一種基於樣本學習和人眼視覺特性的mura缺陷檢測方法與流程

2024-03-29 07:23:05 1

本發明屬於TFT-LCD顯示缺陷檢測技術領域，具體涉及一種基於樣本學習和人眼視覺特性的mura缺陷檢測方法。

背景技術：

TFT-LCD液晶顯示器上的mura缺陷就是一種典型的低對比度目標。Mura來源於日語，用來描述人觀看顯示器時感知到的亮度不均衡性。在視覺上，mura缺陷一般表現為可被人眼感知的、沒有固定形狀、邊緣模糊的低對比度區域。而伴隨著微電子技術的迅速發展，液晶顯示器正向著大畫面、低功耗、輕薄化、高解析度的方向發展。這樣的趨勢在帶來高視覺效果和便攜性等諸多優點的同時也會使得產生顯示缺陷的機率大大增加。當前國內LCD製造業對mura缺陷的檢測大多數都還未脫離人工檢測階段，由經過培訓的工人直接觀察確定LCD是否存在mura缺陷。但由於人工檢測成本較高，檢測時間較長，因此只能進行抽樣檢查，且人工評判標準不一，主觀性較強，長時間工作易造成人眼疲勞，這些缺點均成為限制產線生產效率及檢測精度提高的重要問題。同時人工檢測的準確率不可控，可靠性相對較低。綜上所述，研究一種快速、穩定且符合人眼視覺感知特性的低對比度缺陷的自動檢測、分級方法成為液晶顯示技術發展過程中急需解決的難題。

當前國內外研究學者已經提出多種mura檢測方法，研究方向主要可以分成3類：1)直接分割的方法；2)背景重建的方法；3)混合方法及其他方法。其中，直接分割的方法主要有離散小波變換、主動輪廓模型、各項異性擴散模型和水平集等，但是mura缺陷沒有明顯的邊緣，傳統的圖像分割算法很難準確地分割出目標區域。基於背景重建的方法主要有二維餘弦變換(discrete cosine transfer，DCT)、小波變換(wavelet transform，WT)、主成分分析PCA、奇異值分解SVD、稀疏性限制下的低秩矩陣重建等，例如Jun-Woo Yun等於2014年在《1st IEEE International Conference on Consumer Electronics-Taiwan》上發表的《Automatic mura inspection using the principal component analysis for the TFT-LCD panel》中提出先提取待測圖片中的信息作為樣本，然後分別提取行、列像素灰度分布組成樣本集，用PCA的方法分別訓練、重建背景，然後融合兩者的檢測結果。該方法只基於測試圖片本身的信息來重建背景，很容易受大小不一、對比度不一的mura缺陷區域的影響，因此無法重建出完美的背景圖像，特別是無法檢測出大面積的mura區域。混合方法及其他方法主要有小波分解與提取灰度共生矩陣結合的特徵分類方法，以及一種基於霍夫變換的非穩定性直線檢測方法，但此類方法只適用於定性缺陷檢測，僅能判斷缺陷的有無。

此外，在閾值分割部分，待分割的差分圖中可能包含了目標區域，整體均值和方差就會受到幹擾，傳統的閾值化方法無法準確地分割出mura區域。於是Fan等人於2010年在《Pattern recognition letters》發表的《Automatic detection of Mura defect in TFT-LCD based on regression diagnostics》中，先排除潛在mura區域的像素後再計算均值和方差，然後進行閾值化分割。但是潛在mura區域很難確定，很容易產生誤差。

經檢索，關於TFT-LCD的mura缺陷檢測方面的公開專利不多。如，申請人於2016年4月7日申請的申請號為201610213064.9的發明專利公開了一種基於ICA學習和多通道融合的TFT-LCD mura缺陷檢測方法，該申請案利用FastICA算法從樣本圖像中分離出的圖像基，並使用圖像基重建出背景圖像，然後對測試圖像與背景的差分圖像進行閾值化，並引入多色彩通道融合的檢測方案。該申請案能適應不同類型的mura缺陷檢測，過檢、漏檢現象較少，但其在算法穩定性和時間效率上有所欠缺。

