尤世军　赵梓龙　张建敏

关键词：芯片Frame；图像分割；模板匹配；重叠匹配框

中图分类号：TP391 文献标识码：A

1 引言（Introduction）

近年来，随着人工智能和大数据等技术的快速发展，芯片已成为现代化产业中不可或缺的一部分。然而，由于芯片具有制造过程复杂和缺陷隐蔽的特点，因此芯片缺陷及其造成的影响是普遍存在且不可忽视的问题。利用计算机图像处理等技术对芯片图像进行自动缺陷检测，可以有效地提升企业的生产效率。因此，针对芯片缺陷检测算法的研究逐渐成为世界上最热门的课题。

研究芯片缺陷检测算法的首要任务是对芯片图像进行单芯片分割处理，这也是芯片缺陷检测的基础。图像分割主要是通过图像灰度值的不连续性和相似性实现，利用一定的方法将图像中感兴趣的目标与背景区域分离后提取出目标区域，以便进行进一步的图像处理。常用的图像分割算法有阈值分割算法、边缘检测分割算法等，其中基于阈值的图像分割算法需要获得一组恰当的阈值，将图像的像素值与阈值比较，使具有相似特征的像素点归为一类[1-3]。阈值分割算法的最大优势就是计算快速，可以有效地分割目标物体与背景像素值差异大的芯片图像。但是，对于背景复杂或目标物体与背景像素值差异较小的芯片图像，该算法可能无法产生理想的分割效果[4]。边缘检测算法通常应用在边缘清晰的芯片图像中，但对于边缘模糊或者边缘灰度值变化复杂的芯片图像，当前的边缘检测算法可能表现不佳[5-6]。因此，研究更智能、更适用的芯片图像分割算法尤为紧迫且重要。

本文针对背景复杂、边界模糊以及芯片相连等特征的芯片Frame图像，提出了一种基于模板匹配的图像分割算法，通过合并单芯片的重叠匹配框，能有效地分割出单个芯片图像；为了提高芯片的匹配速度，首先将整幅芯片Frame图像分割出多个区域模块，然后基于区域模块图像分割出单芯片图像。实验结果表明：该算法能够有效地分割出单芯片图像且满足芯片Frame高精度和高速度的分割需求。

2 模板匹配芯片图像分割算法（Image segmentationalgorithm of template matching chip）

分析芯片Frame的图像特点后，本文通过模板图像在待分割的芯片Frame图像上进行匹配运算，利用匹配算法计算得到的相似度系数确定目标芯片，算法主要包括区域模块匹配分割以及单芯片模板匹配分割两个阶段，详细流程如图１所示。

2.1 区域模块匹配分割

由于芯片Frame图像的分辨率很大，因此本文首先根据芯片Frame图像的特点对其进行区域预分割处理，以提高分割算法的分割效率，然后基于区域图像分割出单芯片图像。算法选取区域模板进行匹配操作，把芯片Frame图像分割出n 块区域图像，具体步骤主要包括以下部分。

（1）选取区域模板。依据芯片Frame的图像特点，本文选取区域特征清晰、像素大小为w× h的模块作为区域模板图像，其中宽为w 像素，高为h 像素，此区域模板图像共包含36个单芯片。

（2）图像预处理。为了降低运算量，提高匹配算法的实时性，本文使用高斯滤波对图像进行平滑降噪处理，在保留芯片图像整体特征信息的情况下降低噪声的影响。

高斯滤波器是一种基于高斯函数的平滑滤波器，常用于图像处理领域中的图像平滑操作，它主要是将图像中每个像素的值替换为其周围像素值的加权平均值，其中权重由高斯函数计算得出[7]。这意味着距离中心像素越远的像素会被赋予更小的权重，从而减少它们对平均值的贡献。这种加权平均的效果可以实现对图像的平滑和降噪处理，与此同时能保留图像的整体特征；其公式定义如下：

