基于BP神经网络的线Mura缺陷识别与定位研究

李一能，曾庆化*，张月圆，姜 涌，崔雨晨

基于BP神经网络的线Mura缺陷识别与定位研究

李一能1，曾庆化1*，张月圆1，姜 涌2，崔雨晨1

1南京航空航天大学导航研究中心，江苏 南京 211106；2惠州高视科技有限公司，广东 惠州 516000

各类显示屏中Mura缺陷的自动识别和定位对提高显示屏幕的产品品质具有重要作用，是当前迫切需要发展的重要技术之一。针对当前手机屏幕Mura缺陷对比度低、缺乏明显边缘等特点，文中提出一种基于图像灰度曲线的Mura缺陷检测方法及其改进方法。改进方法基于均值滤波平滑和降采样原理，通过研究采样线上灰度曲线的波峰与波谷信息，利用BP神经网络构建线Mura缺陷的自动检测和定位算法。结合真实手机屏幕图像验证结果表明，与现有多种Mura缺陷检测方法相比，本文的改进方法能更准确快速地识别手机屏幕中的线Mura缺陷，识别准确率达到98.33%，检测过程无需调节参数，实现了线Mura缺陷的自动检测和定位。

BP神经网络；灰度曲线；Mura；缺陷检测；图像处理

1 引 言

手机屏幕结构复杂、制造工序繁多，生产过程中不可避免会出现点、线Mura等缺陷，类似缺陷是由于薄膜晶体管失效，驱动芯片与屏幕连接不良等原因引起[1]。Mura缺陷是液晶屏不良显示缺陷，主要体现为屏幕的部分区域亮度或颜色不均、缺陷区域和周围背景的对比度低、边缘模糊等[2]。这些特点使得传统的基于边缘检测和阈值分割的方法难以有效检测Mura缺陷[3]。传统的显示屏幕Mura缺陷检测主要依靠人工检测辨别，该方法人工成本高、受工人经验影响较大，检测效率较低，无法满足屏幕大批量的检测和筛查要求，为此，迫切需要研究基于计算机识别的显示屏幕Mura缺陷的自动检测和定位技术。近年来，虽然出现了Mura自动检测方法，但是由于Mura缺陷在不同显示屏幕上的可视性不同，需要进行大量的参数调节，难以适用于大规模的屏幕缺陷检测[4]。

由于Mura的种类繁多，因此检测算法的普适性较低[5]。目前，已有学者针对不同种类的Mura提出了多种Mura缺陷的检测方法。Ma等人[6]提出一种基于图像背景重构的LCD屏幕Mura缺陷检测方法，通过估计屏幕亮度分布的方法重建图像背景，再利用伽玛校正得到缺陷区域的最终结果。Kong等人[7]提出了一种针对水渍状Mura缺陷检测方法，该方法将带通滤波器与Sobel边缘检测算子结合，有效突出水渍状Mura缺陷，同时将图像分解为几个小块分别进行检测，减小了光照不均带来的干扰。Wang等人[8]提出了一种背景重构和多通道融合的Mura缺陷检测方法，该方法利用FastICA从大量无故障图像中获取一组基础图像用于背景重建，结合多阈值定位图像中Mura缺陷位置。廖苗等人[9]提出一种基于自适应局部增强的Mura缺陷自动检测方法，该方法将手机屏幕区域划分为多个不重叠的像素块，接着根据每个像素块的灰度分布特征，自适应增强图像并定位图像中的Mura区域。钱基德等人[10]提出一种基于单帧图像背景建模与背景差分的方法，该方法有效解决了液晶屏亮度不均问题，并基于最大稳定极值区域，构造全自动缺陷在线检测系统。郝仕嘉等人[11]提出了一种基于机器视觉的手机屏幕Mura缺陷检测方法，通过构造不同的卷积模块对图像进行卷积处理，增强缺陷与周围正常像素的对比，进而确定Mura缺陷的范围。上述Mura缺陷检测方法针对各自的适用场合均取得了不错的效果，然而所检测出的缺陷都是具有较为明显边界的缺陷，或者缺陷本身与周围环境的对比度较强。考虑到本文检测的手机屏幕的Mura缺陷非常不明显，检测技术要求特别高，人工检测时需要长时间调整不同的角度观测和识别，为此，前述的检测方法很难适用。