技術實現要素：

1.發明要解決的技術問題

本發明的目的在於克服現有技術中通常採用人工對TFT-LCD液晶顯示器上的mura缺陷進行檢測，檢測成本相對較高，檢測時間長，檢測精度及產線生產效率較低，且現有mura缺陷自動檢測方法的檢測精度及檢測效率相對較低的不足，提供了一種基於樣本學習和人眼視覺特性的mura缺陷檢測方法。本發明挑選大量無缺陷樣本構建訓練樣本集，使用PCA算法從樣本集中提取代表背景結構信息的特徵向量，同時對背景重建和閾值計算聯合建模，基於對訓練樣本的學習，建立背景結構信息與閾值之間的關係模型，從而最大限度地降低了目標對閾值確定的影響，能夠獲得魯棒的檢測結果。在線檢測過程中，將測試圖像投影到特徵向量空間上，重構出背景圖像，再使用基於人眼視覺特性的閾值化模型準確分割出差分圖中的mura區域。在檢測速度方面，因為背景重建只是簡單的矩陣乘除算法，計算速度很快，滿足了工業生產對檢測速度的要求。

2.技術方案

為達到上述目的，本發明提供的技術方案為：

本發明的基於樣本學習和人眼視覺特性的mura缺陷檢測方法，該方法先利用高斯濾波平滑和Hough變換矩形檢測對TFT-LCD顯示屏圖像進行預處理，以去除噪聲並分割出待檢測圖像區域；接著引入學習機制，利用PCA算法對大量無缺陷樣本進行學習，自動提取背景與待檢測目標的差異特徵，重建出背景圖像；然後對測試圖像與背景的差分圖像進行閾值化，為降低目標大小變化對閾值確定的影響，通過對背景重建和閾值計算聯合建模，基於訓練樣本的學習，建立出背景結構信息與閾值之間的關係模型，並提出基於人眼視覺特性的自適應分割算法，從而準確地將mura缺陷從背景圖像中分割出來。

更進一步的，本發明的基於樣本學習和人眼視覺特性的mura缺陷檢測方法的步驟為：

離線學習過程：

第1步：採集圖片，獲取TFT-LCD液晶屏顯示圖片；

第2步：對採集的源圖像進行平滑去噪預處理；

第3步：待檢測目標圖像的分割；

第4步：選擇N張無缺陷的圖片(尺寸為w×h)作為訓練背景模型的樣本集，構建出(w×h)×N的樣本矩陣，利用PCA提取學習背景圖像集樣本矩陣的特徵向量，並保存前90％的特徵向量信息，即得到背景特徵向量矩陣U；

第5步：另外選擇M張無缺陷的圖片作為訓練閾值模型的樣本集，將樣本集圖片投影到背景特徵向量空間U上得到特徵係數，利用特徵係數重建出背景圖像，原圖減去背景圖像得到差分圖，將差分圖像灰度像素值的均值、方差與背景結構信息建模，即學習得到差分圖像灰度像素值的均值、方差與背景特徵向量的關係模型；

在線檢測過程：

第6步：實時採集待檢測的圖像，進行平滑去噪預處理，並分割出目標測試圖像；

第7步：將分割獲得的目標測試圖像投影到背景特徵向量U上，得到特徵係數，利用特徵係數重建出背景圖像；

第8步：將目標測試圖像減去背景圖像獲得差分圖，利用第5步得到的差分圖像灰度像素值的均值、方差與背景特徵向量之間的關係模型求得差分圖的均值與方差，結合國際半導體設備與材料組織(SEMI)給出的mura缺陷剛好可察覺(Just Noticeable Difference,JND)指標建立基於人眼視覺特性的閾值化模型，利用閾值化模型分割出mura目標區域，輸出檢測結果。

