CN109712181B - 集成电路版图线网上开路关键面积的提取方法 - Google Patents
集成电路版图线网上开路关键面积的提取方法 Download PDFInfo
- Publication number
- CN109712181B CN109712181B CN201811598941.4A CN201811598941A CN109712181B CN 109712181 B CN109712181 B CN 109712181B CN 201811598941 A CN201811598941 A CN 201811598941A CN 109712181 B CN109712181 B CN 109712181B
- Authority
- CN
- China
- Prior art keywords
- layout
- layout image
- image
- pixel point
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Abstract
本发明公开一种集成电路版图线网上开路关键面积的提取方法,主要思路为:首先,获取版图图像中每个线网;其次,提取每个线网的横竖边缘;然后,以缺陷矩阵的长度为间隔在每个线网横边缘上作缺陷矩阵的复制,以缺陷矩阵的宽度为间隔在每个线网竖边缘上作缺陷矩阵的复制;最后,计算每个线网内像素点值大于2的像素点总数就是每个线网的开路关键面积值。本发明根据缺陷矩阵的长度和宽度求每个线网的开路关键面积,可以降低集成电路版图线网上开路关键面积提取的时间复杂度,实现开路关键面积的快速提取。
Description
技术领域
本发明属于电子技术领域,更进一步涉及集成电路技术领域中的一种集成电路版图线网上开路关键面积的提取方法。本发明可用于大规模集成电路版图上的线网,实现线网上的开路关键面积提取操作。
背景技术
集成电路制造过程中出现的随机缺陷会引起电路的开路故障,从而降低集成电路芯片的成品率。开路关键面积是指集成电路中容易因随机缺陷而产生电路开路故障的关键区域面积,如果在这些区域出现随机缺陷,电路就必然会出现开路故障。开路关键面积是对随机缺陷导致的版图开路故障的一个量化,因此开路关键面积的分布和大小对提高芯片成品率有着至关重要的作用。基于图像处理技术的开路关键面积提取方法是以可能出现的随机缺陷为结构元素,利用数学形态学的方法计算集成电路版图图像的开路关键面积,但是膨胀过程中缺陷复制操作太多,导致运算时间复杂度大,效率低,不能适用于大规模集成电路的开路关键面积提取。
浙江大学在其拥有的专利技术“一种快速提取版图关键面积的方法”(专利申请号201010108651.4,授权公告号101789048B,授权公告日2011.10.19)中公开了一种提取版图关键面积方法。该方法的实现步骤是,1.提取版图信息,对集成电路版图的基本图形单元进行分类;2.建立分块有序多级索引表;3.利用分块有序多级索引表来分层遍历版图树;4.提取出所有与缺陷多边形重合的图形;5.计算出版图关键面积。该方法存在不足之处是,计算出版图关键面积过程中使用的递归提取基本图形单元操作,占用大量的计算机内存空间,造成该方法的空间复杂度太高,随着版图规模的增大,硬件配置不高的计算机很难实现该方法的高效性。
王乐在其发表的论文“基于图像处理技术的开路关键面积提取”(西安电子科技大学2012年,硕士论文)中提出了一种提取版图开路关键面积的方法。该方法的基本思想是读入含有版图线网信息的位图,通过数学形态学中细化运算获取线网拓扑路径曲线;借助于数学形态学中击中击不中变换识别线网边界上的拓扑路径的线端,获取线网流向轴,进而提取线网流向边。对线网流向边进行膨胀运算并对膨胀结果进行叠加;基于数学形态学的集合运算提取叠加后的重叠区域,计算开路关键区域的面积,即开路关键面积。该方法存在的不足之处是,缺陷中心对应的线网位置以版图线网的一个网格为单位做膨胀过程中的重复运算,从而导致该方法的时间复杂度过高。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种集成电路版图线网上开路关键面积的提取方法。该方法可以提高大规模集成电路版图中线网的开路关键面积提取效率,解决线网形状限制了开路关键面积提取效率的问题。
