圖象模板匹配技術(shù)探針臺系統(tǒng)

1、圖象模板匹配技術(shù)探針臺系統(tǒng)    摘    要  主要論述了數(shù)字圖像處理技術(shù)在探針臺系統(tǒng)中的應(yīng)用，分析了基于灰度信息的模板匹配算法以及自動對準(zhǔn)技術(shù)的原理及實現(xiàn)手段，為其它電子專用設(shè)備中自動識別對準(zhǔn)的應(yīng)用提供一些思路與技巧。 關(guān)鍵詞  機器視覺;模板匹配;探針臺   1 引言     半導(dǎo)體器件與集成電路制造工藝中，從單晶硅棒的制取到最終器件制造的完成需要經(jīng)過復(fù)雜的工序，粗略地劃分可分為前道工序和后道工序，而探針臺(Prober)正好是前后道工序之間用于半導(dǎo)體器件芯片

2、的電參數(shù)特性進(jìn)行測試的關(guān)鍵設(shè)備，它可以將電參數(shù)特性不符合要求的芯片用打點器(Inker)做一明顯的標(biāo)記，便于在后道工序中及時將其剔除，這樣就有效地提高了半導(dǎo)體器件生產(chǎn)的成品率，大大降低了器件的制造成本。     測試作為集成電路工藝中重要一環(huán)，探針臺的精度直接影響到整個生產(chǎn)。也由于整個半導(dǎo)體前道工藝的發(fā)展提高，晶圓的集成電路品體的個數(shù)、品體圖形都更加精密復(fù)雜，要求探針臺在提高機械精度的同時，探針臺的對準(zhǔn)精度，對準(zhǔn)效率都有更高的要求，這就迫使我們必須掌握自動識別對準(zhǔn)是如何實現(xiàn)的這樣一個關(guān)鍵技術(shù)。探針臺的識別對準(zhǔn)實現(xiàn)框圖如圖1所示。   

3、 圖1 探針臺實現(xiàn)框圖    2 模板匹配原理： 模板匹配就是拿已知的模板圖像，和原圖像中同樣大小的一塊區(qū)域去對比。最開始時，模板的左上角點和圖像的左上角點是重合的，拿模板和原圖像中同樣大小的一塊區(qū)域去對比，然后平移到下一個像素，仍然進(jìn)行同樣的操作，所有的位置都對完后，差別最小的那塊就是我們要找的物體。如圖2所示，模板T( m*n個像素)疊放在被搜索圖S( W*個像素)上平移，模板覆蓋被搜索圖的那塊區(qū)域叫子圖 。i，j為子圖左上角在被搜索圖S上的坐標(biāo)。搜索范圍是：    一種算法是衡量T和Sij的誤差，其公式為：  

4、;                                                  

5、;                                                  

6、0;                                                  

7、60;                                                 

8、60;                            圖2  模板與被搜索圖的關(guān)系                    

9、                                      E(i,j)為最小值處即為匹配目標(biāo)。 展開上式：    通過比較T和Sij的相似性，完成模板匹配過程。  

10、0;  上式右邊第三項表示模板的總能量，是一個常數(shù)與 (i,j)無關(guān)，第一項是模板覆蓋下那塊圖像子圖的能量，它隨(i,j) 位置而緩慢改變，第二項是子圖像和模板的互相關(guān)，隨(i,j) 而改變。T和S匹配時這一項的取值最大，因此我們可以用下列相關(guān)函數(shù)做相似度測度:                            &

11、#160;         或者歸一化為：                         其中，搜索位置數(shù)為匹配過程中要匹配的所有參考點的個數(shù)，相關(guān)計算量為計算每一個搜索參考點是計算模板和搜索子圖相似性所需要的計算量。所以提高匹配效率就應(yīng)該從減少這兩個數(shù)來進(jìn)行。下面討論的抽樣點的互相關(guān)匹

12、配算法就是減少了相關(guān)計算量，而分層匹配的互相關(guān)算法則從減少搜索位置數(shù)來提高匹配速度。 2.1 抽樣點的互相關(guān)匹配算法     圖象模板匹配的關(guān)鍵是對模板和搜索子圖進(jìn)行相似性的檢測，這種檢測建立在模板和搜索子圖灰度信息的基礎(chǔ)上，利用的圖象灰度信息越多越可以更好地度量兩者之間的相似程度。然而應(yīng)用中利用的圖象信息對少與匹配實現(xiàn)的速度有很大的關(guān)系，利用的信息越多，需要的計算量就會越大，匹配速度會越低。圖象模板匹配的算法研究是在滿足一定的匹配精度的情況下，盡量減少計算量。      抽樣點匹配的方法是在互相關(guān)匹配時計算模板上所有的像素

13、的基礎(chǔ)上的改進(jìn)。圖象相關(guān)匹配時，從模板和搜索子圖中抽取一部分像素來計算匹配值，而不是計算模板和搜索子圖上所有的點。這樣在不改變匹配時搜索所有可能的匹配點時，減少了每個匹配參考點上的相關(guān)計算量。經(jīng)驗表明在背景比較簡單，平均灰度變化不大的情況下匹配100個點，一般就可以找到正確的匹配位置。對于一個 的模板來說省掉了 的相關(guān)計算量，所以合理的確定有效的匹配點的個數(shù)得到的時間效果是很可觀的。實驗結(jié)果表明使用這種抽樣點的方法是可以應(yīng)用的，在保證精度的同時，提高了計算速度。     本文中省略點的方法是通過在圖象上等間隔取點來實現(xiàn)的，假設(shè)圖象的高度和寬度為lHeight和lW

