MATLAB圖像處理技術(shù)圖像分割

1、一種SEM圖像高效的圖像分割技術(shù)摘要：在經(jīng)過(guò)了大量的實(shí)驗(yàn)探索和努力后，建立了通過(guò)自動(dòng)檢查基準(zhǔn)比較法來(lái)取代以往依靠人類眼睛檢查的SEM圖像。這種檢查方法有兩種類型：直接比較法和間接比較法。在實(shí)際中，間接比較方法使用更廣泛，這種方法需要分段步驟即分裂原圖像分割成兩個(gè)區(qū)域：前景區(qū)域和背景區(qū)域。尤其是SEM圖像分割是不容易的，因?yàn)楦咴胍羲?，圖像偏移，變化和多樣性圖案。在以往的工作中，山脊探測(cè)器已被廣泛用來(lái)檢測(cè)和克服具有這些特征的SEM圖像。在本文中，我們提出了一個(gè)有效的分割方法上發(fā)展起來(lái)的分水嶺分割算法，全局-局部閾值法，高斯濾波器的拉普拉斯算子和非最大值抑制。在對(duì)各種SEM圖像分割中的應(yīng)用，所提出

2、的方法對(duì)于1D圖像和2D圖像分別顯現(xiàn)了94%和98%的準(zhǔn)確性。1引言：在以前是通過(guò)人的眼睛，用于掃描電子顯微鏡（SEM）圖像半導(dǎo)體硅晶片的檢查，人眼檢測(cè)然而是具有一定的局限性，而且并不是對(duì)測(cè)試的所有圖像都是可靠的，所以經(jīng)過(guò)許多努力，最終發(fā)現(xiàn)了自動(dòng)檢測(cè)以取代人眼檢查1，4，5，8，9。對(duì)于自動(dòng)檢查中兩種類型的比較方法直接和間接方法，相繼出臺(tái)。直接比較方法進(jìn)行比較的基準(zhǔn)圖像和檢驗(yàn)圖像，這種方法直接計(jì)算基準(zhǔn)圖像和檢驗(yàn)圖像之間的差別。直接比較方法通常能夠較快速和容易找兩者之間的差別。但是，它由于各種偏移值得不同所以很難找到合適的閾值。更廣泛使用的間接比較的方法，不對(duì)兩個(gè)原圖像進(jìn)行直接的參考和檢驗(yàn)的比較

3、。相反，它是比較兩個(gè)預(yù)處理后的分割圖像。本文提出的分割方法掃描電子顯微鏡（SEM）圖像劃分為兩個(gè)區(qū)域，前景和背景。前景部分是導(dǎo)體，而背景部分是絕緣體。SEM圖像從半導(dǎo)體硅的晶圓上得到的。為了有效的將SEM圖像分割成兩個(gè)區(qū)域，由于SEM圖像不同于通常的光學(xué)圖像，他的的某些性能應(yīng)予以考慮。首先，它看起來(lái)像一個(gè)邊緣圖像。由于SEM使用電子掃描，其結(jié)果是依賴于目標(biāo)的的結(jié)構(gòu)。反射的電子的量與結(jié)構(gòu)的變化的量成比例的。在結(jié)構(gòu)上的邊緣，因此，灰度值遠(yuǎn)高于一個(gè)平面區(qū)域。其次，它具有不同的灰度值作為材料變得不同。反射的電子的量取決于在材料上被反射的電子。第三，它有強(qiáng)烈的噪音，為了降低噪音，應(yīng)取多張圖像的相同部分計(jì)

4、算平均值，以產(chǎn)生最終的SEM圖像，所選擇的圖像越多，平均化，減噪音的結(jié)果越好。然而，為了最大限度地提高計(jì)算效率，平均圖像的數(shù)量可能會(huì)往往是有限的。最后，該各種圖案的類型，存在不允許預(yù)定義的圖案類型分割算法。我們已經(jīng)完成對(duì)兩個(gè)種的SEM圖像的工作。其中一個(gè)是僅包含一個(gè)的材料的掃描電鏡拍攝的區(qū)域，這個(gè)圖像只有邊緣成分。我們命名它為1D圖像。另一種是區(qū)域包含兩種不同的材料的SEM圖像，在除了包括邊緣分量，它還包含了前景和背景部分杰出的灰度值。我們把它命名為二維圖像。1D和2D圖像如圖1所示。2 預(yù)先處理SEM圖像分割，韓英1使用的邊緣信息。他們使用了分割輔助混合脊信號(hào)檢測(cè)。在工作中，他們聲稱的SEM

