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：
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(chiponglass,玻璃衬底芯片)的制备是将驱动ic(integratedcircuit,集成电路)接合在覆盖有各向异性导电胶膜(anisotropicconductivefilm,简称acf)的玻璃基板的ito(indiumtinoxide,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。
技术实现要素：
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。
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：
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(localternarycontrastdescriptor，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。
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。
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)2
m4＝(η30+η12)2+(η21+η03)2
m5＝(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
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。
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；若该点位正确点，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。
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：
(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。
(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。
(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
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
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：
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image_1；
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；
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；
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：
di＝(xavg-xi)2,
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；
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：
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；
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；
步骤4-3：采用卡方计算h1和h2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，i表示直方图的维度。
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，
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；
步骤5-1：计算image_2的7个hu不变矩m1～m7，分别为：
m1＝η20+η02
m3＝(η30-3η12)2+(3η21-η03)2
m4＝(η30+η12)2+(η21+η03)2
m5＝(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
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image_2的形状特征就可由hu不变矩特征向量表示为hu1。
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。
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：
其中，hu1i表示hu1i的第i维分量；hu2i表示hu2i的第i维分量；
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。
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；
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：
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；
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。
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；
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。
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。