一种SEM图像高效的图像分割技术摘要 ：在经过了大量的实验探索和努力后， 建立了通过自动检查基准比较法来取代以往依靠 人类眼睛检查的 SEM 图像。这种检查方法有两种类型：直接比较法和间接比较法。在实际 中，间接比较方法使用更广泛， 这种方法需要分段步骤即分裂原图像分割成两个区域： 前景 区域和背景区域。尤其是 SEM 图像分割是不容易的，因为高噪音水平，图像偏移，变化和 多样性图案。在以往的工作中，山脊探测器已被广泛用来检测和克服具有这些特征的SEM图像。在本文中，我们提出了一个有效的分割方法上发展起来的分水岭分割算法，全局-局部阈值法，高斯滤波器的拉普拉斯算子和非最大值抑制。在对各种SEM图像分割中的应用，所提出的方法对于 1D图像和2D图像分别显现了 94%和98%的准确性。1引言：在以前是通过人的眼睛，用于扫描电子显微镜（SEM）图像半导体硅晶片的检查，人眼检测然而是具有一定的局限性， 而且并不是对测试的所有图像都是可靠的， 所以经过许 多努力，最终发现了自动检测以取代人眼检查 1， 4， 5， 8， 9。对于自动检查中两种类型 的比较方法直接和间接方法， 相继出台。直接比较方法进行比较的基准图像和检验图像， 这种方法直接计算基准图像和检验图像之间的差别。 直接比较方法通常能够较快速和容易找 两者之间的差别。 但是， 它由于各种偏移值得不同所以很难找到合适的阈值。 更广泛使用的 间接比较的方法， 不对两个原图像进行直接的参考和检验的比较。 相反， 它是比较两个预处 理后的分割图像。本文提出的分割方法扫描电子显微镜（SEM）图像划分为两个区域，前景和背景。前景部分是导体，而背景部分是绝缘体。SEM 图像从半导体硅的晶圆上得到的。为了有效的将SEM 图像分割成两个区域，由于SEM 图像不同于通常的光学图像，他的的某些性能应予以考虑。首先，它看起来像一个边 缘图像。由于 SEM使用电子扫描，其结果是依赖于目标的的结构。反射的电子的量与结构 的变化的量成比例的。在结构上的边缘，因此，灰度值远高于一个平面区域。其次，它具有 不同的灰度值作为材料变得不同。 反射的电子的量取决于在材料上被反射的电子。 第三， 它 有强烈的噪音，为了降低噪音，应取多张图像的相同部分计算平均值，以产生最终的SEM图像，所选择的图像越多，平均化，减噪音的结果越好。然而，为了最大限度地提高计算效 率，平均图像的数量可能会往往是有限的。最后， 该各种图案的类型， 存在不允许预定义的 图案类型分割算法。我们已经完成对两个种的 SEM 图像的工作。其中一个是仅包含一个的材料的扫描电镜 拍摄的区域，这个图像只有边缘成分。我们命名它为1D图像。另一种是区域包含两种不同的材料的 SEM 图像，在除了包括边缘分量，它还包含了前景和背景部分杰出的灰度值。我 们把它命名为二维图像。 1D和2D图像如图1所示。2 预先处理SEM图像分割，韩英1使用的边缘信息。他们使用了分割辅助混合脊信号检测。在工作 中，他们声称的 SEM 图像有强噪声高产吞吐量。如果正常的边缘探测器使用，就不会有这 么多的无效的边缘由于噪音的信号。另外，如果使用的常规的边缘检测器，“双尖端”的效果不能是可以避免的， 如图 2所示。因此，他们采用的是脊探测器， 而不是正常的边缘检测。 寻找边缘脊后，他们基于人类的直觉和智慧来作为的模式识别的2。虽然该方法使用分割辅助混合脊信号检测器上显示了鲁棒性噪声和性能的优越性，它寻找用于回归高阶系数多项式使得计算量更大。3 面临的问题如图1和图2所示，SEM图像具有一定的的特点，应被认为是成功的形象检查处理。首 先，在大多数情况下，它具有很强的噪声。为了获得一个SEM 图像具有低噪音，拍摄的图像从相同的图像部分的平均值。 