实现本发明目的的具体步骤如下:
(1)读取集成电路的版图图像:
(1a)读取图像格式为标准位图BMP格式的待提取开路关键面积的集成电路版图中的全部版图图像;
(1b)按照自上而下顺序从集成电路版图层中依次选取每一层的版图图像,将每一层的版图图像按照自左至右的顺序,分割为多幅二维的版图图像,每幅版图图像的像素点数量为900*900个,将分割后的每一幅版图图像保存为自定义的格式X_Y_Z.bmp;
(2)上传集成电路的版图图像至分布式处理框架Hadoop:
(2a)使用分布式处理框架Hadoop集群的启动命令start-all.sh,启动分布式处理框架Hadoop集群;
(2b)将读取的全部集成电路的版图图像,上传到分布式文件系统HDFS中;
(3)在分布式处理框架Hadoop下分块存储集成电路的版图图像:
分布式文件系统HDFS将上传的每幅版图图像作为存储单位块block,平均地分配所有块到分布式处理框架Hadoop集群的每个数据节点中;
(4)将分布式处理框架Hadoop所有数据节点的版图图像分片:
(4a)使用分布式处理框架Hadoop的组合文件输入格式CombineFileInputFormat,将所有数据节点中的版图图像划分成分片大小为64M的组合分片CombineFileSplit图像数据集;
(4b)从组合分片CombineFileSplit图像数据集中,随机选取一个组合分片;
(5)转换版图图像为映射类Map的输入键值对key1/value1:
(5a)选取组合分片中的一幅版图图像,通过分布式处理框架Hadoop的路径信息函数getPath,得到所选版图图像的路径信息;
(5b)利用图像处理库JavaCV中的图像像素数据转换函数cvDecodeImage,将路径信息中对应的版图图像转换为分布式处理框架Hadoop中图像类型ImageWritable的图像数据,将路径信息中版图图像的文件名,作为映射类Map中键值对的键key1,将版图图像的数据作为键key1对应的value1;
(6)对版图图像进行预处理:
(6a)将键key1对应的value1转换为图像处理库JavaCV图像格式IplImage中的版图图像数据;
(6b)利用灰度值计算公式,计算IplImage格式的版图图像中每个像素点的灰度值,将计算后所有像素点的灰度值,组成灰度化后的版图图像;
(6c)使用最大类间方差法,计算灰度化后版图图像的全局阈值;
(6d)利用二值计算公式,计算灰度化后版图图像像素点的二值,将计算的所有像素点的二值,组成二值化后的版图图像;
(7)利用图像处理中连通分量提取方法,得到按照像素点坐标排列组成的每个线网;
(8)求每个线网的开路关键面积:
(8a)从二值化后的版图图像中选取一个线网,使用一个6×6的像素点值全为1的二维矩阵作为结构元素,对所选线网进行数学形态学的腐蚀操作,得到所选线网的边界轮廓;
(8b)用一个3×3的像素点值为[-1,1,1;-1,1,1;-1,1,1]的二维矩阵作为结构元素,对所选线网的边界轮廓进行数学形态学的腐蚀操作,得到所选线网竖直方向的边缘,以缺陷矩阵的宽度为X坐标的间隔,从所选线网每个边缘的第1个像素点开始依次选取边缘中的像素点,用缺陷矩阵一一覆盖每个选取的像素点,使缺陷矩阵的中心与每个选取的像素点重合,将被缺陷矩阵覆盖的所选线网的所有像素点的像素点值加1;
(8c)用一个3×3的像素点值为[-1,-1,-1;1,1,1;1,1,1]的二维矩阵作为结构元素,对所选线网的边界轮廓进行数学形态学的腐蚀操作,得到所选线网水平方向的边缘,以缺陷矩阵的长度为Y坐标的间隔,从所选线网每个边缘的第1个像素点开始依次选取边缘中的像素点,用缺陷矩阵一一覆盖每个选取的像素点,使缺陷矩阵的中心与每个选取的像素点重合,将被缺陷矩阵覆盖的所选线网的所有像素点的像素点值加1;
(8d)将所选线网内像素点值大于2的像素点总数作为所选线网的开路关键面积值;
(8e)判断二值化后的版图图像中线网是否已全部提取开路关键面积,若是,执行步骤(9),否则,累加开路关键面积值并执行步骤(8);
(9)将路径信息中版图图像的文件名作为映射类Map输出键值对的键key2,将提取的开路关键面积作为文本类型Text的键key2对应的value2;
(10)判断是否选完所选组合分片中的全部版图图像,若是,则执行步骤(11),否则,执行步骤(5);
