实例的图像图块与白色点斑位于图像图块的中心的情况可以具有不同的统计模型特征。因此，可能需要对机器学习模型进行训练以有效地识别每个边缘情况。对模型进行训练以识别每个边缘情况可能是时间密集的，并且可能要求针对监督的机器学习模型的大量的人工监督。进一步，使用滑动方法以生成图像图块可能生成非常大量的图像图块，这要求更高的用于分类的处理时间。因此，为了减少训练和处理时间而同时提高精确性，可以利用点斑候选者检测器。

在各个实施例中，利用点斑候选者检测器以识别点斑的潜在实例，并且生成在图像图块的中心处具有点斑的潜在实例的图像图块。例如，点斑候选者检测器可以被配置成识别点斑的潜在实例并且在那些潜在实例的位置处生成图块，而不是将整个输入图像400分成相对大量的图块405。例如，可以由点斑候选者检测器识别点斑的实例或潜在实例410、420和430，并且可以生成图像图块416、424和434以包括点斑的实例或潜在实例，如将关于图5a和图5b进一步详细描述的。在各个实施例中，使用点斑候选者检测器可以由于减小了发送至分类器的图像图块的数目而减少总的系统处理时间。此外，当与描述的滑动窗口方法相比较时，总的图像图块的减少还可以减少训练时间。

图5a描绘根据本公开的各个实施例的具有候选者检测器的系统概要。图5b描绘根据本公开的各个实施例的候选者检测器的更详细的视图。图6描绘根据本公开的各个实施例的识别点斑的潜在实例(例如候选者)的方法。

参照图5a，在各个实施例中，系统可以包括被配置用于缺陷候选者检测的预处理器500。在各个实施例中，预处理器500包括噪声减小器510和候选者检测器520。在各个实施例中，噪声减小器510可以执行高斯平滑以减小输入图像的噪声。噪声减小器510也可以通过将图像的动态范围映射至期望的动态范围而归一化输入图像。例如，在各个实施例中，噪声减小器510可以执行线性归一化、非线性归一化，或者可以使用标准偏差来进行归一化。

在输入图像已经被平滑并且被归一化之后，候选者检测器520可以识别潜在的缺陷候选者，并且生成在中心处具有候选者的图像图块。在各个实施例中，候选者检测器520可以识别局部极大值并且创建局部极大值位置的列表。

参照图5b，在各个实施例中，候选者检测器520可以包括局部极大值查找器530和图像图块生成器570。在各个实施例中，局部极大值查找器530被配置成查找白色点斑的定位的潜在实例(例如候选者)并且将位置(例如白色点斑的潜在实例的中心)提供至图像图块生成器570。在各个实施例中，图像图块生成器570接收候选者的位置并且生成在该位置周围的图像图块以用于分类。

在各个实施例中，局部极大值查找器530包括局部极大值计算器540。局部极大值计算器540被配置成识别输入图像中的每个局部极大值(s600)。在各个实施例中，局部极大值计算器540被配置成分析整个输入图像或者输入图像的一部分，以创建局部极大值候选者位置(例如每个局部极大值的中心位置)的列表。在一些示例中，局部极大值计算器540可以被配置成迭代遍历输入图像并且识别预定区域内的最大亮度的位置。例如，如果系统利用32个像素乘以32个像素的图像图块以用于分类，则局部极大值计算器540可以被配置成识别在输入图像的每个32x32像素区域内的极大值(例如在区域内具有最高亮度的点)。

在各个实施例中，可以为局部极大值排序550提供局部极大值的列表。在各个实施例中，局部极大值排序550被配置成按照值(例如亮度)对局部极大值列表进行排序(s610)。随后，可以将排序后的局部极大值列表提供至噪声容差过滤器560。在各个实施例中，噪声容差过滤器560被配置成从局部极大值列表移除跌落至噪声容差水平之下的任何局部极大值候选者(s620)。例如，噪声容差阈值可以被配置成使得当局部极大值不通过大于噪声容差阈值而从周围环境突出(例如比周围区域更亮)时，丢弃该局部极大值。例如，可以将用于是否接受局部极大值作为候选者的阈值设定在极大值(例如区域的最大值)减去噪声容差阈值处，并且可以分析围绕极大值的连续区域。例如，在各个实施例中，可以使用泛洪填充算法来识别高于噪声容差阈值的每个极大值并且识别给定区域的每个极大值(例如在一些实施例中，可以仅允许区域的一个极大值)。