更進一步的，第2步及第6步中採用高斯濾波對採集到的圖片進行平滑去噪處理，所用高斯模板窗口大小為3×3。

更進一步的，第3步及第6步中針對TFT-LCD的矩形幾何特性，引入基於Hough直線變換的矩形檢測算法對目標區域進行分割，充分利用YIQ色彩空間亮度、色度信息分離的特性檢測邊緣，得到封閉的矩形區域四邊，在無畸變的原圖中獲得很好的分割效果，準確地將待檢測目標圖像分割出來。

更進一步的，第4步中學習得到樣本矩陣的特徵向量矩陣的具體方法如下：

(a)構造背景訓練樣本矩陣

取N幅無缺陷的尺寸為w×h的圖像矩陣X，每一個圖像矩陣X向量化為(w×h)×1的列向量，合併成一個(w×h)×N的樣本矩陣I；

(b)計算均值、協方差矩陣、特徵值和特徵向量

利用訓練樣本矩陣I計算均值和協方差矩陣C：

計算協方差矩陣C的特徵值λ＝[λ1,λ2,....,λN]，特徵向量值d＝[d1,d2,....,dN]；

(c)將特徵值進行降序排序，並按照特徵值的順序，對相應的特徵向量進行排序；

(d)特徵值越大保留的全局信息越多，越能代表背景結構信息，所以篩選特徵值，保留前n個較大的特徵值，這n個特徵值求和佔特徵值總和的90％，並保留對應的特徵向量；

(e)將排序並篩選完成的特徵向量進行合併即得到背景圖像集的特徵向量矩陣U。

更進一步的，第5步中學習得到差分圖像素均值、方差與背景特徵向量的關係模型的具體方法如下：

(a)取M張無缺陷的圖片矩陣，每一個矩陣化為(w×h)×1的列向量b，分別投影到背景特徵向量空間U上得到特徵係數y：

(b)利用特徵係數y重建出背景圖像

(c)使無缺陷的原圖減去背景圖像得到差分圖，將差分圖像灰度像素值的均值μ、方差σ2與背景結構信息建模：

μ＝a1y+a0

σ2＝a4y2+a3y+a2

σ2＝a4y2+a3y+a2

通過對M張差分圖像的訓練得到模型係數a0、a1、a2、a3、a4。

更進一步的，第7步中獲得目標測試圖像的背景圖像的具體方法如下：

(a)將第6步獲得的目標測試圖像矩陣化為(w×h)×1的列向量t，分別投影到背景特徵向量空間U上得到特徵係數y:

(b)利用特徵係數y重建出背景圖像

更進一步的，第8步中構建基於人眼視覺特性的閾值分割模型的具體方法如下：

(a)將第6步獲得的目標測試圖像的原圖減去第7步重建得到的背景圖得到差分圖，利用第5步獲得的差分圖像素均值、方差與特徵向量之間的關係模型，求得目標測試圖像差分圖像素的均值μ、方差σ2；

(b)Mura缺陷檢測指標SEMU定義如下：

式中Cx是待檢mura目標的對比度均值，Sx為待檢mura目標的面積，當目標區域的SEMU值大於1時，判定目標區域為mura缺陷；

(c)構建基於人眼視覺特性的閾值分割模型

對待檢目標像素的灰度值進行閾值分割，閾值C1＝3表示像素灰度值分布在[μ-3σ，μ+3σ]內的為背景；閾值C2＝6表示像素灰度值分布在[μ-6σ，μ-3σ]和[μ+3σ，μ+6σ]內的為不確定區域，在不確定區域內設置閾值Area將面積小於Area的區域過濾掉，然後結合步驟(b)中的SEMU值判斷是否將該目標保留在分割完成的圖像中；分布在[-∞，μ-6σ和[μ+6σ，+∞]內的像素點，則直接保留在閾值化後的二值圖像中。