(11)判断是否选完所有的组合分片,若是,则执行步骤(12),否则,执行步骤(4);
(12)设置分布式处理框架Hadoop的化简类Reduce:
(12a)汇总全部数据节点中的映射类Map的输出键值对key2/value2;
(12b)将键key2输出到已设置输出路径的固定文件夹中;
(12c)将计算所得的开路关键面积以键值对key2/value2中的value2,输出到分布式文件系统HDFS的开路关键面积文件夹中;
(13)提交开路关键面积的提取任务:
(13a)初始化分布式处理框架Hadoop集群中数据节点的任务Job;
(13b)将提取开路关键面积的任务提交到分布式处理框架Hadoop集群中。
本发明与现有的技术相比具有以下优点:
第1,由于本发明在分布式处理框架Hadoop下分块存储集成电路的版图图像,将分布式处理框架Hadoop数据节点的版图图像分片,转换版图图像为映射类Map的输入键值对key1/value1,将路径信息中版图图像的文件名,作为映射类Map中键值对的键key1,将版图图像的数据作为键key1对应的value1,计算开路关键面积,克服了现有技术需要计算出版图关键面积过程中使用的递归提取基本图形单元操作,占用大量的计算机内存空间,造成该方法的空间复杂度太高,随着版图规模的增大,硬件配置不高的计算机很难实现该方法的高效性的问题,使得本发明具有使用多个普通的硬件计算机搭建的分布式处理框架分布式处理框架Hadoop集群,就能完成大规模集成电路线网的开路关键面积提取工作的优点。
第2,由于本发明根据缺陷矩阵的长度和宽度求每个线网的开路关键面积,克服了现有技术缺陷中心对应的线网位置以版图线网的一个网格为单位做膨胀过程中的重复运算,从而导致该方法的时间复杂度过高的问题,使得本发明减少了缺陷复制的次数和缺陷复制过程中复制像素点的数量,降低了集成电路版图线网上开路关键面积提取的时间复杂度。
附图说明
图1为本发明的流程图。
图2为本发明的仿真图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,对本发明的具体实施步骤做进一步的描述。
步骤1,读取集成电路的版图图像。
读取图像格式为标准位图BMP格式的待提取开路关键面积的集成电路版图中的全部版图图像。
按照自上而下顺序从集成电路版图层中依次选取每一层的版图图像,将每一层的版图图像按照自左至右的顺序,分割为多幅二维的版图图像,每幅版图图像的像素点数量为900*900个,将分割后的每一幅版图图像保存为自定义的格式X_Y_Z.bmp。
所述自定义的格式X_Y_Z.bmp是一个由版图图像在集成电路版图层中的位置组成的组合符号,该版图图像是一幅像素点数量为900*900的标准位图BMP格式的图像,其中X表示该版图图像在版图层中的层顺序号,Y表示该版图图像在集成电路版图层第X层中所占位置的起始行号的值,Z表示该版图图像在集成电路版图层第X层中所占位置的起始列号的值,下划线“_”表示格式中符号X、Y和Z的分隔符,bmp是标准位图BMP格式的小写形式。
步骤2,上传集成电路的版图图像至分布式处理框架Hadoop。
使用分布式处理框架Hadoop集群的启动命令start-all.sh,启动分布式处理框架Hadoop集群。
将读取的全部集成电路的版图图像,上传到分布式文件系统HDFS中。
步骤3,在分布式处理框架Hadoop下分块存储集成电路的版图图像。
分布式文件系统HDFS将上传的每幅版图图像作为存储单位块block,平均地分配所有块到分布式处理框架Hadoop集群的每个数据节点中。
步骤4,将分布式处理框架Hadoop所有数据节点的版图图像分片。
使用分布式处理框架Hadoop的组合文件输入格式CombineFileInputFormat,将所有数据节点中的版图图像划分成分片大小为64M的组合分片CombineFileSplit图像数据集。
从组合分片CombineFileSplit图像数据集中,随机选取一个组合分片。
步骤5,转换版图图像为映射类Map的输入键值对key1/value1。
选取组合分片中的一幅版图图像,通过分布式处理框架Hadoop的路径信息函数getPath,得到所选版图图像的路径信息。
