不仅是硬件：图像处理软件在缺陷识别中的角色#
成像色度计的价值不仅在于其精密的光学硬件，更在于配套的图像处理软件将原始光度数据转化为可操作的质量判定结论的能力。本文将介绍成像色度计软件的核心功能架构，重点解析兴趣区域（ROI）定义、自动寻找发光点（POI）、Blob分析、伪彩色图以及数据导出等关键功能在显示缺陷识别中的工程应用。
一、成像色度计配套软件的核心功能架构#
成像色度计的配套软件通常包含从图像采集到结果输出的完整处理链路。一个典型的软件架构包括以下功能层：
1.1 图像采集与校准层#
- 多曝光模式：支持单帧采集（SinglePic）、多帧平均降噪（MultiPic）、高动态范围合成（HighDyn）等多种采集算法，以适应不同亮度范围和信噪比要求的测量场景。
- 校准文件管理：管理和切换不同的光度/色度校准文件（如标准A光源标定、四色标定），确保原始图像数据被正确转换为物理量（cd/m²、色坐标x/y）。
- 几何校正：修正镜头畸变、图像旋转等几何误差。
1.2 测量区域定义层#
- ROI（Region of Interest）定义：在图像中划定测量和分析的目标区域
- 自动对位（Auto-alignment）：自动识别显示屏的边界或特征标记，用于在批量检测中补偿DUT的位置偏移
1.3 分析算法层#
- 统计分析：对ROI内的亮度/色度数据进行统计计算（平均值、标准差、最大/最小值等）
- 符号对象分析（Symbol Object）：对离散发光元素（如像素、LED）进行独立的识别和评估
- Blob分析：检测和量化图像中的异常区域（缺陷）
- 均匀性分析：评估亮度和色度的空间分布均匀性
1.4 结果输出层#
- Pass/Fail判定：将测量结果与预设规格比较，输出合格/不合格判定
- 伪彩色可视化：将亮度或色度数据映射为直观的彩色图像
- 报告生成与数据导出：生成测试报告、导出数据到Excel/CSV/数据库
二、兴趣区域（ROI）的定义和多区域设定#
2.1 ROI的基本概念#
ROI（Region of Interest，兴趣区域）是图像处理分析的基本操作单元。它定义了软件在图像中"关注哪些区域"进行计算。未被ROI覆盖的图像区域将被忽略，不参与统计和分析。
ROI的作用：
- 聚焦分析范围：排除显示屏边框、治具等非目标区域的干扰
- 分区评估：将显示屏划分为多个子区域，分别评估各区域的光学参数
- 缺陷定位：标定缺陷的空间位置
2.2 ROI的形状类型#
成像色度计软件通常支持多种ROI形状：
| ROI形状 | 适用场景 |
|---|---|
| 矩形（Rectangle） | 标准矩形显示屏的整屏或分区测量 |
| 圆形（Circle） | 圆形仪表盘、手表显示屏测量 |
| 多边形（Polygon） | 异形屏（如汽车仪表的不规则显示区域） |
| 环形（Annular Ring） | 环形显示区域或需排除中心区域的测量 |
| 直线/折线（Line/Polyline） | 沿特定路径提取亮度剖面线（Line Profile） |
2.3 多区域设定的应用#
在实际检测中，通常需要同时定义多个ROI。典型的多区域配置包括：
均匀性测量的标准分区方案：
以VESA FPDM / SID IDMS标准为参考，均匀性测量通常将显示屏划分为多个等分区域。例如，将整个显示区域等分为9个（3×3）或25个（5×5）子区域，分别计算各区域的平均亮度和色度值，再通过以下公式评估均匀性：
亮度均匀性 = (L_min / L_max) × 100%多层ROI嵌套：
在某些应用中，ROI可以嵌套使用。例如：
- 外层ROI定义整个显示屏的有效显示区域
- 内层ROI排除显示屏的边缘非有效区域（某些屏幕的边缘若干行/列像素可能不参与正常显示）
- 进一步在有效区域内划分分析子区域
2.4 自动ROI与模板匹配#
在产线自动化检测中，由于每块DUT的位置可能存在微小偏移，手动定义的固定ROI坐标可能无法精确对准显示区域。解决方案是：
- 基于特征的自动对位：软件自动识别显示屏的边界（通过亮暗边缘检测）或预设的对位标记（Fiducial Mark），动态调整ROI的位置