3.有益效果

採用本發明提供的技術方案，與已有的公知技術相比，具有如下顯著效果：

(1)本發明的基於樣本學習和人眼視覺特性的mura缺陷檢測方法，在圖片預處理過程中使用高斯濾波去除噪聲，平滑效果更柔和，邊緣保留更完整，可以有效地濾除不均勻的隨機噪聲，保留前景目標，從而有利於保證後續mura缺陷的檢測精度。本發明利用TFT-LCD的幾何特性，引入基於Hough直線變換的矩形檢測算法，充分利用YIQ色彩空間亮度、色度信息分離的特性檢測邊緣，得到封閉的矩形區域四邊，在無畸變的原圖中準確地分割出待檢測目標圖像，對待檢測目標圖像的分割效果較好。

(2)本發明的基於樣本學習和人眼視覺特性的mura缺陷檢測方法，在基於PCA的背景重建算法基礎上，建立大規模的均勻無缺陷樣本集，樣本集中的圖片基本覆蓋當前樣本的呈現類型，且展現形式較為充足，學習得到的基向量對背景的還原能力更充分。同時對PCA學習得到的特徵信息進行精簡，只保留前90％的信息，既排除了少量噪聲信息的幹擾，又為後續的在線檢測提升了速度。

(3)本發明的基於樣本學習和人眼視覺特性的mura缺陷檢測方法，在線檢測過程中，將測試圖片投影到無缺陷圖片的特徵空間上，重建的背景圖像能夠在儘可能多地保留背景信息的同時不受目標的影響；同時投影得到特徵係數和利用特徵係數重建背景兩個過程都是簡單的矩陣乘除過程，重建速度非常快，能夠滿足工業生產對檢測速度的高要求。

(4)本發明的基於樣本學習和人眼視覺特性的mura缺陷檢測方法，構建了基於學習的和人眼視覺特性的閾值化分割模型。當前大部分算法都是基於差分圖像的均值、方差等統計量來確定閾值，然而這種閾值確定方式容易受到目標尺寸的影響。事實上，閾值可以看作是圖像對噪聲容忍的上限，它的取值應不受缺陷的影響，但由於事先無法區分目標和噪聲，因此導致其在傳統算法中很難實現。本發明通過對背景重建和閾值計算聯合建模，基於對訓練樣本的學習，建立背景結構信息與閾值之間的關係模型，從而最大限度地降低了目標對閾值確定的影響，能夠獲得魯棒的檢測結果。

附圖說明

圖1為本發明的基於樣本學習和人眼視覺特性的mura缺陷檢測方法的流程圖；

圖2(a)為實施例1中高斯濾波前的圖像；

圖2(b)為實施例1中高斯濾波後的圖像；

圖3中為採用Hough變換矩形檢測方法提取TFT-LCD目標區域得到的圖；

圖4中(a)、(b)、(c)、(d)分別為採用不同分割算法得到的分割效果對比圖；

圖5為本發明對不同類型的mura缺陷檢測結果圖。

具體實施方式

為進一步了解本發明的內容，現結合附圖和具體實施例對本發明作詳細描述。

實施例1

結合圖1，本實施例的一種基於樣本學習和人眼視覺特性的mura缺陷檢測方法，先利用高斯濾波平滑和hough變換矩形檢測對TFT-LCD顯示屏圖像進行預處理，以去除大量噪聲並分割出待檢測圖像區域；接著引入學習機制，利用PCA算法對大量無缺陷樣本進行學習，自動提取背景與目標的差異特徵，重建出背景圖像；然後對測試圖像與背景的差分圖像進行閾值化，為降低目標大小變化對閾值確定的影響，通過對背景重建和閾值計算聯合建模，基於訓練樣本的學習，建立出背景結構信息與閾值之間的關係模型，並提出基於人眼視覺特性的自適應分割算法，從而能夠準確地將mura缺陷從背景圖像中分割出來。