利用图像处理库JavaCV中的图像像素数据转换函数cvDecodeImage,将路径信息中对应的版图图像转换为分布式处理框架Hadoop中图像类型ImageWritable的图像数据,将路径信息中版图图像的文件名,作为映射类Map中键值对的键key1,将版图图像的数据作为键key1对应的value1。
步骤6,对版图图像进行预处理。
将键key1对应的value1转换为图像处理库JavaCV图像格式IplImage中的版图图像数据。
利用灰度值计算公式,计算IplImage格式的版图图像中每个像素点的灰度值,将计算后所有像素点的灰度值,组成灰度化后的版图图像。
所述的灰度值计算公式如下:
L(i,j)=0.299×R(i,j)+0.587×G(i,j)+0.114×B(i,j)
其中,L(i,j)表示版图图像中坐标为(i,j)像素点的灰度值,R(i,j)表示版图图像中坐标为(i,j)像素点的红色分量,G(i,j)表示版图图像中坐标为(i,j)像素点的绿色分量,B(i,j)表示版图图像中坐标为(i,j)像素点的蓝色分量。
使用最大类间方差法,计算每幅灰度化后的版图图像的全局阈值。
所述的最大类间方差法,具体步骤如下:
第1步,从每幅灰度化后的版图图像中,任选一个未被选取过的像素点灰度值作为当前参考灰度值。
第2步,将每幅灰度化后的版图图像中灰度值大于当前参考灰度值的每个像素点,作为前景像素点;将每幅灰度化后的版图图像中灰度值小于当前参考灰度值的每个像素点,作为背景像素点。
第3步,用每幅灰度化后版图图像的背景像素点总数除以该幅版图图像的像素点总数的百分比,作为背景像素点的比例值;用每幅灰度化后版图图像的前景像素点总数除以该幅版图图像的像素点总数的百分比,作为前景像素点的比例值。
第4步,取每幅灰度化后版图图像中所有背景像素点灰度值的均值,作为背景平均灰度值;取每幅灰度化后版图图像中所有前景像素点灰度值的均值,作为前景平均灰度值。
第5步,按照下式,计算每幅灰度化后版图图像中所有前景像素点与所有背景像素点之间的类间方差值:
ga=ωa×ωa′×(μa-μa′)2
其中,ga表示第a幅灰度化后版图图像中所有前景像素点与所有背景像素点之间的类间方差值,ωa表示第a幅灰度化后版图图像中背景像素点的比例值,ωa′表示第a幅灰度化后版图图像中前景像素点的比例值,μa表示第a幅灰度化后版图图像的背景平均灰度值,μa′表示第a幅灰度化后版图图像的前景平均灰度值。
第6步,判断从每幅灰度化后的版图图像是否选完所有的像素点灰度值,若是,则执行本步骤的第7步,否则,执行本步骤的第1步。
第7步,将每幅灰度化后版图图像中,所有类间方差值中最大的类间方差值所选取的参考灰度值,作为每幅灰度化后版图图像的全局阈值。
利用二值公式,计算每幅灰度化后版图图像中每个像素点的二值,将所有像素点的二值,组成二值化后的版图图像。
所述的二值公式如下:
其中,BWb(x,y)表示第b幅灰度化后版图图像中坐标为(x,y)像素点的二值,Lb(x,y)表示第b幅灰度化后版图图像中坐标为(x,y)像素点的灰度值,Tb表示第b幅灰度化后版图图像的全局阈值。
步骤7,利用图像处理中连通分量提取方法,得到按照像素点坐标排列组成的每个线网。
所述的图像处理中连通分量提取方法的具体步骤如下:
第1步,选取任意一幅二值化后的版图图像,将该版图图像中的所有像素点复制到版图图像副本中。
第2步,在所选版图图像中任选一个二值为1的像素点,作为当前参考像素点。
第3步,以当前参考像素点为中心,从上、下、左、右、左上、左下、右上和右下位置处各选取一个像素点,共8个像素点。
第4步,判断不同位置所选取的像素点中是否存在二值为1的像素点,若存在,则将每个二值为1的像素点依次作为当前参考像素点后执行本步骤的第2步,否则,执行本步骤的第4步。
第5步,将所有当前参考像素点按照其坐标排列就组成了一个线网,在版图图像副本中将与该线网中每个像素点坐标对应的像素点二值设置为0。
第6步,判断是否选完版图图像副本中二值为1的像素点,若是,得到所选二值化后版图图像的所有线网,执行本步骤的第7步,否则,执行本步骤的第2步。
第7步,判断是否选完所有的二值化后版图图像,若是,得到所有二值化后版图图像的所有线网并执行步骤8,否则,执行本步骤的第1步。
步骤8,求每个线网的开路关键面积。
从二值化后的版图图像中选取一个线网,使用一个6×6的像素点值全为1的二维矩阵作为结构元素,对所选线网进行数学形态学的腐蚀操作,得到所选线网的边界轮廓。