考虑到Mura缺陷检测缺少针对图像中灰度曲线直接分析的算法，因此本文提出一种基于图像灰度与BP神经网络的线Mura缺陷检测新方法。首先对图像进行预处理，降低图像噪声干扰，然后对图像中采样线上的灰度曲线进行分析，寻找灰度突变的位置，进而判断是否存在线Mura。在此基础上，结合BP神经网络非线性强、鲁棒性好的特点，从图像灰度曲线上提取能够反映是否存在Mura的特征信息进行训练，自动检测屏幕中是否存在Mura缺陷。这种针对手机屏幕的线Mura缺陷的自动检测和定位方法，对于提高手机屏幕的检测效率和质量具有重要价值。

2 Mura缺陷检测方案简介

图1所示为试验中采集的手机屏幕的部分图像样本，从图中可以看出手机屏幕中存在隐约模糊的整体亮度不均匀现象以及矩形框标记的横向纵向两种形式的线Mura缺陷。这些缺陷所在的位置不固定，且与周围背景没有较为明显的边界。考虑到人眼对于Mura的最敏感的位置为图像中的暗条纹与亮条纹，对应为图像灰度曲线的波峰或者波谷。为此，拟通过检测灰度曲线中波峰波谷的方法检测图像的Mura缺陷。

3 基于图像灰度的Mura缺陷检测算法研究

基于图像灰度曲线的线Mura检测方法是在对图像进行预处理的基础上，采样线上的灰度曲线判断图像中是否存在Mura缺陷，主要步骤包括：图像平滑、图像降采样、采样线波峰波谷检测、Mura缺陷判定。

图1 手机屏幕样本与缺陷所在位置。(a) 横向Mura；(b) 纵向Mura

3.1 基于均值滤波的缺陷增强与图像降噪分析

由于图像在采集过程中采用单侧光源照射，因此整个屏幕的光线强度不均匀，除此之外，还存在相机镜头误差与振动等各种干扰因素，不可避免地导致图像引入噪声，使图像的灰度曲线出现剧烈的震荡。针对图像灰度曲线中震荡剧烈、毛刺过多，难以进行分析与处理的问题，本文选择均值滤波器[12]进行图像滤波，从而降低图像中尖锐噪声影响。经过多次对比测试分析，针对本文中这类分辨率为4800´2600的手机屏幕图像，选择127´127的滤波矩阵效果较好。

3.2 基于灰度曲线的线Mura检测算法

由于原图的尺寸非常大(4800´2600)，导致在检测程序运行处理过程中，需要大量时间。此外，本文中所示Mura缺陷的边界非常不明显，需要从较为宏观的角度整体进行检测。文中结合图像降采样方法[13]，将图像进行10:1的降采样，由于图像中Mura缺陷对应的灰度曲线是尺寸较大的宏观变化的过程，因此，降采样中丢失的部分细节信息对Mura 缺陷的检测影响较小。如图2所示，降采样前后的采样线上灰度曲线的变化是一致的，而且降采样减小了图像的尺寸，没有改变对应的灰度，因此使得灰度变化更加明显，有效突出屏幕中的Mura特征。

为了提高处理速度，需要对图像进行采样处理，为此在预处理的图像上根据需要加入了等间隔的采样线，采样线间隔可以按照式(1)计算获得。本文选取采样线的数量为12条，选择的宽度为20个像素，采样线情况如图3(a)中竖线所示。

式中：为采样线间隔像素点数，row为图像长度方向的像素点数，为采样线数目。

由于线Mura在图像灰度曲线上对应为波峰或者波谷，因此可以通过检测采样线是否存在满足特定条件的波峰/波谷判断Mura的具体情况。图3(b)矩形框中灰度曲线的波谷从左到右对应于图3(a)矩形框中从上至下像素点灰度值的变化情况。

根据大量的图像实验分析经验，结合波峰/波谷判别方式给出线Mura的定义为：在某一区域中，多条采样线灰度同时存在灰度变化率绝对值较大的波峰或波谷，若在波峰或波谷两侧的灰度曲线能保持单调性达到一定的宽度，则说明该区域某种程度上存在线Mura缺陷。

然而在求解采样线灰度曲线上波峰/波谷点的过程中，由于采样线灰度曲线在波峰/波谷点相邻5个像素内常常出现小幅度的震荡，会导致求解出重复的极值点。如图4圆圈中所示，下三角形对应为采样线灰度曲线的波谷点，上三角形对应为采样线灰度曲线的波峰点，在圆圈中的极近距离中求解出对应于同一个尖峰的重复波谷点。对于该种波峰/波谷点，一般考虑将多个点的位置求平均值，得到唯一极值点位置。