在各个实施例中，可以将局部极大值位置的列表提供至图像图块生成器570，图像图块生成器570随后生成图像图块，每个图像图块具有位于该图像图块的相对中心处的点斑候选者(例如过滤的局部极大值)(s630)。随后，可以输出图像图块以用于特征提取和分类(s640)。

图7a描绘图像上的“高点”实例。图7b描绘图像上的“黑点”实例。

参考图7a和图7b，在各个实施例中，输入图像可以包括类似于白色点斑的一个或多个属性，但不限于此。例如，第一图像700可以包括并非白色点斑的实例的小白斑710。例如，小白斑可以在大小方面是一个至若干个像素(例如，输入图像中像素的总数量的相对小部分)。这些“高点”实例可以被认为是显示器的玻璃、摄像机镜头上的污点或可以被认为是摄像机噪声。类似的，在另一示例中，第二图像720可以包括也不是白色点斑的实例的具有黑点的白斑730。具有黑点的白斑可以由各种工艺异常引起，但与白色点斑不相关。在任一情况下，诸如上面描述的分类器之类的分类器可能难以正确的分类小白斑710，具有黑点的白斑730以及其他类似于白斑但与白色点斑不关联的相似属性。这些各种白斑对于分类器可能是难以正确分类的，并因此降低系统准确度。在各个实施例中，图像过滤系统可以在候选者检测期间被利用以使用一个或多个过滤器移除“高点”、“黑点”和其他非白色斑点实例作为白色点斑的候选者。

图8描绘根据本公开的各个实施例的包括图像过滤系统的斑点检测系统。

参考图8，在各个实施例中，斑点检测系统可包括用于改善分类的图像过滤系统。在各个实施例中，图像过滤系统用于过滤输入图像以便进行候选者检测。例如，在各个实施例中，预处理器800接收输入图像并且执行如上所述的图像归一化。在各个实施例中，预处理器800将归一化后的输入图像提供至过滤器810和特征提取器830。

在各个实施例中，过滤器810包括用于移除输入图像的可被不正确地分类为白色斑点的部分的一个或多个过滤器。例如，过滤器810可被配置成执行各种类型的图像平滑、降噪或其他功能，以移除与斑点不关联的图像属性的。例如，在各个实施例中，过滤器810可包括线性过滤器、非线性过滤器或其他类型的过滤器。例如，在各个实施例中，过滤器810可以是中值过滤器、高斯过滤器、卡尔曼(kalman)过滤器、非局部均值过滤器、fir过滤器、低通过滤器或任何其他过滤器。在各个实施例中，过滤器810接收并且过滤归一化后的图像以移除错误的候选者(例如，错误的白色点斑候选者)。

在各个实施例中，候选者检测器820接收过滤的图像并且确定白色点斑候选者的位置(如上面参考局部极大值查找器530描述的)。候选者检测器820将白色点斑候选者的位置提供至特征提取器830。

在各个实施例中，特征提取器830接收候选者位置和预处理的(例如，归一化后的)输入图像。在各个实施例中，特征提取器830使用预处理的输入图像、基于提供的候选者位置生成图像图块。然后，特征提取器830计算图像图块中的每一个图像图块的统计特征。例如，统计特征可以包括一个或多个图像矩(例如，像素的强度的加权平均)以及一个或多个纹理测量值(例如，使用灰度共生矩阵(glcm)的纹理分析)。然后，特征向量被提供至分类器120以用于进行分类。