- 模板匹配（Template Matching）：使用预先保存的标准图像作为模板，通过图像配准算法计算当前DUT与模板之间的偏移和旋转，据此补偿ROI坐标
三、自动寻找发光点（POI - Point of Interest）#
3.1 POI的定义#
POI（Point of Interest）功能用于在图像中自动搜索和定位离散的发光元素，如：
- 显示屏上的亮点缺陷（Bright Dot Defect）
- 键盘背光的单个LED
- 汽车仪表的独立指示灯
- MiniLED/MicroLED阵列中的每个LED单元
3.2 POI搜索算法#
POI搜索通常基于以下步骤：
- 全局或局部阈值分割：根据亮度阈值将图像分为"亮"区域和"暗"区域。阈值可以是固定值，也可以是自适应值（例如，基于邻域平均亮度的比例）
- 连通域标记：对分割出的"亮"区域进行连通域分析，将相邻的亮像素归为同一组，每组即为一个候选POI
- 特征筛选：根据面积、形状、亮度等特征筛选出符合条件的POI，排除噪声或非目标区域
3.3 符号对象（Symbol Object）评估#
在专业的成像色度计软件（如TechnoTeam的LMK LabSoft）中，“符号对象”（Symbol Object）是一种针对离散发光元素进行精密评估的工具。与简单的阈值分割不同，符号对象评估具有以下特点：
- 自适应边缘识别：通过"邻域"（Neighborhood）和"前景范围"（Foreground Range）参数的协同工作，能够在模糊的亮暗过渡区域中精确界定符号的边界。这种方法不依赖单一的全局阈值，而是在局部范围内自适应判断。
- 积分光通量计算：即使符号的边缘因光学扩散而模糊，软件也能通过积分方法收集符号发出的全部光线，准确计算其平均亮度和总光通量。
- 局部极值检测：使用可调大小的圆形"点传感器"（Point Sensor，由Filter Size参数定义）在符号区域内扫描，检测局部最大值和最小值及其位置。这对于评估单个发光元素的亮度均匀性非常有用。
关键参数说明：
| 参数 | 功能 |
|---|---|
| Background Threshold（背景阈值） | 设定亮度下限，低于此值的像素被视为背景 |
| Neighborhood（邻域） | 定义局部搜索窗口大小，用于在局部范围内寻找最高亮度 |
| Foreground Range（前景范围） | 判断因子，当前像素亮度达到邻域最高亮度乘以该因子时，被认定为前景（符号）像素 |
| Filter Size（滤镜尺寸） | 定义点传感器大小，影响局部极值的检测灵敏度 |
| Border Width（边界宽度） | 点传感器与符号边缘的最小距离，避免边缘效应 |
四、Blob分析算法：连通域检测与缺陷量化#
4.1 Blob分析的基本概念#
Blob分析（Blob Analysis）是机器视觉中用于检测和量化图像中"异常区域"的经典算法。“Blob"指的是图像中具有共同特征（如亮度、颜色）的连通像素群。在显示缺陷检测中，Blob分析用于识别和量化以下类型的缺陷：
- 亮点（Bright Spot）/ 暗点（Dark Spot）
- 亮线（Bright Line）/ 暗线（Dark Line）
- 局部色斑（Color Spot）
- Mura区域
4.2 Blob分析的处理流程#
步骤一：图像预处理
在执行Blob检测之前，通常需要对图像进行预处理：
- 背景建模：通过低通滤波或多项式拟合获取"理想背景”（即没有缺陷时的预期亮度分布）
- 差分图像：将原始图像减去背景模型，得到"缺陷图像"。在差分图像中，正常区域接近零，缺陷区域呈现为正值（亮缺陷）或负值（暗缺陷）
步骤二：阈值分割
对差分图像应用阈值分割，将超出阈值的像素标记为"缺陷候选像素"。阈值的设定直接影响检测的灵敏度：
- 阈值过低：正常区域的噪声波动也会被判定为缺陷（误检率高）
- 阈值过高：轻微缺陷被遗漏（漏检率高）
阈值可以是绝对值（例如：亮度偏差超过2 cd/m²），也可以是相对值（例如：亮度偏差超过背景亮度的5%）。
步骤三：连通域分析（Connected Component Analysis）