14、idth，取水平方向的間隔IntervalH 和豎直方向的間隔IntervalV分別為lWidth/N和lHeight/M，則在匹配中可以得到 (N+1)*(M+1)個匹配點，這 (N+1)*(M+1)個匹配點可以均勻地分布在圖象上。 2.2 分層搜索的互相關(guān)匹配算法 人們在搜索物體的時候，視覺習(xí)慣是先確定搜索目標(biāo)的大概位置，然后再關(guān)注要搜索的細(xì)節(jié)內(nèi)容，類比這一過程，本節(jié)提出基于圖象金字塔模型的分層圖象匹配方法。     算法的實現(xiàn)過程如下：     首先，將搜索圖 S(i,j)和模板T(m,n) 進(jìn)行相同的分層處理，方法是在圖象上等

15、間隔跳躍地取點（采樣），在圖象的行的方向和列的方向上可以間隔不同。從而得到一個分辨率較低和維數(shù)較小的圖象。比如對 像素的圖進(jìn)行分層，每個三個像素點取一個點，那么得到新圖象為 像素，這樣的結(jié)果將使搜索位置數(shù)大大減少。     其次，先粗后細(xì)的匹配過程。在粗匹配中找到具有叫高匹配值的潛在的位置，設(shè)定適當(dāng)?shù)牟蓸娱g隔，降低圖象的維數(shù)。應(yīng)用基本的模板匹配方法找到粗匹配位置，經(jīng)過粗匹配就是要盡最大可能地剔除非匹配的位置。精匹配是在粗匹配給定的位置的基礎(chǔ)上進(jìn)行精度較高的匹配過程，匹配方法要有較高的精度。逐步恢復(fù)原來的分辨率進(jìn)行精匹配。最后給出匹配的最佳結(jié)果。  

16、60;  模板的匹配過程分為粗匹配過程和精匹配過程。兩個匹配過程可以采用不同的匹配方法，進(jìn)行不同的組合。在粗匹配過程中，可以選擇運算量小計算速度快的算法。在精匹配過程中，要選用精度較高的算法。 2.3 幾種互相關(guān)算法的實驗數(shù)據(jù) 本實驗選取一張240×240pixel的灰度圖作為搜索的目標(biāo)圖片，在其中選取了從40×40pixel到140×140pixel的圖片作為模板，如圖3所示。其中表1是利用Evision軟件的模板匹配算法進(jìn)行模板匹配的結(jié)果，該軟件采用了亞像素插值算法，匹配結(jié)果的精度從像素級提高到了亞像素級別。表2是采用抽樣點的互相關(guān)模板匹配算法，在模

17、板中將抽樣點控制在121個點，這些點均勻地分布在模板圖象中。從實驗的結(jié)果可以看出，匹配的精度與Evision軟件的匹配結(jié)果相同，只是沒有進(jìn)行亞像素插值。匹配的時間隨圖片的增大而減小，這是由于抽樣點的匹配算法忽略了模板大小對相關(guān)計算量的影響，只與搜索的位置數(shù)有關(guān)。隨著模板尺寸的增大，搜索位置數(shù)減少，從而減少了總計算量。表3是采用分層匹配算法，在粗匹配過程和精匹配過程中都采用了互相關(guān)算法。在粗匹配過程當(dāng)中，將目標(biāo)圖片隔三個像素取一個點，搜索位置數(shù)由原來的240×240個點減少到60×60個點。從實驗的結(jié)果可以看到匹配精度達(dá)到了要求。在忽略精匹配的計算量的情況下，分層匹配算法的計

18、算量是沒有加速的 ，（L是間隔點）這樣提高了匹配精度，也提高了匹配的速度。                    圖3 不同尺寸的圖片      表1  Evision軟件的測試結(jié)果 Table1  Test result of algorithm in Evision    模板大小 &

19、#160;     X 坐標(biāo)       Y 坐標(biāo)      匹配系數(shù)    時間(ms)       40×40       128.00       128.00    

20、60; 0.992881       112       60×60       130.05       127.01      0.996524        96     &

21、#160; 80×80       125.98       115.00      0.992866        87    100×100       130.05      

22、; 128.00      0.995177        63    120×120       127.06       112.00      0.996320        54&#

23、160;   140×140       130.00       128.00      0.995241        36      表2 抽樣點匹配算法的結(jié)果 Table 2 Test result of sampled points cross correla

24、tion matching     模板大小       X 坐標(biāo)       Y 坐標(biāo)      匹配系數(shù)      時間(ms)       40×40        128 

25、      128      0.985424       248       60×60        130       127      0.985748  

26、60;    217       80×80        125       115      0.987845       155    100×100    

27、60;   130       128      0.985748       142    120×120        127       112      0.986320&

28、#160;      93    140×140        130       128      0.985241       62      表3 分層搜索匹配算法的結(jié)果 Table 3 Test res

29、ult of layer matching     模板大小       X 坐標(biāo)       Y 坐標(biāo)      匹配系數(shù)    時間(ms)       40×40        128 

30、;      128      0.992145       79       60×60        130       127      0.985642  

31、60;    63       80×80        125       115      0.965214       54    100×100     

32、;   130       128      0.985623       43    120×120        127       112      0.984562       32    140×140      &