使用邊緣偵測法輔助正規化交互相關性之多方向性改良

高斯平滑 梯度強度與方向

非最大抑制 雙門檻值

正規化交互相關性

結束

TN

NCC值  連接區塊標記法

finish Yes

No

No Yes

f

Template Yes f_ROIfinish No

圖 5.5 「Canny 邊緣偵測輔助正規化交互相關性之多方向性改良」流程圖 針對邊緣偵測輔助正規化交互相關性之結合與改良的方法，再加入多方向性 樣本影像，並使用 Canny 邊緣偵測法，在尋找梯度值時，利用 x 方向(G )與_x y方 向(G_y)之梯度強度計算得到角度進行改良，並利用梯度方向來檢查和排列樣本影 像的順序，進一步減少選擇樣本影像的時間，其流程圖，如圖 5.5 所示。假設梯

度方向為水平方向時，則檢查水平方向兩邊(垂直方向)各兩個像素範圍，檢查 Mura 瑕疵歸屬於哪一種類的方向結構，依序使用水平方向樣本影像、45^方向樣 本影像、135^方向樣本影像和垂直方向樣本影像，若檢查得知當前 Mura 瑕疵屬 於45^方向結構，則使用45^方向樣本影像進行 Mura 瑕疵檢測並使用連接區塊標 記法將 Mura 瑕疵區塊連接且標記，有利於輔助面積運算和周長運算等，且省略 135方向樣本影像和垂直方向樣本影像的檢查和運算時間；若梯度方向為45^方 向時，則檢查45^方向兩邊(135^方向)各兩個像素範圍，且依序使用45^方向樣本 影像、水平方向樣本影像、垂直方向樣本影像和135^方向樣本影像；若梯度方向 為垂直方向時，則檢查垂直方向兩邊(水平方向)各兩個像素範圍，且依序使用垂 直方向樣本影像、45^方向樣本影像、135^方向樣本影像和水平樣本影像；若梯 度方向為135^方向時，則檢查135^方向兩邊(45^方向)各兩個像素範圍，且依序 使用135^方向樣本影像、45^方向樣本影像、垂直方向樣本影像和水平樣本影像。

5.3 實驗結果

本章節實驗過程所使用的電腦之 CPU 為 Intel® I5-520 2.40GHz、記憶體為 8GB、作業系統為 Microsoft Windows 7 64 位元版本、程式開發使用 Borland C++

Builder 6.0。實驗流程如下：取得十一張 Mura 瑕疵影像圖，如圖 3.3(a)至圖 3.13(a) 所示，分別使用傳統多方向性正規化交互相關性，其檢測結果，如圖 5.6(a)至圖 5.16(a)所示，與 Canny 邊緣偵測法與正規化交互相關性之結合與改良，其檢測結 果，如圖 5.6(b)至圖 5.16(b)所示，兩種方法檢測。

(a) 傳統型之結果圖 (b) 改良型之結果圖 圖 5.6 Mura 瑕疵影像 1 的傳統與改良之結果圖，影像大小：6060

(a) 傳統型之結果圖 (b) 改良型之結果圖 圖 5.7 Mura 瑕疵影像 2 的傳統與改良之結果圖，影像大小：7070

(a) 傳統型之結果圖 (b) 改良型之結果圖 圖 5.8 Mura 瑕疵影像 3 的傳統與改良之結果圖，影像大小：125125

(a) 傳統型之結果圖 (b) 改良型之結果圖 圖 5.9 Mura 瑕疵影像 4 的傳統與改良之結果圖，影像大小：138138

(a) 傳統型之結果圖 (b) 改良型之結果圖 圖 5.10 Mura 瑕疵影像 5 的傳統與改良之結果圖，影像大小：153153

(a) 傳統型之結果圖 (b) 改良型之結果圖 圖 5.11 Mura 瑕疵影像 6 的傳統與改良之結果圖，影像大小：166166

(a) 傳統型之結果圖 (b) 改良型之結果圖 圖 5.12 Mura 瑕疵影像 7 的傳統與改良之結果圖，影像大小：166166

(a) 傳統型之結果圖 (b) 改良型之結果圖 圖 5.13 Mura 瑕疵影像 8 的傳統與改良之結果圖，影像大小：187187

(a) 傳統型之結果圖 (b) 改良型之結果圖 圖 5.14 Mura 瑕疵影像 9 的傳統與改良之結果圖，影像大小：195195

(a) 傳統型之結果圖 (b) 改良型之結果圖 圖 5.15 Mura 瑕疵影像 10 的傳統與改良之結果圖，影像大小：202202

(a) 傳統型之結果圖 (b) 改良型之結果圖 圖 5.16 Mura 瑕疵影像 11 的傳統與改良之結果圖，影像大小：40934093

觀察圖 5.6 至圖 5.16 可發現，改良型之檢測結果(圖 5.6(b)至圖 5.16(b))的雜 訊，比傳統型之檢測結果(圖 5.6(a)至圖 5.16(a))的雜訊少了許多，且 Mura 瑕疵影 像皆被突顯出來，並偵測出其相對座標，不過圖 5.9 和圖 5.12 至圖 5.15 中有一 個像素點沒被偵測突顯出來。針對圖 5.15(b)中明顯有一小部分 Mura 瑕疵影像，

在水平方向樣本影像中被突顯出來，如圖 4.13 所示。

表 5.1 中可以看出本論文，針對正規化交互相關性與邊緣偵測法之多方向性 改良的運算時間變化的情況，傳統方法頇對四個方向的樣本影像各別運算，則所 耗費的時間也約為單一方向的四倍，而多方向改良型，則是依照邊緣方向搭配對 應方向的樣本影像進行運算，所以針對圖 3.13(a)而言，耗費時間比明顯的比傳統 方法加速約十倍，這也是本論文針對多方向性之目的而改良的方法之一。

表 5.1 傳統方法與改良型之比較(多方向)

數據參數 耗費時間(秒) 耗費時間比

實驗原圖 影像大小 面積比 傳統型 改良型 傳統型 改良型 圖 3.3(a) 6060 1.00 0.031 0.031 1.00 1.00 圖 3.4(a) 7070 1.36 0.047 0.031 1.52 1.00 圖 3.5(a) 125125 4.34 0.109 0.031 3.52 1.00 圖 3.6(a) 138138 5.29 0.140 0.031 4.52 1.00 圖 3.7(a) 153153 6.50 0.171 0.062 5.52 2.00 圖 3.8(a) 166166 7.65 0.203 0.078 6.55 2.52 圖 3.9(a) 166166 7.65 0.203 0.094 6.55 3.03 圖 3.10(a) 187187 9.71 0.249 0.109 8.03 3.52 圖 3.11(a) 195195 10.56 0.281 0.093 9.06 3.00 圖 3.12(a) 202202 11.33 0.296 0.094 9.55 3.03 圖 3.13(a) 40934093 4653.51 131.508 13.073 4242.19 421.71