对阈值分割后的二值图像执行连通域标记。连通域分析将相邻的缺陷候选像素归为同一Blob。连通性定义有两种常见方式：
- 4-连通：像素的上、下、左、右四个方向的邻居被认为是连通的
- 8-连通：像素的上、下、左、右及四个对角方向的邻居被认为是连通的
步骤四：特征提取与筛选
对每个检出的Blob计算其几何和光度特征，并根据预设条件筛选：
| 特征 | 描述 | 筛选用途 |
|---|---|---|
| 面积（Area） | Blob包含的像素数量 | 排除面积过小的噪声斑点 |
| 质心（Centroid） | Blob的几何中心坐标 | 定位缺陷在屏幕上的位置 |
| 长轴/短轴（Major/Minor Axis） | 等效椭圆的长短轴长度 | 区分点状缺陷和线状缺陷 |
| 宽高比（Aspect Ratio） | 长轴与短轴之比 | 进一步区分缺陷形态 |
| 平均亮度偏差 | Blob区域相对于背景的平均亮度差 | 量化缺陷的严重程度 |
| 峰值亮度偏差 | Blob区域中最大的亮度偏差值 | 评估缺陷的最"严重"点 |
步骤五：缺陷分类与判定
根据提取的特征，将每个Blob分类为特定的缺陷类型，并根据预设规格进行严重性分级：
- Critical（致命）：严重影响用户体验的缺陷，如面积大于规格限的亮点
- Major（重要）：可察觉但影响较小的缺陷
- Minor（次要）：微小的、在正常使用条件下难以察觉的缺陷
五、在异形屏幕检测中的应用#
5.1 异形屏幕的检测挑战#
现代显示屏已经不再局限于标准的矩形形态。汽车仪表盘的弧形显示屏、智能手表的圆形屏幕、带有开孔（摄像头、传感器）的手机屏幕，都对检测软件提出了新的挑战：
- ROI定义：标准的矩形ROI无法精确覆盖异形显示区域
- 均匀性评估：在非矩形区域内如何定义合理的分区和评估标准
- 边缘处理：异形屏幕的边缘形状复杂，边缘区域的Blob检测需要特别处理
5.2 解决方案#
多边形ROI与掩膜（Mask）：
软件支持通过多边形或任意形状的掩膜来精确定义异形屏幕的有效显示区域。掩膜可以通过以下方式生成：
- 手动绘制多边形边界
- 基于CAD图纸导入屏幕轮廓坐标
- 自动检测：利用图像中亮暗边界自动识别屏幕轮廓
自适应分区：
对于异形区域，传统的矩形网格分区不再适用。软件可以采用以下方案：
- 在有效掩膜区域内进行非均匀网格划分
- 使用极坐标分区方案（适用于圆形屏幕）
- 基于像素密度的自适应分区
汽车仪表盘检测实例：
现代汽车的数字仪表盘可能由多个不同形状的显示区域组成（如组合仪表的两个圆形表盘和中间的矩形信息区域）。检测方案需要：
- 分别为每个显示区域定义独立的ROI
- 每个ROI内执行独立的均匀性分析和缺陷检测
- 汇总所有区域的检测结果，生成整个仪表盘的综合判定
六、伪彩色图（False Color Map）的生成和应用#
6.1 什么是伪彩色图#
成像色度计采集的亮度图像本质上是一个二维的灰度矩阵，每个像素的值代表该位置的亮度（cd/m²）或色度参数。人眼对灰度差异的分辨能力有限——通常只能区分约20-30个灰度级。而伪彩色图通过将数值映射到色彩空间（如彩虹色阶：蓝→绿→黄→红），将人眼难以察觉的微小亮度差异转化为明显的颜色差异，极大增强了数据的可视化效果。
6.2 伪彩色图的生成过程#
- 确定映射范围：选择要可视化的数据范围（如亮度200-300 cd/m²）
- 归一化：将该范围内的数据线性归一化到0-1
- 颜色映射（Colormap）：通过查找表（LUT, Look-Up Table）将归一化值映射为RGB颜色。常用的色彩映射方案包括：
- 彩虹/Jet色阶：蓝→青→绿→黄→红，对比度高但可能产生视觉误导
- 热图/Inferno色阶：黑→紫→红→黄→白，亮度单调递增，更符合感知一致性
- 灰度增强：保持灰度但增强对比度
- 叠加色标（Color Bar）：在图像旁附上颜色与数值的对应关系表
6.3 伪彩色图的应用价值#
亮度均匀性可视化：
对于显示屏的全白画面测量图像，伪彩色图可以直观呈现亮度的空间分布。工程师一眼即可识别出中心亮、边缘暗的"穹顶"分布，或特定位置的局部异常。
