1.Mura测试简介
液晶显示面板由于其优异的显示性能而广泛用于电子信息，汽车，智能制造和消费电子行业。然而，由于在液晶显示面板的制造过程中存在各种缺陷，因此面板具有各种显示缺陷，这在工业上被称为Mura缺陷。德国平板显示器论坛（German Flat Panel Display Forum，简称“DFF”）对Mura缺陷的定义为[1]:当显示器运行时，可见像素缺陷出现在显示区域的表面上。通常，根据Mura缺陷的产生原因和显示特性，可以将其分为许多类型，例如点，线，表面和角度Mura。在各种形式的Mura缺陷中，BlackMura的特性最为明显，它是显示屏在全黑的情况下的显示的缺陷。此缺陷适用于在不断变化的明亮和黑暗环境中的设备（例如汽车显示屏和手持移动设备）上使用的显示面板。
当前，大多数液晶显示器中的Mura缺陷的检测主要是用肉眼进行的。该方法效率低下，因为它取决于主观人为因素，并且无法量化缺陷。因此，近年来，开发了基于图像处理技术自动检测Mura的技术[2-3]。在Mura缺陷检测过程中，研究人员根据不规则形状，低对比度和不均匀亮度分布等特征开发了许多有针对性的方法。例如，当前对显示屏不均匀性的研究基于统计方法[1]，下面介绍诸如显示图像的带纹理的背景之类的因素如何影响Mura缺陷检测：表面拟合[5]，奇异值分解[6]，傅立叶变换[7]，回归诊断拟合[8]和基于BP神经网络[9]的方法。以上这些Mura缺陷检测方法针对其各自的适用场合均具有不错的效果。通常，对于Mura缺陷检测，可以将测试场景分为“黑色图像”（黑屏为BlackMura）和“白色图像”（白屏为WhiteMura）。通常，黑色图像mura缺陷更明显，并且同一LCD屏幕的黑色图像mura缺陷级别高于白色图像mura缺陷级别。因此，从某种意义上说，检测LCD上的黑点就足以检测不均匀的LCD缺陷。与用于BlackMura检测的传统Mura检测方法不同，本文提出了一种基于图像亮度梯度分布的方法。

2 BlackMura缺陷图像采集与分析
2.1图像采集
根据DFF制定的相关标准，在检测和评估Mura缺陷时，用于测试的CCD的动态范围必须超过12位。 将测试系统的环境光强度控制为小于10 lux，图像采集角度为90°±0.5°。 在测试期间，将LCD的背光状态调整为完全暗（或完全亮）状态，并在相应的背光亮度下拍摄亮度图像。 该亮度图像由捕获卡转换为数字化图像数据，然后输入到计算机。 图1显示了整个图像采集设备。

图1 图像采集示意图

2.2 Mura缺陷分析
图2显示了在测试过程中收集的LCD屏幕的“黑屏”的部分图像样本。在图2中，可以看出LCD屏幕图像的背景具有明显的整体亮度不均匀和各种形式的不均匀缺陷（图2a中的线条不均匀，图2b中的块不均匀，（块阵列和莫尔条纹） 这些缺陷混杂在亮度不均匀的背景上，难以区分。

图2 成像式亮度计拍到的LCD屏黑色图像图像

3 Mura检测算法
基于上述Mura缺陷检测问题，本文档使用基于梯度的方法来检测和分析Mura缺陷。 在本文中，我们将使用二次三次曲面逼近来抑制背景中的不均匀光照，然后使用非线性增强技术来降低图像对比度。最后再计算经以上方法处理的图像的亮度梯度。

3.1非线性的图像增强和BlackMura缺陷计算区域划分
图像的整体亮度不高,因此需要进行增强处理。对于有Mura缺陷的图像，为了更好地实现Mura缺陷的检测，常采用非线性增强技术。常用的非线性增强函数有对数函数和指数函数两种，我们采用指数类型的函数，如式(2)所示：

其中a和b为常数，γ为指数因子，常取值为0.4～0.8。
利用经过增强后的亮度图像，就可以得到相应的亮度图像的亮度梯度分布。在计算图像亮度梯度时，由于图像内部点和边缘点所处环境的不同，需要对它们分布进行处理。对于内部像素点的图像亮度梯度的计算方法如下。
首先确定用于计算亮度梯度所需的最大元素个数

其中NLE为进行平均处理的相机像素个数。由此，可以得到亮度图像的梯度[12]为:

其中和分别为沿x和y方向的亮度梯度。其中KN为二次标准化的参数,定义为:

和分别为沿x和y方向的相机放大率。图像的总亮度梯度为

对于图像边界的亮度梯度是无法直接计算的，因为它们通常会落在DA区的外面。在此对此区域内图像的亮度梯度约定为:

其次计算亮度梯度相对值。根据Weber定律，即ΔL/L≥Kw(9)
就能被眼睛能够察觉。相对亮度梯度是亮度梯度的绝对值除以平均亮度，即

上式中为平均亮度。通过扫描亮度图像，如果图像的特定点或区域的相对亮度梯度大于设置的阈值，则认为该点或区域是不均匀的。 请注意，在不同的测试环境（例如“白色图像”和“黑色图像”）中，由上式计算的相对亮度梯度非常不同。 “黑色图像”的亮度梯度比“白色图像”的亮度梯度大得多，这反映出在“黑色图像”的情况下，不均匀缺陷变得更加明显。
 

3.2缺陷量化
给出了Mura缺陷的等级计算方法可以表示为:

其中Cj为Mura缺陷最小可觉察的对比度差异，Sj为Cj下的Mura缺陷面积。Mura缺陷的等级可表示为:

式中，为所测量Mura缺陷的平均对比度，Sx为Mura缺陷的面积。表1给出经过量化的Mura缺陷。从表1也可以看出，非线性增强技术能有效调高Mura缺陷的检测效率。
表1 Mura 缺陷量化及非线性增强对其检测的影响

4试验与分析
为了验证基于亮度梯度的BlackMura缺陷检测方法，本文测试了具有Mura缺陷的原始亮度图像，图4显示了结果。使用非线性图像增强技术处理图像以改善图像对比度，但此时Mura缺陷的特征更为明显。基于此，计算和分析亮度图像的亮度梯度分布及其平均值，并对最终结果进行量化。图4的最终结果表明，本文提出的亮度梯度算法可以有效地实现Mura的检测。另外，如图4所示，Mura缺陷的分布是Mura缺陷的两种类型，即线性和圆形。