虽然更少的噪声的查询结果作为图像进行平均数字平均图像所需的吞吐量往往是有限的。从图像信号的剖面图上看，如果噪音电平高于最大边缘强度， 它的一半很难将它分为两个区域。其次，存在两种类型的扫描电镜图像的一方，称为一维图像，仅仅包含边缘分量，另一个所谓2D图像上，包含边缘分量，前景和背景成分。的边缘分量分离一些从背景中的对象包括那些像素具有高灰度值。然而，在SEM图像中，灰度值这些边缘部分像素不统一而清晰，足以从背景中分离的目的。最后，存在各种形状的图案， 其中包括线，矩形，不同宽度的岛屿。没有预定形状的花纹图案允许分割。4分割正如前面提到的，有两种类型的图像，1D图像和2D图像。我们建议对不同的图像使用 不同的方法，我们对于 1D形象，使用拉普拉斯高斯滤波器和非最大抑制修复。而对于2D图像，我们使用分水岭 LoG结果分割算法和全局-局部阈值法。A. 2D图像2D图像可以分割的分水岭分割算法 4，尤其是洪水背景的方法。如果分水岭分割直接 使用，每个流域的边界位于中间的边缘分量，它的形状是与源图像不同。洪水背景算法开始时，用边缘检测。通过这样做灰色电平信息被删除，但也有仅沿组件-它是在源目标边界的的图像。所以，如果应用局部分割的边缘图像，结果图像的形状是非常类似的源的图像， 这些示于图3中。在将源图像被变换到分割图像之后，其灰度值成为了盆地。并通过计算每个盆地的平均值，可以得到分割图像。该阈值是在图像中的大问题处理，并在本文中，我们使用两个步骤的：第一步是计算使用模糊C-均值算法(FCM集群。FCM的输入是整个图像灰度值，簇号为2。FCM集群的结果是每个集群的最大值，最小值，中心值。该全局阈值可 如下获得：cluster 1cluster 2(1)THg 一 (Min duster 1 - Maxcluster 2 ) / 2 Min cluster 2在等式(1)中，THg是全局阈值， Min儿彌 是cluster2 的最低值，Maxcluster1 是集 群1的最大值，Ccluster1与Ccluster2 分别为簇1和是的簇2的中值。这些值是很容易得 到FCM聚类算法。通过使用阈值，图像被划分为三个区域：前景，背景和不确定的区域。其 划分的规则如下所示：P(x,y)w I lfP(x, yp Thg + offset, P(x, y)乏 F ifP(x, y) cThg offset,P(x, y)乏 B elseP(x, y) U在方程(2)中，I是在源图像中，F为前景区域，B是背景区域和 U是不确定的区域。THg是通过流式细胞术(FCM)( 1)中得到的全局阈值。我们使用偏移值20。第二个步骤是对未定义的区域进行分类。将未定义区域进行逐点分析，每一个点取决于原图的平均值。而相应的子图则是由每一个点的邻域得来的。该未定义的区域的规则由下，结果如图4所示。ifDforegro undbackground jP(x,y) FifDforegro undbackground P(x,y) BwhereD|ocalg roundF(x,y)/Nf - U(x,y)/ND loca Ig round W B(x, y)/Nb -D U(x,y)/NuF(x,y) F(3)B(x,y) BU(x,y) U在方程(3)中，Nf是像素的数目，这是作为真正的前景区域分开，Nb是像素的数目，作为真正的背景区域分离，而Nu是数量的像素点，这是分离作为未定义的面积，在前一个步骤。DLocalForeground意味着它的距离是前景的平均值和未定义区域之间平均值， DLocalBackground也意味着，它是背景的平均值和之间的距离未定义的区域的平均值。B. 1D图片1D图像有不同的特点，边缘的噪声较强，有时1D SEM信息图像具有如图8所示的特殊 现象。