色度分布可视化：
将色坐标偏差（如Δu’v’相对于中心点的偏移量）映射为伪彩色，可以直观展示显示屏的颜色均匀性。这在背光系统调试中尤其有用。
缺陷标注：
在缺陷检测的结果图中，可以用伪彩色叠加缺陷标记：
- 缺陷Blob用红色高亮轮廓
- 背景使用灰度或低对比度伪彩色
- 同时标注缺陷编号、类型和面积
Mura可视化：
Mura缺陷通常表现为微弱的亮度变化。在原始灰度图像中，人眼可能完全无法察觉。通过缩小伪彩色映射范围（例如，仅显示±5%的亮度变化范围），可以将Mura变得清晰可见，极大提升了Mura分析和调试的效率。
七、数据导出与统计分析#
7.1 数据导出格式#
成像色度计软件通常支持多种数据导出格式：
| 导出格式 | 内容 | 用途 |
|---|---|---|
| CSV/Excel | ROI统计数据、缺陷列表、逐像素数据 | 离线数据分析、SPC |
| 图像文件（TIFF/BMP/PNG） | 伪彩色图、缺陷标注图 | 报告插图、存档 |
| 原始数据（浮点矩阵） | 完整的亮度/色度矩阵 | 高级自定义分析 |
| PDF报告 | 综合测试报告 | 客户交付、质量审计 |
| 数据库接口 | 结构化测量数据 | MES/SPC系统对接 |
7.2 统计分析功能#
软件内置或支持与外部工具协同的统计分析功能：
单台设备的统计：
- 直方图（Histogram）：亮度/色度值的频率分布
- 剖面线（Line Profile）：沿指定路径的亮度/色度变化曲线
- 散点图（Scatter Plot）：色坐标在CIE色度图上的分布
批量数据的统计：
- 趋势图（Trend Chart）：关键参数随时间/批次的变化趋势
- Cpk/Ppk分析：过程能力指数评估
- 控制图（Control Chart）：监控测量参数是否超出控制限
7.3 与MES/SPC系统的集成#
在现代智能工厂中，检测数据不是孤立存在的，需要与制造执行系统（MES）和统计过程控制（SPC）系统集成：
- 实时数据上传：每块DUT的检测结果通过标准接口实时上传至MES
- 序列号绑定：测量数据与DUT的唯一序列号绑定，实现全流程追溯
- 异常报警：当连续出现不良品或关键参数漂移时，自动触发报警
- 工艺反馈：将检测数据反馈给上游工艺环节，支持闭环质量控制
八、总结#
成像色度计的图像处理软件是将光度数据转化为工程价值的核心环节。ROI定义决定了"分析什么"，Blob分析和符号对象评估决定了"如何发现缺陷"，伪彩色图决定了"如何直观呈现"，数据导出和统计分析决定了"如何形成质量闭环"。在实际部署中，软件的功能完备性、算法的灵活性以及与自动化系统的集成能力，往往是决定检测系统能否真正发挥价值的关键因素。
常见问题#
Q1: Blob分析在显示缺陷检测中是如何工作的？#
Blob分析通过以下流程检测缺陷：首先对图像进行背景建模和差分处理得到缺陷图像，然后应用阈值分割标记缺陷候选像素，接着通过连通域分析将相邻的缺陷像素归为同一Blob，最后对每个Blob提取面积、质心、长短轴、亮度偏差等特征进行筛选和分类。Blob可被分为亮点、暗点、亮线、暗线、色斑和Mura等不同缺陷类型，并根据严重程度分为致命、重要和次要三级。
Q2: 伪彩色图在显示检测中有什么作用？#
伪彩色图将人眼难以察觉的微小亮度或色度差异转化为明显的颜色差异，极大增强了数据可视化效果。在显示检测中，伪彩色图可直观呈现亮度均匀性的空间分布、色度分布偏差、缺陷标注以及Mura可视化。特别是对于Mura缺陷这类微弱亮度变化，通过缩小伪彩色映射范围（如仅显示±5%的变化），可将原始灰度图中不可见的Mura变得清晰可辨。
Q3: 异形屏幕（如圆形手表屏、汽车仪表盘）如何进行检测？#
异形屏幕检测需要采用多边形ROI或任意形状掩膜来精确定义有效显示区域，掩膜可通过手动绘制、CAD图纸导入或自动边界检测生成。均匀性评估方面，采用极坐标分区（圆形屏）或非均匀网格划分替代传统矩形网格。对于多区域组合屏幕（如汽车仪表盘），需分别为每个显示区域定义独立ROI并执行独立检测，最后汇总生成综合判定。
本文为成像色度计技术知识库系列文章。