图2 图像降采样前后采样线灰度曲线示意图。(a) 降采样后采样线灰度曲线；(b) 未降采样采样线灰度曲线

图3 手机屏幕暗条纹线Mura对应关系示意图。(a) 手机屏幕采样线示意图；(b) 手机屏幕采样线灰度变化示意图

图4 检测孤点、极值点示意图

除此之外，由于图像中光线分布不均，将出现如图4矩形框中孤立的极值点。在以波峰/波谷点为中心、宽度为10 pixels、长度与图像长度一致的矩形框中，如果出现的波峰/波谷点的数量小于5，可以认为该点为孤立的极值点，孤点由拍摄过程中的噪声产生，可将孤点直接删去。线Mura检测流程图如图5所示。

4 基于BP神经网络的线Mura检测改进算法

利用前面章节的方法可以得到手机屏幕图像中的线Mura位置，由于每一张图像的亮度不同，灰度变化率绝对值不是一个定值，而是一个随着图像的总体灰度变化而变化的值，在每一次的检测中，都需要人工选取。因此，3.2节中的算法无法自适应调节灰度变化率绝对值，手机屏幕Mura缺陷不能自动检测，难以满足工程实际的需要[14]。

考虑到BP神经网络能够精确地拟合映射关系[15]，本文采用BP神经网络进行输入输出关系的黑盒映射，从而使算法能够自适应调节灰度变化率绝对值，实现手机屏幕Mura缺陷的自动检测。

4.1 神经网络建立研究

BP神经网络的结构一般分为三层：输入层、隐含层和输出层[16]。外部的信号由输入层接入，各输入单元将输入信号传送给隐含层的各单元。隐含层作为神经网络结构内部的处理单元，节点数需要多次试验。

由3.2节可以发现，图像中是否存在Mura缺陷是与3.2节中的“灰度变化率绝对值”与“宽度”相关的。因而可以通过训练BP神经网络自适应得到图像有无线Mura瑕疵的网络函数。求解的公式如下所示：

其中：w为图6中a所示宽度，h为图6中b1与b2所示高度和。w的求解过程：求解灰度曲线波峰波谷的极点，解算极点两侧灰度变化率绝对值最大的位置与，并且求解对应位置的灰度变化率与。求解极点两侧灰度变化率分别为与的位置与，得到BP神经网络输入集第一个特征w。计算公式如下：

图6 BP神经网输入值示意图

由于与、存在一定的关联，将与或者与输入BP神经网络训练，都可以自适应得到图像Mura瑕疵关于与的判别函数。将与带入训练减少了求解的过程。因此，使用与进行运算可以减少运算量，提高运算效率。

在BP神经网络训练过程中，由于图像边缘往往受光照不均的影响而包含较多噪声，且人眼往往比较容易注意到图像中部的灰度变化，因此选取图像中部10条采样线上的“最尖锐波峰点在可视条件下的最大宽度”之和的平均值作为神经网络的第一个输入值。同理，选取图像中部10条采样线上的“最尖锐波峰点与邻近背景的相对灰度差”之和的平均值作为神经网络的第二个输入。与计算公式：

其中：w与h分别为第条采样线上的“最大宽度”与“相对灰度差”，从而得到BP神经网络训练集的输入集。

人工检测屏幕图像中是否含有Mura缺陷，根据有无Mura缺陷将图像分为两类，当图像中有Mura缺陷时，输出值设定为[1 0]，当图像中无Mura缺陷，输出值设定为[0 1]，从而得到BP神经网络训练集的输出集。

该神经网络的输入数据为2维，故输入层节点数为2。由于其输出值为2维，所以输出层的节点为 2。隐藏层节点数选取时可以依据式(7)缩小范围：

4.2 BP神经网络训练结果

神经网络模型建立后，将训练集的输出集与输入集导入模型进行训练。图7为本文BP神经网络的训练数据均方误差曲线图，从图中可以看出本文的BP神经网络经过25次训练，训练后的均方误差为 0.00011515，该模型识别准确度较高，能够满足工程实际需要。

图7 BP网络的训练数据均方误差曲线图

5 手机屏幕图像照片的实验结果与分析

本次实验数据是由惠州高视科技有限公司提供的图像，原图像在暗室环境采集，原始图像尺寸大小为4800´2600，Mura瑕疵的形态为横向线Mura与纵向的线Mura。