图9描绘根据本公开的各个实施例的过滤系统。图10描绘根据各个实施例的识别白色点斑候选者的方法。

参考图9和图10，在各个实施例中，斑点检测系统可利用具有多个过滤器和候选者检测器的过滤系统以通过对输入图像进行平滑/降噪而从输入图像移除错误的候选者。例如，在各个实施例中，过滤系统具有多个过滤器910-940以及多个候选者检测器950-980。例如，在各个实施例中，每个过滤器910-940可以与对应的候选者检测器950-980配对。在各个实施例中，每个过滤器910-940可利用不同的降噪或图像平滑过滤器。例如，在各个实施例中，第一过滤器910可以是中值过滤器，第二过滤器920可以是高斯过滤器，第三过滤器930可以是非局部均值过滤器，并且第四过滤器940可以是fir过滤器。在各个实施例中，相同的过滤器类型可以用不同参数使用不止一次。例如，在各个实施例中，多个中值过滤器可被使用，其中中值过滤器中的每个具有不同的窗口大小，或者具有不同的标准偏差的多个高斯过滤器可被使用。

在各个实施例中，输入图像(例如，归一化后的输入图像)被提供至过滤器910-940中的每一个(s1000)。在各个实施例中，过滤器910-940中的每一个接收输入图像并产生被提供至候选者检测器950-980的过滤的图像(s1010)。在各个实施例中，过滤器910-940中的每一个并行操作(例如，基本同时地)。每个候选者检测器950-980接收过滤的图像，被配置成如上所述参考局部极大值查找器530查找局部极大值。在各个实施例中，候选者检测器950-980每个将任何潜在候选者位置提供至交叉点990(s1020)。在各个实施例中，候选者检测器950-980中的每一个并行操作(例如，基本同时地)。

在各个实施例中，交叉点990识别由多个候选者检测器950-980识别的候选者位置并输出所识别的候选者位置的列表以用于进行特征提取(s1030)。例如，在各个实施例中，交叉点990识别每个候选者检测器950-980提供的候选者的位置。在其他实施例中，交叉点990识别至少两个候选者检测器识别出的候选者的位置。

图11描绘根据本公开的各个实施例的具有多个过滤器和候选者检测器的过滤系统。

参考图11，在各个实施例中，斑点检测系统具有过滤系统，该过滤系统具有用于过滤输入图像的中值过滤器1110和高斯过滤器1120。在各个实施例中，中值过滤器可用于输入图像以用其邻居的中值替换图像值。在各个实施例中，中值过滤器对于移除图像中诸如“高点”实例和图像噪声的小的异常或者移除“黑点”实例中的黑点是有效的。在各个实施例中，高斯过滤器可被配置成根据高斯函数使图像模糊，导致图像的平滑以及图像中小的异常的减少。类似地，高斯过滤器对于移除图像中诸如“高点”实例和图像噪声的小的异常或者移除“黑点”实例中的黑点是有效的。

在各个实施例中，中值过滤器1110使用3个像素乘以3个像素的窗口。在各个实施例中，高斯过滤器1120使用3个像素乘以3个像素的窗口以及在x方向上大约2和在y方向上大约2的标准偏差。在各个实施例中，中值过滤器1110和高斯过滤器1120过滤整个输入图像。在各个实施例中，第一候选者检测器1130接收中值过滤的输入图像并执行候选者检测以生成潜在候选者位置的第一列表。在各个实施例中，第二候选者检测器1140接收高斯过滤的输入图像并执行候选者检测以生成潜在候选者位置的第二列表。在各个实施例中，交叉点1150将潜在候选者位置的第一列表与潜在候选者位置的第二列表进行比较，并且生成填充有出现在第一列表和第二列表两者的候选者位置的最终列表。然后，候选者位置的最终列表被输出以便进行特征提取和分类。

因此，本公开的上述实施例提供了一种用于识别显示器面板上的斑点的实例的系统和方法。在各个实施例中，过滤系统可减少被分类的候选者图像图块的数量。减少用于分类的图像图块的数量减少总的分类时间。另外，过滤系统通过移除可被不正确地分类为白色点斑的图像属性来提高总的分类准确度。

