Auto-thresholding

如(1)式所示，閥值(Threshold value)為此影像強化方法最重要的一個參數，通常 需要經由反覆實驗測試才能決定。然而在實際生產線上，外在環境、待測物均有可 能發生改變，操作員並不一定具有影像處理的相關知識，反覆實驗測試亦不符合時 間成本；因此，一個能依環境改變自動產生合適「閥值」的演算法，在建構配合實 務之檢測機台上是相當重要的。

Auto-thresholding 方法在影像處理領域中相當多，但有一個共通的特性，他們 都具有Case-by-Case 的特性，每種方法都有其適合的適用情況，因此觀察待測影像 特性為選擇Auto-thresholding 方法的第一步。為了能正確的分割出感光區上的瑕 疵，故先對有瑕疵的CMOS 影像感測器感光區進行 Histogram 分析，圖 3.11 為隨意 選取8 顆 CMOS Sensor 之感光區 Histogram。由其中可發現不同類型之 CMOS Sensor 其感光區之灰階度差異並不太大，且分佈範圍高低差距只有大約20 左右，呈單峰分 配

圖3.9 8 顆 CMOS Sensor 之感光區 Histogram

由圖3.9 可以發現灰階值像素分佈大多為黑色背景部分，瑕疵點所佔像素比例 相當低，並無法形成另一個明顯的鐘形分佈，在數位影像處理中，自動選擇閥值有 二個較常用的方法：Ostu Method [11]與固定百分率法(P-Tile) [4]。 Ostu Method 用 機率統計的原理，找出讓群組間變異數最大且群組內變異數最小的閥值，當作是二 值化的閥值，然而本研究所處理之影像無明顯之二個群組，因此不適用Ostu Method。而固定百分率法，為自該影像直方圖最高峰的灰階值處減去固定百分比，

做為門檻值，此概念可應用於本研究中。

在單峰分配之直方圖中欲直接取個適當的閥值以區分出瑕疵與背景是相當困難 的。但基於瑕疵較背景較背景亮的特性，若能將背景拿掉，即能突顯瑕疵點。因此 我們使用「拿掉背景」的策略做為Auto-thresholding 的方向。

基於這個策略，我們參考David 與 Dongming [5]和 Muhammad 與 Tae-Sun [11]

的方法，修改固定百分率法為

Threshold Value = median + 固定值 α (2)

(2)式的概念為，「背景一定較瑕疵來得暗，且占影像的絕大部份」，故前 50%之 像素點一定全為背景，如此中位數即可代表目前背景的大致灰階值，再加上經由實 驗所得的固定值 α，用以完全切割掉黑色背景，留下瑕疵部份的影像。下表為同時 取18 顆 CMOS Sensors 進行實驗，由實驗數據中找尋整張感光區影像 Median 值與 二值化效果較佳之Threshold 值之間的差距，可取其平均值作為最後二值化使用之 α 值。

表3.3 18 顆 CMOS Sensors 實驗數據

IC 編號 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Median 126 172 162 79 82 77 89 68 162 74 99 69 90 117 141 51 153 64 Threshold 151 196 183 92 95 89 109 83 196 87 114 80 115 140 161 61 173 77 差距% 19.8 14.0 13.0 16.5 15.9 15.6 22.5 22.1 21 17.6 15.2 15.9 27.8 19.7 14.2 19.6 13.1 20.3

由表3.3 各別 CMOS Sensor 之 median 值與二值化效果較佳之 Threshold 值之間 差距百分比求其平均值，得到18%這個數據，下一步設定 α 值為各別 CMOS Sensor 之Median 值乘上 0.18，最後將各別 α 值加上各別 Median 值作為該張 CMOS Sensor 感光區之瑕疵與背景切割處理之閥值；表3.4 為使用上述方法進行二值化轉換之實 驗結果；由呈現的結果可看出影像二值化處理後之效果頗佳，瑕疵能有效的被突顯。

IC Median Threshold 原始圖 二值化圖

1 126 149

2 172 203

3 162 191

4 79 93

5 82 97

表3.4 二值化轉換之實驗結果

6 77 91

7 89 105

8 68 80

9 162 191

10 74 87

11 99 117

12 69 81

13 90 106

14 117 138

15 141 166

16 51 60

17 153 181

18 64 76