其中， x 和y 表示像素点的位置，σ 是高斯分布的标准差，G（x， y）是在位置（x， y）的高斯核函数的值。在平滑降噪处理中，高斯滤波器通常采用卷积操作，即用高斯核函数与芯片Frame图像上的每一个像素进行卷积运算。具体来说，对一个像素大小为m× n的芯片Frame图像，用大小为k × k 的高斯核函数与其进行卷积，可以得到平滑处理后的图像，平滑处理后的图像有利于加快模板匹配相关系数的计算效率。但是，在选择高斯核函数的大小和标准差时必须谨慎，否则可能会影响芯片Frame图像的细节信息，从而影响匹配算法分割的准确率。

（3）匹配运算。模板匹配算法可分为基于形状的模板匹配算法和基于灰度的模板匹配算法，由于芯片Frame图像中的每个芯片都是相接的，不能有效地提取单个芯片的轮廓形状信息，所以本文无法使用基于形状的模板匹配算法。最终，本文决定选用基于灰度的模板匹配算法作为芯片Frame图像的匹配分割算法。

基于灰度的模板匹配算法的基本思想是将一个固定大小的模板图像在待处理的大图像中滑动，通过比较待匹配图像和模板图像灰度值的相关性，找到与模板最相似的位置。本文在进行匹配运算时，选取区域模板图像，在以芯片Frame图像左上点的位置出发，计算区域模板与其移动过程中相对应的图像块I 的相关系数R（x， y），移动步长为１，直至区域模板遍历整幅芯片Frame图像。在匹配运算过程中，本文选取基于模板与对应图像块内积运算的归一化相关匹配法作为此次的模板匹配算法，用于消除数据特征之间差异性的影响，匹配相关系数定义如下[8-9]：

这类方法采用模板和图像间的乘法操作，所以较大的數表示匹配程度较高，１表示匹配相似度最高，0表示最坏的匹配效果。

（4）设置阈值。匹配运算遍历完整幅芯片Frame图像后，将计算得到的相关系数与设定的阈值进行比较。若相关系数小于设定的阈值，则过滤掉相关匹配图像块，否则认为模板与相关匹配图像块相匹配，此时可以标记匹配位置，保留相关匹配图像块的坐标信息，利用坐标信息进行后续区域模块的预分割处理。阈值的大小需要依据实际情况进行设置，本文通过多次实验验证多张分辨率不同的芯片Frame图像，选取合适的阈值进行判定。

（5）分割区域模块。由于采用多目标模板匹配算法，同一块图像区域会因为极小的坐标偏移被匹配多次而拥有多个重叠的匹配框，导致同一块图像区域被分割出多次。因此，本文加入合并重叠的匹配框算法，可确保同一块图像区域只被分割出一次，合并重叠框原理如图2所示。

2.2 单芯片模板匹配分割

单芯片模板匹配分割算法与区域模块分割算法的流程基本一致，遍历n 个被分割出来的图像区域模块，在每个区域模块中做匹配运算、阈值筛选、合并重叠匹配框处理，根据最终的框坐标信息分割出单芯片图像，具体步骤如下。

（1）选取单芯片模板。选取特征清晰、像素大小为w× h的单芯片图像作为模板图像，其中单芯片宽为w 像素，高为h像素。

（2）匹配运算。进行匹配运算时，选取单芯片模板图像，从区域模块图像左上点的位置出发，沿着图像的每一个像素点，与其移动过程中相对应的图像块的像素值进行比较，计算模板与图像块的相似度或匹配程度，移动步长为１，直至单芯片模板遍历整幅区域模块图像。在单芯片匹配运算过程中，本文使用的依然是归一化相关匹配法。

（3）设置阈值。匹配运算遍历完n 张被分割出来的图像区域模块后，将计算得到的相关系数与设定的阈值进行比较。若相关系数小于设定的阈值，则过滤掉相关匹配图像块，否则认为模板与相关匹配图像块相匹配，保留相关匹配图像块的坐标信息，利用坐标信息进行后续的单芯片图像分割处理。