5、圖像有強(qiáng)噪聲高產(chǎn)吞吐量。如果正常的邊緣探測(cè)器使用，就不會(huì)有這么多的無(wú)效的邊緣由于噪音的信號(hào)。另外，如果使用的常規(guī)的邊緣檢測(cè)器，“雙尖端”的效果不能是可以避免的，如圖2所示。因此，他們采用的是脊探測(cè)器，而不是正常的邊緣檢測(cè)。尋找邊緣脊后，他們基于人類的直覺和智慧來(lái)作為的模式識(shí)別的 2。雖然該方法使用分割輔助混合脊信號(hào)檢測(cè)器上顯示了魯棒性噪聲和性能的優(yōu)越性，它尋找用于回歸高階系數(shù)多項(xiàng)式使得計(jì)算量更大。3 面臨的問(wèn)題如圖1和圖2所示，SEM圖像具有一定的的特點(diǎn)，應(yīng)被認(rèn)為是成功的形象檢查處理。首先，在大多數(shù)情況下，它具有很強(qiáng)的噪聲。為了獲得一個(gè)SEM圖像具有低噪音，拍攝的圖像從相同的圖像部分的平均值。

6、雖然更少的噪聲的查詢結(jié)果作為圖像進(jìn)行平均數(shù)字平均圖像所需的吞吐量往往是有限的。從圖像信號(hào)的剖面圖上看，如果噪音電平高于最大邊緣強(qiáng)度，它的一半很難將它分為兩個(gè)區(qū)域。其次，存在兩種類型的掃描電鏡圖像的一方，稱為一維圖像，僅僅包含邊緣分量，另一個(gè)所謂2D圖像上，包含邊緣分量，前景和背景成分。的邊緣分量分離一些從背景中的對(duì)象包括那些像素具有高灰度值。然而，在SEM圖像中，灰度值這些邊緣部分像素不統(tǒng)一而清晰，足以從背景中分離的目的。最后，存在各種形狀的圖案，其中包括線，矩形，不同寬度的島嶼。沒有預(yù)定形狀的花紋圖案允許分割。4 分割正如前面提到的，有兩種類型的圖像，1D圖像和2D圖像。我們建議對(duì)不同的圖像

7、使用不同的方法，我們對(duì)于1D形象，使用拉普拉斯高斯濾波器和非最大抑制修復(fù)。而對(duì)于2D圖像，我們使用分水嶺LoG結(jié)果分割算法和全局 - 局部閾值法。A. 2D圖像2D圖像可以分割的分水嶺分割算法4，尤其是洪水背景的方法。如果分水嶺分割直接使用，每個(gè)流域的邊界位于中間的邊緣分量，它的形狀是與源圖像不同。洪水背景算法開始時(shí)，用邊緣檢測(cè)。通過(guò)這樣做灰色電平信息被刪除，但也有僅沿組件 - 它是在源目標(biāo)邊界的的圖像。所以，如果應(yīng)用局部分割的邊緣圖像，結(jié)果圖像的形狀是非常類似的源的圖像，這些示于圖3中。在將源圖像被變換到分割圖像之后，其灰度值成為了盆地。并通過(guò)計(jì)算每個(gè)盆地的平均值，可以得到分割圖像。該閾值是

8、在圖像中的大問(wèn)題處理，并在本文中，我們使用兩個(gè)步驟的：第一步是計(jì)算使用模糊C-均值算法（FCM）集群。 FCM的輸入是整個(gè)圖像灰度值，簇號(hào)為2。 FCM集群的結(jié)果是每個(gè)集群的最大值，最小值，中心值。該全局閾值可如下獲得： （1）在等式（1）中，THg是全局閾值，Mincluster2 是cluster2的最低值，Maxcluster1是集群1的最大值，Ccluster1與Ccluster2分別為簇1和是的簇2的中值。這些值是很容易得到FCM聚類算法。通過(guò)使用閾值，圖像被劃分為三個(gè)區(qū)域：前景，背景和不確定的區(qū)域。其劃分的規(guī)則如下所示： (2)在方程（2）中，I是在源圖像中，F(xiàn)為前景區(qū)域，B是背景