下面對本實施例的具體實現方法進行詳細介紹，本實施例的mura缺陷檢測方法的具體步驟如下：

離線學習過程：

第1步：採用工業相機採集圖片，獲取TFT-LCD液晶屏顯示圖片。

第2步：對採集的源圖像進行預處理操作：用高斯濾波對採集到的圖片進行適當平滑處理，高斯模板窗口大小為3×3。如圖2(a)所示，原圖中有少量噪聲，經過高斯濾波後的圖片如圖2(b)所示，大部分噪點被去除，並且平滑的效果較柔和，邊緣保留更完整，並保留住了前景目標。

第3步：待檢測目標圖像的分割：針對TFT-LCD的矩形幾何特性，引入基於Hough直線變換的矩形檢測算法對目標區域進行分割，充分利用YIQ色彩空間亮度、色度信息分離的特性檢測邊緣，得到封閉的矩形區域四邊，在無畸變的原圖中獲得很好的分割效果，準確地將待檢測目標圖像分割出來，採用Hough變換矩形檢測方法提取TFT-LCD目標區域得到的圖如圖3所示。

Hough變換矩形檢測的基礎是Hough直線檢測算法，在XY平面的原圖像空間中，矩形四條邊的排列位置存在一定規律，相對邊平行排列，相鄰邊垂直排列，將XY平面轉換到Hough空間後，利用Hough變換及投票機制處理矩形的四條邊，可獲得4個峰值點，表徵在圖像空間中的重要幾何性質。Hough矩形檢測算法可通過以下3個步驟實現：

(a)將高斯濾波後的圖像從RGB色彩空間轉換到YIQ色彩空間；

先將圖像從RGB空間轉換至YIQ色彩空間，再對Y通道和I通道進行canny算子邊緣檢測操作，其中Y通道和I通道分別代表亮度信息和色度信息，是人眼更敏感的紅、黃色之間色差的通道圖像，能克服單通道灰度信息無法準確判斷邊緣的問題。YIQ模式與RGB模式的轉換關係如下：

(b)通過Hough變換得到直線參數

對canny檢測後的二值圖展開Hough變換，將二值圖中的每一個像素點X(i,j)轉化到用極坐標表示的Hough空間中，求出ρ和θ參數。

ρ＝xcosθ+ysinθ。

(c)確定矩形四邊和四個頂點

選取Hough變換後的最大點作為峰值點，利用矩形的幾何特性，平行線等長且成對出現濾取峰值點，確定矩形四邊和四個頂點。

第4步：選擇N張無缺陷的圖片(圖片尺寸為w×h，N值建議為100)作為訓練背景模型的樣本集，構建出(w×h)×N的樣本矩陣，利用PCA提取學習背景圖像集樣本矩陣的背景特徵向量，並保存前90％的特徵向量信息，即得到背景特徵向量矩陣U，其具體步驟如下：

(a)構造背景訓練樣本矩陣

設有N幅無缺陷的尺寸為w×h的圖像矩陣X，每一個圖像矩陣X向量化為(w×h)×1的列向量，合併成一個(w×h)×N的樣本矩陣I。樣本數量N的選擇既要考慮背景重建的誤差大小，又要兼顧效率問題，所以N的選擇要根據圖片的大小和背景重建誤差大小以及重建速度綜合決定。

(b)計算均值、協方差矩陣、特徵值和特徵向量

利用訓練樣本矩陣I計算均值和協方差矩陣C：

計算協方差矩陣C的特徵值λ＝[λ1,λ2,....,λN]，特徵向量值d＝[d1,d2,....,dN]。

(c)將特徵值降序排序，並按照特徵值的順序，對相應的特徵向量進行排序。

(d)特徵值越大保留的全局信息越多，越能代表背景結構信息，所以篩選特徵值，保留前n個較大的特徵值，這n個特徵值求和佔特徵值總和的90％(90％的特徵基本能代表背景結構信息，同時剔除潛在的噪聲信息)，能較好的還原出無mura的背景，並保留對應的特徵向量。