BP网络模型训练完成后，将计算得到的测试集数据输入BP神经网络中，得到BP神经网络给出的图片辨识结果，BP神经网络的辨识结果如表1所示。

表1 线Mura检测率

根据测试集检测结果显示，在120张含有缺陷的手机屏幕图像中119张屏幕被成功检验出Mura缺陷，在60张无缺陷的手机屏幕图像中发现有7张图像被检验出了Mura缺陷。为了验证算法的准确性，笔者对1张未能成功检测的屏幕图像与7张误检测的屏幕图像再次人工检查，其中未能检测的线Mura瑕疵图像如图8(a)所示，复检中观察到的Mura瑕疵十分不明显，Mura瑕疵未能与周围边界形成有效的对比，人工检测中难以一次性发现图像中的线Mura瑕疵的位置，需要反复观察。误检测的8张图像经人眼观察，其中5张屏幕图像均发现有不明显的Mura，如图8(b)所示，在矩形框中发现了不明显的暗纹，说明此前的人工检查中存在漏检。其余2张图像如图8(c)、8(d)所示，复检未观察到明显Mura条纹，可以认为是BP神经网络过拟合造成的误检。

为了对比分析本文研究的算法，采用了不同的算法对随机挑选的含有线Mura缺陷的手机屏幕图像进行对比检测，相关结果见图9所示。图9(a)是增强对比度的原始图像，图9(b)是本文算法的检测结果，图9(c)、图9(d)是文献[9]、文献[10]方法得到的检测结果。文献[9]算法通过背景拟合减少光照影响，并通过自适应阈值分割进行确定Mura位置，虽然大致检测出线Mura缺陷，但是正如文献[9]中所说，该算法容易将图像中接近边缘部分的噪声误检测为缺陷。文献[10]中算法通过构造不同的卷积模块对图像进行卷积处理，增强缺陷与周围正常像素的对比，但是该算法中用Mura缺陷的阈值难以准确自适应确定，导致图像左侧的黑色部分被误检测为Mura缺陷，不能准确定为线Mura缺陷。

表2为多种方法对同一数据集中180幅图像进行检测的统计结果比较，实验平台为Intel四核I7-2.59 GHz CPU，8.0 Gb RAM的笔记本电脑，Windows XP环境下Matlab2014平台。

由表2可知，本文基于图像灰度与BP神经网络方法在检测正确率和平均检测时间均优于其他算法。考虑到基于灰度曲线算法与文献[10]中算法需要对检测算法的参数进行手动调参，时间消耗较多，且人工调参受人为主观性影响存在漏检的情况。而本文提出的基于图像灰度与BP神经网络的线Mura缺陷检测方法，无需调参，可以在提高Mura缺陷检测正确率的基础上有效提高检测效率，实现手机屏幕线Mura缺陷自动检测。

图8 部分手机屏幕原图像。(a) 本文算法未成功检测的屏幕图像；(b) 人工漏检屏幕图像；(c) 本文算法误检图像1；(d) 本文算法误检图像2

图9 不同算法实验结果对比图。(a) 原始图像(已增强对比度)；(b) 本文方法检测结果；(c) 文献[9]方法检测效果；(d) 文献[10]方法检测结果

表2 不同算法对测试数据集中180幅图像进行检测的统计结果比较

6 小 结

本文提出和实现了基于图像灰度与BP神经网络的方法，实现了对线Mura缺陷检测与分析。首先使用均值滤波平滑图像，接着对图像降采样，减小图像大小的同时可以凸显灰度曲线特征，然后求解采样线灰度曲线中“最尖锐波峰点与邻近背景的相对灰度差”与“最尖锐波峰点在可视条件下的最大宽度”的数据并输入BP神经网络进行训练，得到BP网络函数模型，从而实现手机屏幕线Mura缺陷自动检测。

实验结果表明，基于本文提出的方法在识别与定位线Mura缺陷优于其他多种检测方法，且对于同一类屏幕缺陷的检测，无需进行参数的调整，可实现Mura缺陷自动检测。虽然本文算法的对象主要是包含线Mura缺陷的手机屏幕，但文中算法经过适当改进，同样可以适用于其他类型的Mura缺陷检测，后续将在这方面进行更多种类Mura样本研究，提高算法综合性能。

[1] Zhang P, Ma T T, Yang Y H,. Mura defect and measurement method of liquid crystal display[J]., 2017(6): 50–52.