9、區(qū)域和U是不確定的區(qū)域。 THg是通過(guò)流式細(xì)胞術(shù)（FCM）（1）中得到的全局閾值。我們使用偏移值20。第二個(gè)步驟是對(duì)未定義的區(qū)域進(jìn)行分類。將未定義區(qū)域進(jìn)行逐點(diǎn)分析，每一個(gè)點(diǎn)取決于原圖的平均值。而相應(yīng)的子圖則是由每一個(gè)點(diǎn)的鄰域得來(lái)的。該未定義的區(qū)域的規(guī)則由下，結(jié)果如圖4所示。（3）在方程（3）中，Nf是像素的數(shù)目，這是作為真正的前景區(qū)域分開，Nb是像素的數(shù)目，作為真正的背景區(qū)域分離，而Nu是數(shù)量的像素點(diǎn)，這是分離作為未定義的面積，在前一個(gè)步驟。DLocalForeground意味著它的距離是前景的平均值和未定義區(qū)域之間平均值，DLocalBackground也意味著，它是背景的平均值和之間的距離

10、未定義的區(qū)域的平均值。B. 1D圖片1D圖像有不同的特點(diǎn)，邊緣的噪聲較強(qiáng)，有時(shí)1D SEM信息圖像具有如圖8所示的特殊現(xiàn)象。在這種的情況下，不能適用灰度值進(jìn)行分割。該分水嶺分割只能分割邊緣信息和其他部分，而不是前景色和背景。如果這種方法是用來(lái)圖8中，白色區(qū)域被分割為前景色。為了配合這些特點(diǎn)，我們使用高斯拉普拉斯（LOG）濾波器。LoG過(guò)濾器的噪音是非常強(qiáng)大的，尤其是高斯噪聲，因?yàn)樗墙Y(jié)合高斯拉普拉斯算子。高斯消除噪音，其自然特性，因此它是適用于掃描電鏡圖像。LoG過(guò)濾器中有兩個(gè)變量：窗口的大小和方差（）。該過(guò)濾器的原理是如下 （4）通過(guò)改變，LoG的形狀被改變。該傳統(tǒng)的LoG是使用=0.6和窗

11、口大小為5*5。這是顯示在圖5（b）。如果我們使用更大的的值，形狀LoG過(guò)濾器被放大。這顯示在圖5（c）。如該圖5所示，前面所提到的，傳統(tǒng)的LoG過(guò)濾器具有雙重的SEM圖像邊緣效應(yīng)，因?yàn)镾EM圖像的邊緣已經(jīng)有組件，并與小方差和小窗口的大小，可以檢查整個(gè)邊緣區(qū)域。它只是一個(gè)突然的灰度值變化的響應(yīng)。至克服這一特性，必須使用另一種解決方案。解決方法很簡(jiǎn)單。它是通過(guò)增加和窗口的大小。通過(guò)改變值，我們可以得到各種LoG過(guò)濾器，如圖6顯示結(jié)果。如圖6所示，在文中的最佳值為2.0。當(dāng)?shù)闹翟叫tLoG對(duì)噪聲越敏感。當(dāng)為2.0，窗口大小為11。當(dāng)取得適當(dāng)?shù)拈撝担⒔?jīng)過(guò)相應(yīng)的二值圖象過(guò)濾，即可得到所要的二值圖像，

12、結(jié)果如圖7所示。獲取LoG過(guò)濾后的結(jié)果后，其結(jié)果是結(jié)合寬度非最大抑制算法的結(jié)果。在某些情況下所得結(jié)果會(huì)有邊緣破損。這不是LoG過(guò)濾器得結(jié)果，真正的原因是原來(lái)的掃描電鏡的圖像存在破碎的邊緣。但是，這不是缺陷，而是噪聲。因此，它必須恢復(fù)。要恢復(fù)破碎的邊緣，用于非最大值抑制算法。在一般情況下，LoG結(jié)果中都會(huì)存在邊緣壞損的現(xiàn)象。邊緣壞損可以使用的連接映射和非最大抑制恢復(fù)。我們可以得到結(jié)束點(diǎn)，三重點(diǎn)，交叉點(diǎn)使用的連接映射。重要的思想是，不應(yīng)該有呈現(xiàn)終點(diǎn)的圖像，因?yàn)閳D像只有邊緣分量而邊緣分量不能被打破。因此，結(jié)束點(diǎn)不能出現(xiàn)在圖像中。通過(guò)使用這一特性，它可以被稱為中心部分被打破。要恢復(fù)壞損的中心部分，就要