在这种的情况下，不能适用灰度值进行分割。该分水岭分割只能分割边缘信息和其他 部分，而不是前景色和背景。如果这种方法是用来图8中，白色区域被分割为前景色。为了配合这些特点，我们使用高斯拉普拉斯(LOG)滤波器。LoG过滤器的噪音是非常强大的，尤其是高斯噪声，因为它是结合高斯拉普拉斯算子。高斯消除噪音，其自然特性，因此它是适用于扫描电镜图像。LoG过滤器中有两个变量：窗口的大小和方差()。该过滤器的原理是如下2r 2h(r)(r2 - 匚2)/匚 4e戸(4)通过改变d , LoG的形状被改变。该传统的LoG是使用d =0.6和窗口大小为5*5。这是显示在图5( b)。如果我们使用更大的 d的值，形状LoG过滤器被放大。这显示在图5( c)。 如该图5所示，前面所提到的，传统的LoG过滤器具有双重的 SEM图像边缘效应，因为SEM 图像的边缘已经有组件，并与小方差和小窗口的大小，可以检查整个边缘区域。它只是一个突然的灰度值变化的响应。至克服这一特性，必须使用另一种解决方案。解决方法很简单。 它是通过增加d和窗口的大小。通过改变d值，我们可以得到各种LoG过滤器，如图 6显示结果。如图6所示，在文中d的最佳值为2.0。当d的值越小则LoG对噪声越敏感。当d为2.0, 窗口大小为11。当取得适当的阈值，并经过相应的二值图象过滤，即可得到所要的二值图 像，结果如图7所示。获取LoG过滤后的结果后，其结果是结合宽度非最大抑制算法的结 果。在某些情况下所得结果会有边缘破损。这不是LoG过滤器得结果，真正的原因是原来的扫描电镜的图像存在破碎的边缘。但是，这不是缺陷，而是噪声。因此，它必须恢复。要 恢复破碎的边缘，用于非最大值抑制算法。在一般情况下，LoG结果中都会存在边缘坏损的现象。边缘坏损可以使用的连接映射和非最大抑制恢复。我们可以得到结束点，三重点，交叉点使用的连接映射。重要的思想是，不应该有呈现终点的图像，因为图像只有边缘分量而 边缘分量不能被打破。因此，结束点不能出现在图像中。通过使用这一特性，它可以被称为中心部分被打破。要恢复坏损的中心部分，就要使用非最大抑制效果。通过结合破损的中心部分和非最大抑制的结果，破损可以恢复。5实验结果在这里，建议使用 Visual C +和MIL8.0来对SEM图像的程序进行调试。在实验中，有 37种不同类型的3429张SEM图像进行了测试，结果很容易就可以通过直接观察得出。在 图8中，这些原始的SEM图像显示在上侧，而相关的分割后的图像上的现实在途中的下侧。可以看到，有94%的一维图像和2D图像的98%是成功分割。6结论两个涉及到的比较的方法，直接和间接方法，已被广泛用于缺陷检测。而直接比较法是 快速和容易的，但是较难确定确定合适的阈值和偏移值。而间接比较法用于需要对原始图像的分割以作比较的场合。在本文中，我们提出的方法细分SEM用于比较的图像。对于一维图像中，它已存在有Log和坏损脊恢复技术，2D图像，已经开发上的分水岭分割算法（尤其是单一的的背景下）和全局 -局部阈值算法。这两种方法在一维和二维SEM图像表现出优异的性能。对于一维图像，提出的方法比使用脊探测器更加简单和更快的，对于二维图像， 分水岭分割算法和全局-局部阈值算法，它是非常有效的方法的分割方法。参考书目：1 汉英锋，叶军，费边 PASE “分割辅助边缘提取算法的SEM图像”，20062 汉英锋，叶军，费边PASE “模式的重建扫描电子显微镜图像使用远程内容的复杂性分析的边缘隆起信号”，美国卷学会，20063 浩Sukurai,藤井Tastuya,和健一郎yamanishi, “解决方案模式匹配检验问题的木纹金属 层”，IEEE半导体制造，V0I.15N0.