前述是示例实施例的说明，并且不应被解释为对示例实施例的限制。尽管已经描述了几个示例实施例，但是本领域技术人员将容易知晓，在本质上不脱离示例实施例的创新性教导和优点的情况下，在示例实施例中许多修改是可能的。因此，所有这些修改意在包括在如权利要求所限定的示例实施例的范围内。在权利要求中，装置加功能从句意在覆盖本文描述为执行所记载的功能的结构，且不仅是结构的等同形式而且也包括等同的结构。因此，要理解的是，前述是示例实施例的说明，并且不应被解释为限于所公开的具体实施例，而且对所公开的示例实施例以及其他示例实施例的修改意在包括在所附权利要求的范围内。本发明构思由以下权利要求限定，具有包括在其中的权利要求的等同形式。

本文所使用的术语仅为了描述特定实施例的目的，并且不意在限制本公开。如本文所使用的，单数形式“一”意在也包括复数形式，除非上下文另外明确指示。应该进一步理解，当在说明书中使用时，术语“包括”、“具有”和“包含”指明所述特征、整数、步骤、操作、元件和/或部件的存在，但是不排除一个或多个其他特征、整数、步骤、操作、元件、部件和/或其组合的存在或附加。如本文所使用的，术语“和/或”包括一个或多个相关所列项的任何和所有组合。

如本文所使用的，术语“基本上”、“大约”、“近似”和类似术语被用作近似术语，并且不被用作程度术语，而且意在考虑由本领域普通技术人员所熟知的测量或计算的值中的固有偏差。考虑所讨论的测量和与特定量的测量相关联的误差(也即测量系统的限制)，如本文所使用的，“大约”或“近似”包括所述值并且意味着在由本领域普通技术人员所确定的特定值的可接受偏差范围内。例如，“大约”可以意味着在一个或多个标准偏差内或在所述值的±30％、20％、10％、5％内。进一步，当描述本发明的实施例时，“可以”的使用指“本发明的一个或多个实施例”。进一步，当描述本公开的实施例时，“可以”的使用涉及“本公开的一个或多个实施例”。如本文所使用的，术语“使用”、“正在使用”和“被使用”可以视为分别与术语“利用”、“正在利用”和“被利用”含义相同。此外，术语“示例性的”意在指示例或说明。

当可以不同地实施某实施例时，可以与所描述的顺序不同地执行特定过程顺序。例如，两个连续描述的过程可以基本上同时执行，或者以与所描述的顺序相反的顺序执行。

根据本文描述的本公开实施例的电子或电气设备和/或任何其他相关设备或部件可以利用任何合适的硬件、固件(例如专用集成电路)、软件、或者软件、固件与硬件的组合来实施。例如，这些设备的各个部件可以形成在一个集成电路(ic)芯片上或者形成在分离的ic芯片上。进一步，这些设备的各个部件可以实施在柔性印刷电路膜、带载封装(tcp)、印刷电路板(pcb)上，或形成在一个基板上。进一步，这些设备的各个部件可以是运行在一个或多个计算设备中的执行计算机程序指令并且与其他系统部件交互的一个或多个处理器上的、用于实施本文描述的各个功能的进程或线程。计算机程序指令存储在存储器中，存储器可以使用标准存储器设备(诸如例如随机访问存储器(ram))而在计算设备中实施。计算机程序指令也可以存储在其他非瞬态计算机可读介质中，其他非瞬态计算机可读介质诸如例如cd-rom、闪存驱动等。此外，本领域技术人员应该认识到，各个计算设备的功能可以组合或集成至单个计算设备中，或者特定计算设备的功能可以分布在一个或多个其他计算设备上而不脱离本发明的示例性实施例的精神和范围。

除非另外限定，本文使用的所有术语(包括技术术语和科学术语)具有与本发明所属技术领域的普通技术人员通常理解的含义相同的含义。应该进一步理解，术语(诸如在常用字典中限定的那些术语)应该被解释为具有与在相关领域和/或本发明说明书的上下文中它们的含义一致的含义，并且不应以理想化或过度正式的形式解释，除非本文明确地如此限定。