张鹏, 马婷婷, 杨叶花, 等. 液晶显示器Mura缺陷及测量方法浅析[J]. 电子测试, 2017(6): 50–52.

[2] Yang Y B, Li N, Zhang Y. Automatic TFT-LCD Mura detection based on image reconstruction and processing[C]//, Berlin, 2014: 240–244.

[3] Fan S K S, Chuang Y C. Automatic detection of Mura defect in TFT-LCD based on regression diagnostics[J].2010, 31(15): 2397–2404.

[4] Shi G M. Luminance gradient based LCD black Mura defect detection[J].2018, 42(11): 40–43.

石光明. 基于亮度梯度的LCD屏的Black Mura缺陷检测[J]. 电视技术, 2018, 42(11): 40–43.

[5] Mu C. Research on TFT-LCD Mura defect detection algorithm based in image processing[D]. Changchun: Jilin University, 2018.

牟晨. 基于图像处理的TFT-LCD Mura缺陷检测算法研究[D]. 长春: 吉林大学, 2018.

[6] Ma Z Q, Gong J. An automatic detection method of Mura defects for liquid crystal display[C]//, Guangzhou, China, 2019: 7722–7727.

[7] Kong L F, Shen J, Hu Z L,. Detection of water-stains defects in TFT-LCD based on machine vision[C]//, Beijing, China, 2018: 1–5.

[8] Wang X, Dong R, Li B. TFT-LCD Mura defect detection based on ICA and multi-channels fusion[C]//, Beijing, China, 2016: 687–691.

[9] Liao M, Liu Y Z, Ouyang J L,. Automatic detection of Mura defect in TFT-LCD mobile screen based on adaptive local enhancement[J]., 2018, 33(6): 475–482.

廖苗, 刘毅志, 欧阳军林, 等. 基于自适应局部增强的手机TFT-LCD屏Mura缺陷自动检测[J]. 液晶与显示, 2018, 33(6): 475–482.

[10] Qian J D, Chen B, Qian J Y,. Machine vision based inspection method of Mura defect for LCD[J]., 2018, 45(6): 296–300, 313.

钱基德, 陈斌, 钱基业, 等. 基于机器视觉的液晶屏Mura缺陷检测方法[J]. 计算机科学, 2018, 45(6): 296–300, 313.

[11] Hao S J, Zhou J Q. Research on detecting method of mobile phone screen defect based on machine vision[J]., 2018(9): 50–53.

郝仕嘉, 周嘉琪. 基于机器视觉的手机屏幕缺陷检测方法研究[J]. 信息与电脑, 2018(9): 50–53.

[12] Zhao X L. Image denoising based on wavelet transform and average filtering[J].2017(2): 69–71, 75.

赵晓雷. 基于小波变换和均值滤波的图像去噪研究[J]. 信息技术, 2017(2): 69–71, 75.

[13] Gu Y B, Yu K W, Yao H T. A digital video 3D denoising algorithm based on down sampled block matching[J]., 2016, 39(2): 98–102.

谷元保, 余康为, 姚洪涛. 基于降采样块匹配的数字视频3D降噪算法[J]. 长春理工大学学报(自然科学版), 2016, 39(2): 98–102.

[14] Cen Y G, Zhao R Z, Cen L H,. Defect inspection for TFT-LCD images based on the low-rank matrix reconstruction[J]., 2015, 149: 1206–1215.

[15] Han X H, Xiong X Y, Duan F. A new method for image segmentation based on BP neural network and gravitational search algorithm enhanced by cat chaotic mapping[J]., 2015, 43(4): 855–873.

[16] Yang S J, Chen K. Effect of multi-hidden-layer on performance of BP neural network[J]., 2013, 26(1): 48–52.

杨守建, 陈恳. BP神经网络性能与隐藏层结构的相关性探究[J]. 宁波大学学报(理工版), 2013, 26(1): 48–52.

Mura detection and positioning in picture based on BP neural network

Li Yineng1, Zeng Qinghua1*, Zhang Yueyuan1, Jiang Yong2, Cui Yuchen1

1Navigation Research Center, Nanjing University of Aeronautics and Astronautics, Nanjing, Jiangsu 211106, China;2Huizhou Govion Technology Co.,Ltd, Huizhou, Guangdong 516000, China

Detection results of the proposed method

Overview:Since the screen of the mobile phone has complex structures, and the manufacturing process is complicated, point Mura, and line Mura tend to arise when a screen is produced. Mura defect is a kind of display defect on the liquid crystal display (LCD) screen. It has various forms, such as uneven brightness or color in some areas of the screen, low contrast between the defect area and the surrounding background, blurred edges, and so on. These characteristics make the traditional methods based on edge detection and threshold segmentation difficult to detect Mura defect effectively.