13、使用非最大抑制效果。通過(guò)結(jié)合破損的中心部分和非最大抑制的結(jié)果，破損可以恢復(fù)。5 實(shí)驗(yàn)結(jié)果在這里，建議使用Visual C +和MIL8.0來(lái)對(duì) SEM圖像的程序進(jìn)行調(diào)試。在實(shí)驗(yàn)中，有37種不同類型的3429 張SEM圖像進(jìn)行了測(cè)試，結(jié)果很容易就可以通過(guò)直接觀察得出。在圖8中，這些原始的SEM圖像顯示在上側(cè)，而相關(guān)的分割后的圖像上的現(xiàn)實(shí)在途中的下側(cè)。 可以看到，有94的一維圖像和2D圖像的98是成功分割。6 結(jié)論兩個(gè)涉及到的比較的方法，直接和間接方法，已被廣泛用于缺陷檢測(cè)。而直接比較法是快速和容易的，但是較難確定確定合適的閾值和偏移值。而間接比較法用于需要對(duì)原始圖像的分割以作比較的場(chǎng)合。在本文中

14、，我們提出的方法細(xì)分SEM用于比較的圖像。對(duì)于一維圖像中，它已存在有Log和壞損脊恢復(fù)技術(shù)，2D圖像，已經(jīng)開發(fā)上的分水嶺分割算法（尤其是單一的的背景下）和全局-局部閾值算法。這兩種方法在一維和二維SEM圖像表現(xiàn)出優(yōu)異的性能。對(duì)于一維圖像，提出的方法比使用脊探測(cè)器更加簡(jiǎn)單和更快的，對(duì)于二維圖像，分水嶺分割算法和全局-局部閾值算法，它是非常有效的方法的分割方法。參考書目：1漢英鋒，葉軍，費(fèi)邊PASE，“分割輔助邊緣提取算法的SEM圖像”，20062漢英鋒，葉軍，費(fèi)邊PASE“模式的重建掃描電子顯微鏡圖像使用遠(yuǎn)程內(nèi)容的復(fù)雜性分析的邊緣隆起信號(hào)”，美國(guó)卷學(xué)會(huì)，20063浩Sukurai，藤井Tastu

15、ya，和健一郎yamanishi，“解決方案模式匹配檢驗(yàn)問(wèn)題的木紋金屬層”，IEEE半導(dǎo)體制造，vol.15NO.1號(hào)，2月20024 L.Jeff邁倫，湯普森Ecron，和伊恩McMackin的“缺陷檢測(cè)壓印光刻使用的模具數(shù)據(jù)庫(kù)電子束核查系統(tǒng)”，SPIE,vol.6151，20065大西弘之，靖灑灑，永井健太，“圖案缺陷檢驗(yàn)方法并行灰度圖像比較不精確的圖像對(duì)齊”，2002年IEEE第28屆年度會(huì)議，P220822136 Andreas Bieniek的和Alina莫高“連接的組件的方法分水嶺分割”，其數(shù)學(xué)形態(tài)學(xué)和應(yīng)用圖像與信號(hào)處理，vol.12計(jì)算成像和視覺，P215222，19987的Ma

16、trox督察8用戶指南，P162163，20058邁克爾·E. Scaman，Laertis Economikos，“計(jì)算機(jī)視覺自動(dòng)檢查復(fù)雜的金屬圖案多芯片模塊（MCM-D）”，IEEE交易組件，封裝和制造技術(shù)部分第4期1995年11月9拜倫E. DOM，弗吉尼亞布雷赫爾，在自動(dòng)“的最新進(jìn)展檢查集成電路模式defecets”，機(jī)器視覺和應(yīng)用，施普林格出版社，199510伊藤正泰，藤田功，和竹內(nèi)善德；“圖案缺陷印刷電路板使用CAD數(shù)據(jù)”的分析與評(píng)價(jià)國(guó)際電子IEEE / CHMT的制造技術(shù)研討會(huì)，1993年11伊藤正泰，二階堂Yosuhiro，的星野Michinory，“分合并印刷電路圖案缺陷分析圖像處理板”，IEEE / CHMT的國(guó)際電子制造技術(shù)研討會(huì)上，1992附：文中的圖片