| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 TFT-LCD的 Mura缺陷检测简介 | 第12-14页 |
| 1.3 Mura缺陷检测方法国内外研究现状 | 第14-17页 |
| 1.3.1 图像识别法 | 第14-15页 |
| 1.3.2 图像处理法 | 第15-17页 |
| 1.4 本文的研究内容 | 第17页 |
| 1.5 论文的结构安排 | 第17-19页 |
| 第二章 实值Gabor滤波器纹理抑制方法 | 第19-29页 |
| 2.1 引言 | 第19页 |
| 2.2 Gabor滤波器原理的分析 | 第19-22页 |
| 2.2.1 背景纹理抑制方法 | 第19-21页 |
| 2.2.2 实值Gabor小波滤波器原理 | 第21-22页 |
| 2.3 Gabor滤波器参数设计 | 第22-26页 |
| 2.3.1 Gabor滤波器滤波方向参数特性 | 第22-23页 |
| 2.3.2 Gabor滤波器中心频率参数特性 | 第23页 |
| 2.3.3 Gabor滤波器尺度特性 | 第23-25页 |
| 2.3.4 子图像融合方法 | 第25-26页 |
| 2.4 Gabor滤波器仿真验证 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于PCA背景拟合的图像亮度校正 | 第29-38页 |
| 3.1 引言 | 第29页 |
| 3.2 亮度不均分析 | 第29-31页 |
| 3.3 PCA背景拟合 | 第31-35页 |
| 3.3.1 PCA原理 | 第31-33页 |
| 3.3.2 PCA背景拟合法亮度校正 | 第33-35页 |
| 3.4 基于PCA拟合的亮度校正仿真验证 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 改进的主动轮廓水平集算法缺陷分割 | 第38-58页 |
| 4.1 引言 | 第38页 |
| 4.2 主动轮廓水平集算法 | 第38-44页 |
| 4.2.1 图像分割算法概述 | 第38-39页 |
| 4.2.2 主动轮廓模型 | 第39-41页 |
| 4.2.3 水平集算法 | 第41页 |
| 4.2.4 基于Chan-Vese模型和水平集方法的分割算法 | 第41-44页 |
| 4.3 改进的主动轮廓水平集分割算法 | 第44-51页 |
| 4.3.1 基于双边滤波的预处理 | 第45-49页 |
| 4.3.2 初始轮廓的优化 | 第49-51页 |
| 4.4 缺陷量化 | 第51-52页 |
| 4.5 基于改进的主动轮廓水平集算法的缺陷分割仿真验证 | 第52-56页 |
| 4.6 本章小结 | 第56-58页 |
| 第五章 基于支持向量机的液晶屏缺陷自动分类 | 第58-78页 |
| 5.1 引言 | 第58页 |
| 5.2 液晶屏表面缺陷分类意义及方法 | 第58-60页 |
| 5.3 支持向量机理论 | 第60-65页 |
| 5.3.1 最大间隔分类器 | 第60-63页 |
| 5.3.2 核函数 | 第63-65页 |
| 5.4 特征提取 | 第65-69页 |
| 5.4.1 直观性形状特征 | 第65-66页 |
| 5.4.2 二阶矩特征 | 第66-67页 |
| 5.4.3 不变矩特征 | 第67-68页 |
| 5.4.4 特征归一化 | 第68-69页 |
| 5.5 分类器参数寻优 | 第69-73页 |
| 5.5.1 LIBSVM工具箱介绍 | 第69-70页 |
| 5.5.2 交叉验证 | 第70-72页 |
| 5.5.3 c&g参数寻优 | 第72-73页 |
| 5.6 实验验证 | 第73-77页 |
| 5.7 本章小结 | 第77-78页 |
| 第六章 缺陷检测与分类的实验研究 | 第78-87页 |
| 6.1 引言 | 第78页 |
| 6.2 Mura 缺陷自动检测流程与检测分类实验 | 第78-86页 |
| 6.2.1 MATLAB实验软件介绍 | 第78页 |
| 6.2.2 TFT-LCD的 Mura缺陷检测流程 | 第78-86页 |
| 6.3 本章小结 | 第86-87页 |
| 第七章 总结与展望 | 第87-90页 |
| 7.1 总结 | 第87-88页 |
| 7.2 展望 | 第88-90页 |
| 参考文献 | 第90-95页 |
| 致谢 | 第95-96页 |
| 攻读学位期间的学术成果 | 第96-98页 |