（4）单芯片图像分割。与区域模块匹配相同，都面临重叠区域问题，即同一个单芯片图像区域会因为极小的坐标偏移被匹配多次而拥有多个重叠的匹配框，导致同一个单芯片图像区域会被分割出多次。因此，此处利用上文提到的合并重叠匹配框算法，可确保同一个单芯片图像区域只被分割出一次，从而完成对芯片Frame图像进行单芯片分割处理的操作，为芯片缺陷检测算法的研究提供了重要的数据源。

3 实验结果分析（Analysis of experimental results）

为了验证本文算法的运行效率和分割芯片Frame图像的准确率，本文采用图像开源库Open CV和Py t h o n语言编程实现本文算法[10]，并在Windows 10平台[系统内存为16 GB，CPU型号为Intel（R）Core（TM）i9-9900，显卡型号为NVIDIA GeForce RTX 2060]上运行算法，分别选取分辨率为11 610×2 908的区域模板图像、分辨率为800×708的单芯片模板图像，以及3幅分辨率分别为11 670×27 208、11670×23 720、11670×20 308的待匹配芯片Frame图像进行算法验证，最终匹配框结果标注于图3（d）和图3（f）中，其中内包围框为阈值筛选匹配框，最外层包围框为多个重叠匹配合并框，目标匹配结果图如图3所示。

3.1 区域匹配阈值分析

分别选取阈值0.81、0.82、0.83、0.84对比算法区域的匹配结果，在阈值为0.81、0.82时，算法匹配区域个数为100.00%，而阈值为0.83时，芯片1和芯片3区域匹配个数开始丢失，随着阈值的增大，匹配区域个数丢失得越多。因此，只有选取合适的阈值才可保证匹配的准确性。本文此次选取0.82作为区域匹配的阈值。不同阈值的区域匹配结果详见表1。

3.2 单芯片匹配阈值分析

分别选取阈值0.86、0.87、0.88、0.89、0.90对比单芯片匹配结果，在阈值为0.86、0.87、0.88时，3幅芯片Frame图像的匹配率都为100.00%；阈值为0.89时，芯片1的匹配率开始降低；阈值为0.90时，3幅芯片的匹配率都开始降低。最终，根据实验结果，本文选取阈值0.88作为本次芯片分割实验的单芯片匹配阈值。不同阈值的单芯片匹配结果详见表2。

3.3 单芯片图像分割时间对比分析

选取区域匹配阈值为0.82，单芯片匹配阈值为0.88进行实验，每种分割算法实验操作10次，取10次实验结果的平均值作為统计结果。从分辨率为11 670×20 308的芯片3可以看出，基于区域匹配的单芯片图像分割算法比不基于区域匹配的单芯片图像分割算法节省了45.76%的运行时间，分辨率为11 670×23 720的芯片2节省了46.78%的运行时间，分辨率为11 670×27 208的芯片1节省了55.61%的运行时间。本次实验验证了改进后的基于区域匹配的图像分割算法可明显节省图像分割时间，并且图像分辨率越大，分割时间减少越明显。图像分割算法时间对比详见表3。

4 结论（Conclusion）

本文描述了一种基于模板匹配的芯片图像分割算法，通过对3幅分辨率不同的芯片Frame图像进行实验，分析了该算法的性能。实验结果表明，只要选取合适的模板和阈值，本文提出的分割算法就能够达到很高的准确率。同时，本文通过区域匹配预分割算法，在不影响单芯片图像分割效果的情况下，极大地缩短了平均每幅芯片Frame图像分割所需要的时间，进一步提高了算法的分割效率，为芯片缺陷检测算法的研究提供了重要的数据来源。

作者简介：

尤世军（1996-），男，硕士生.研究领域：图像处理，机器视觉.

赵梓龙（1997-），男，硕士生.研究领域：图像处理，机器视觉.

张建敏（1971-），女，博士，教授.研究领域：智能医疗与健康，人工智能应用.