(e)將排序並篩選完成的特徵向量合併即得到背景圖像集的特徵向量矩陣U。

第5步：另外選擇M張(M等於N)無缺陷的圖片作為訓練閾值模型的樣本集，將樣本集圖片投影到背景特徵向量空間U上得到特徵係數，利用特徵係數重建出背景圖像，原圖減去背景圖像得到差分圖，將差分圖像灰度像素值的均值、方差與背景結構信息建模，即學習得到差分圖像灰度像素值的均值、方差與背景特徵向量的關係模型。本實施例中學習得到差分圖像素均值、方差與背景特徵向量的關係模型的具體方法如下：

(a)取M張無缺陷的圖片矩陣，每一個矩陣化為(w×h)×1的列向量b，分別投影到背景特徵向量空間U上得到特徵係數y:

(b)利用特徵係數y重建出背景圖像

(c)使無缺陷的原圖減去背景圖像得到差分圖，將差分圖像灰度像素值的均值μ、方差σ2與背景結構信息建模：

μ＝a1y+a0

σ2＝a4y2+a3y+a2

通過對M張差分圖像的訓練即得到模型係數a0、a1、a2、a3、a4。

在線檢測過程：

第6步：實時採集待檢測的圖像，進行平滑去噪預處理，並分割出目標測試圖像。

第7步：將分割獲得的目標測試圖像投影到背景特徵向量U上，得到特徵係數，利用特徵係數重建出背景圖像，本實施例中獲得測試圖像的背景圖像的具體方法如下：

(a)將第6步獲得的目標測試圖像矩陣化為(w×h)×1的列向量t，分別投影到背景特徵向量空間U上得到特徵係數y：

(b)利用特徵係數y重建出背景圖像

第8步：將目標測試圖像減去背景圖像獲得差分圖，利用第5步得到的差分圖像灰度像素值的均值、方差與背景特徵向量之間的關係模型求得差分圖的均值與方差，結合國際半導體設備與材料組織(SEMI)給出的mura缺陷剛好可察覺(Just Noticeable Difference,JND)指標建立基於人眼視覺特性的閾值化模型，利用閾值化模型分割出mura目標區域，輸出檢測結果。本實施例中構建基於人眼視覺特性的閾值分割模型的具體方法如下：

(a)第6步獲得的目標測試圖像的原圖減去第7步重建得到的背景圖得到差分圖，利用第5步獲得的差分圖像素均值、方差與背景結構信息的關係模型，求得測試圖像差分圖像素的均值μ、方差σ2：

μ＝a1y+a0

σ2＝a4y2+a3y+a2。

(b)低對比度區域判定為mura缺陷的關鍵依據是看它能否被人眼所感知，因此，我們還需要基於人眼視覺對檢測到的低對比度目標區域進行顯著性評定，以判定該目標在用戶看來的顯著性程度。針對這一問題，國際半導體設備與材料組織(SEMI)考慮了mura缺陷在剛好可察覺(Just Noticeable Difference,JND)情況下對比度與面積的關係，定義了MURA缺陷等級的量化指標SEMU，定義如下：

其中Cx是待檢目標的平均對比度，Sx是目標mura缺陷的面積。根據該標準，目標區域的SEMU大於1時，就可以判定為mura缺陷。

式中f(i,j)和B(i,j)分別為疑似mura目標區域及背景圖像在像素點(i,j)處的灰度值；U為目標區域內所有像素點的集合，N為目標區域內像素點的個數。

目標區域的面積可以簡單地定義為目標邊界所包的像素點數，它和目標的大小有關，而和目標各點的像素灰度值無關，定義如下：

其中，U為目標區域內所有像素點的集合。

(c)構建基於人眼視覺特性的閾值分割模型

圖像背景像素灰度分布均服從均值為μ，方差為σ2的正態分布，對目標和背景的灰度分布用正態分布建模，對比度明顯的mura缺陷，往往分布在偏離均值μ較遠的區域；對比度差異較小的mura缺陷，分布離μ一定範圍內；大量背景像素，分布在正態曲線高峰處，以均值為中心左右對稱，正態分布曲線滿足：

