軟體演算法

2.6.1 檢測方案(Inspection Schemes)

Jain [2]的論文中對所有電腦視覺在檢測上的應用，作了非常詳盡的整理，文 中提到電腦視覺應用至工業檢測上之方法，可分為三種檢測方案(Inspection Schemes) ： Template Matching 、 Rule-Based Methods 、 Hybrid Methods ； 其 中 Rule-Based Methods 是依據分類規則來判斷瑕疵是否發生，這些分類規則是按檢測 物設計時所設定(如：CAD)的特徵來制定，若待測物不符合這些特徵，則判定為 具有瑕疵。Rule-Based Methods 其優點在於毋需儲存大量的樣板(Templates)，直接 依所制定的法則判斷是否有瑕疵發生，而其缺點為在某些檢測物的應用上，法則

(Rule)不容易制定，且若檢測物規格上有所改變，法則(Rule)即必須重新制定。本 研究中之 CMOS 影像感測器之瑕疵一般皆屬特徵單純之瑕疵，使用 Rule-Based Methods，不但檢測法則易於制定，且無論規格如何改變，特徵亦無變化，故本研 究採用Rule-Based Methods 作為檢測方案。

2.6.2 影像處理

2. Binarization and Auto-thresholding

影像二值化方法乃將灰階或彩色的影像，透過選取的臨界值/閥值(threshold value)，將灰階或彩色的影像轉成只有 0 或 1 的二值化影像資料。影像二值化的目 的主要是將物體與背景進行區分，此一過程可明確區分出欲檢測物體之位置，簡化 後續影像處理的過程或時間。其中閥值的選取為此方法最重要的一個參數。

Auto-thresholding 為利用影像的特性自動產生一個適當的閥值的方法。依照 Nakagawa 與 Rosenfeld [4]所提出之想法，先將影像分成多塊子影像，使每張影像之 改變單純化，將使 Auto-thresholding 的設計上變為較簡單，因此本研究亦使用這個

Elmabrouk 與 Aggoun [6]提出在偵測影像邊緣時，選取直方圖中背景群組高峰 的灰階值與邊緣群組高峰的灰階值，以此二值之平均為閥值，此法主要是應用在影 像直方圖可以找出明顯之兩個群組，一群組為邊緣(edge)，另一群組為非邊緣之區 域，而兩群組間無明顯交集之影像。

Ai 與 Zhu [7]提出利用 fuzzy membership 之概念，建立一模糊因子為最小灰階值 與背景平均灰階值之差，代表影像目前之背景紋理改變，訓練出能得到適合閥值之 模糊函式。

Jiang 與 Mojon [8]提出 verification-based multithreshold 方法，此方法為先建立一

「閥值表」，列出在某一閥值下會突顯那些特徵，再對影像依照這些閥值一一進行二

Ahmad 與 Choi [10]提出使用 local thresholding 的概念偵測影像中的邊緣

(edge)，對每個子影像以(µ-c)作為二值化閥值分離出可能有邊緣之候選區域，其中 µ 為平均數，c 為一固定之常數。

雖然Daut 與 Zhao 的方法是應用在檢測物為電視映像管上，且檢測規格亦與本 研究大為不同，而Ahmad 與 Choi 的方法是應用在邊緣偵測上，但這兩個方法的特 徵擷取概念可延伸應用至本研究，因此本研究擬參考這兩個方法之概念，並加以修 改成適用於CMOS 影像感測器之自動閥值抉擇方法(Auto-thresholding)。

3. 閉合(Closing)

(a).二值化影像 (b).閉合後影像 圖2.8 二值化影像閉合實例

4. Blob Analysis

Blob 分析主要是從一張影像中，辨識相同區域且相鄰的像素點，並進行特徵萃

下列是

Blob 分析常用的幾個基本步驟[7]：

1.盡可能去除影像中的雜訊，取得最佳影像。

2.進行影像分割，讓背景與 blob、及 blob 與 blob 之間清楚分離。通常利用二值化 方法將背景之灰階值設為0，而將 blob 之灰階值設為 1。

3.利用形態學（Morphology）方法將影像的雜訊去除。

4.設定 blob 與 blob 互相接觸的條件（水平及垂直方向，或包括斜角方向）。

5.計算指定的特徵並分析結果。