The traditional detection of Mura mainly depends on manual detection. So, this method has high labor cost, and the result of Mura detection is greatly influenced by the experience of workers. It clearly cannot meet the requirements of large batch orders of screen detection. Therefore, it is urgent to study the technology of automatic detection and location of Mura defect on the phone screen based on the computer. In recent years, many kinds of automatic detection methods are applied to detecting Mura defect. Due to the visibility of Mura defect on different display screens is different and various, a lot of parameters need to be adjusted from time to time during the whole detection process, leading relevant method wasting too much time if the number of screens is large.

This paper proposes a new method of detecting line Mura based on gray curve of the image and BP neural network. Firstly, the image is preprocessed to reduce the influence of noise. Then the gray curves on the sampling lines in the image are analyzed to find out the location of the gray discontinuous parts. Since Mura defect often appears in the discontinuous parts of the gray sampling line of the image, it can help judge whether Mura is present on the screen.

On this foundation, considering BP neural network is strongly nonlinear and with good robustness, the feature information reflecting whether Mura exists is extracted from the gray curves of the image for training. After training, the BP neural network can detect Mura defect automatically.

The experimental results show that, compared with the existing Mura detection methods, the improved method in this paper can distinguish line Mura defect on the mobile phone screen more accurately and quickly. The accuracy rate is up to 98.33%, and no parameter needs to be adjusted during the detection process, realizing automatic detection and positioning of line Mura.

Citation: Li Y N, Zeng Q H, Zhang Y Y,. Mura detection and positioning in picture based on BP neural network[J]., 2020,47(11): 190725

Mura detection and positioning in picture based on BP neural network

Li Yineng1, Zeng Qinghua1*, Zhang Yueyuan1, Jiang Yong2, Cui Yuchen1

1Navigation Research Center, Nanjing University of Aeronautics and Astronautics, Nanjing, Jiangsu 211106, China;2Huizhou Govion Technology Co., Ltd, Huizhou, Guangdong 516000, China

Automatic identification and location of Mura defect in various screens plays an important role in improving the quality of screens. It is one of the most important technologies that need to be developed urgently. Aiming at the features of low contrast and lack of obvious edge of Mura defect, this paper proposes a method of Mura detection based on image gray curve and its improved method. This improved method is based on the principle of mean filter to smooth the picture and down-sampling. By studying the information about peak and trough of the gray curve on sampling lines, the BP neural network is used to construct an automatic detection and location algorithm for line Mura. The experimental results show that, compared with the existing Mura detection methods, the improved method in this paper can distinguish line Mura defect on the mobile phone screen more accurately and quickly. The accuracy rate is 98.33%, and no parameter needs to be adjusted during the detection process, realizing automatic detection, and positioning of line Mura.

BP neural network; gray scale curve; Mura; defect detection; image processing

TP391

A

李一能，曾庆化，张月圆，等. 基于BP神经网络的线Mura缺陷识别与定位研究[J]. 光电工程，2020，47(11): 190725

10.12086/oee.2020.190725

: Li Y N, Zeng Q H, Zhang Y Y,Mura detection and positioning in picture based on BP neural network[J]., 2020, 47(11): 190725

2019-12-11；

2020-06-28

国家自然科学基金资助项目(61533008，61374115，61603181)；中央高校基本科研业务费专项资金(NJ20170005， NJ20170010)；江苏高校优势学科建设工程

李一能(1996-)，男，硕士研究生，主要从事图像处理与视觉导航的研究。E-mail：liyineng@nuaa.edu.cn。

曾庆化(1979-)，男，教授，主要从事视觉导航、卫星导航及多源信息数据融合导航的研究。E-mail：zengqh@nuaa.edu.cn。

Supported by the National Natural Science Foundation of China (61533008, 61374115, 61603181), the Fundamental Research Funds for the Central Universities (NJ20170005, NJ20170010), and the Priority Academic Program Development of Jiangsu Higher Education Institutions

* E-mail: zengqh@nuaa.edu.cn