因此，本實施例中對待檢目標像素的灰度值進行閾值分割，閾值C1＝3表示像素灰度值分布在[μ-3σ，μ+3σ](μ和σ分別為步驟(a)中計算得到的目標測試圖像差分圖像素的均值和方差)內的為背景；閾值C2＝6表示像素灰度值分布在[μ-6σ，μ-3σ]和[μ+3σ，μ+6σ]內的為不確定區域，在不確定區域內設置閾值Area將面積小於Area的區域過濾掉，然後結合步驟(b)中的SEMU值判斷是否將該目標保留在分割完成的圖像中；分布在[-∞，μ-6σ]和[μ+6σ，+∞]內的像素點，則直接保留在閾值化後的二值圖像中。

申請人於2016年4月7日申請的申請號為201610213064.9的發明專利雖然也公開了一種TFT-LCD mura缺陷檢測方法，但由於該申請案中採用基於ICA學習的FastICA算法穩定性不夠，對圖像特徵提取的時間較長，而本實施例使用的PCA算法廣泛應用於數據降維和特徵提取，尤其在特徵提取方面有很好的效果，算法穩定性和魯棒性都高於FastICA算法。同時在閾值分割模型方面，上述申請案基於ICA學習和多通道融合的TFT-LCD mura缺陷檢測方法將差分圖求像素值的均值和方差時排除了前10％的灰度值(降序)，但10％這個值也是根據經驗設定的，不具有普遍性。本實施例通過對無缺陷樣本的學習對主成分特徵與背景圖像的均值和方差之間的關係進行建模，背景均值和方差的確定不再依賴於經驗，而是依賴於樣本學習到的背景特徵和自身背景特徵，更具有準確性。

如圖4(d)所示，採用本實施例的基於人眼視覺特性的閾值分割模型的分割效果明顯好於採用最大類間方差法分割算法(圖4(b))和Fan等人提出的方法(圖4(c))，其中4(a)為待分割源圖像。

最大類間方差法是一種自適應的閾值確定的方法，簡稱OTSU，基本思想是使用一個閾值將整個數據分成兩個類，假如兩個類之間的方差最大，那麼這個閾值就是最佳的閾值。由於差分圖像中不僅包含噪聲信息，也包含缺陷信息，不同大小的缺陷信息會在不同程度上影響均值、方差等統計量的計算，影響閾值的確定，從而影響分割效果。如圖4(b)所示，最大類間方差法無法分割出mura目標區域。Fan等人提出分割方法是將差分圖的像素值從大到小排序，前10％的像素值視為潛在缺陷區域剔除，再求像素值的均值和方差，10％這個值是根據經驗設定，不具有普遍性，同時也未對小的噪聲點做處理，分割出的效果圖中存在大量噪聲，如圖4(c)所示。本發明通過對無缺陷樣本的學習對主成分特徵與背景圖像的均值和方差之間的關係進行建模，背景均值和方差的確定不再依賴於經驗，而是依賴於樣本學習到的背景特徵和自身背景特徵，更具有準確性，同時也對小的噪聲做了處理，最後結合SEMI指標對分割出的疑似mura目標區域再判斷，較為準確地分割出了目標區域，如圖4(d)所示。

(d)採用本實施例的方法對含有不同類型mura缺陷的圖像進行檢測，檢測結果如圖5所示，從檢測結果可以看出本實施例提出的算法能對不同類型的mura缺陷均有較好的檢測效果。