用一个3×3的像素点值为[-1,1,1;-1,1,1;-1,1,1]的二维矩阵作为结构元素,对所选线网的边界轮廓进行数学形态学的腐蚀操作,得到所选线网竖直方向的边缘,以缺陷矩阵的宽度为X坐标的间隔,从所选线网每个边缘的第1个像素点开始依次选取边缘中的像素点,用缺陷矩阵一一覆盖每个选取的像素点,使缺陷矩阵的中心与每个选取的像素点重合,将被缺陷矩阵覆盖的所选线网的所有像素点的像素点值加1。
用一个3×3的像素点值为[-1,-1,-1;1,1,1;1,1,1]的二维矩阵作为结构元素,对所选线网的边界轮廓进行数学形态学的腐蚀操作,得到所选线网水平方向的边缘,以缺陷矩阵的长度为Y坐标的间隔,从所选线网每个边缘的第1个像素点开始依次选取边缘中的像素点,用缺陷矩阵一一覆盖每个选取的像素点,使缺陷矩阵的中心与每个选取的像素点重合,将被缺陷矩阵覆盖的所选线网的所有像素点的像素点值加1。
将所选线网内像素点值大于2的像素点总数作为所选线网的开路关键面积值。
判断二值化后的版图图像中线网是否已全部提取开路关键面积,若是,执行步骤9,否则,累加开路关键面积值并执行步骤8。
步骤9,将路径信息中版图图像的文件名作为映射类Map输出键值对的键key2,将提取的开路关键面积作为文本类型Text的键key2对应的value2。
步骤10,判断是否选完所选组合分片中的全部版图图像,若是,则执行步骤11,否则,执行步骤5。
步骤11,判断是否选完所有的组合分片,若是,则执行步骤12,否则,执行步骤4。
步骤12,设置分布式处理框架Hadoop的化简类Reduce。
汇总全部数据节点中的映射类Map的输出键值对key2/value2。
将键key2输出到已设置输出路径的固定文件夹中。
将计算所得的开路关键面积以键值对key2/value2中的value2,输出到分布式文件系统HDFS的开路关键面积文件夹中。
步骤13,提交开路关键面积的提取任务。
初始化分布式处理框架Hadoop集群中数据节点的任务Job。
将提取开路关键面积的任务提交到分布式处理框架Hadoop集群中。
本发明的效果可以通过下述仿真实验得到验证。
1.仿真条件:
本发明的仿真是在搭建的分布式处理框架Hadoop集群上进行的。分布式处理框架Hadoop集群包含3个节点:1个主机节点Master和2个从机节点Slaver1、Slaver2,并通过局域网连接三个节点。
软件环境如下:
Linux环境:CentOS 6.5。
JDK版本:1.7_80。
Hadoop版本:Hadoop 1.2.1。
Eclipse版本:Eclipse Release 4.3.0。
JavaCV版本:JavaCV 1.1
节点的IP地址及硬件配置如下:
表1Hadoop集群中节点的IP地址及硬件配置表
机器名称 | IP地址 | 硬件配置 |
Master | 192.168.131.3 | Pentium(R)Dual-Core CPU E5800@3.20GHZ |
Slaver1 | 192.168.131.4 | Pentium(R)Dual-Core CPU E5800@3.20GHZ |
Slaver2 | 192.168.131.5 | Pentium(R)Dual-Core CPU E5800@3.20GHZ |
表1中的Master是分布式处理框架Hadoop集群中的主机节点,Slaver1、Slaver2是分布式处理框架Hadoop集群中的从节点,IP地址表示计算机的网络地址,硬件配置是计算机的处理器CPU的型号。
2.仿真内容与仿真实验结果分析:
本发明的仿真实验是采用本发明的方法以及现有技术的基于图像处理技术的开路关键面积提取方法,分别对集成电路版图图像作开路关键面积的提取,并比较开路关键面积的提取时间。
本发明的仿真实验中分别选取7组版图图像,7个版图图像中线网的数目分别是3696条、4990条、6216条、6577条、12816条、23505条、30824条,输出7个版图图像所对应的开路关键面积。采用本发明的方法和现有技术的基于图像处理技术的开路关键面积提取方法,分别对7个版图图像提取开路关键面积,得到如图2所示的提取时间对比图。
图2中的横坐标表示输入的版图图像名称,纵坐标表示开路关键面积的提取时间,物理单位为秒s。图2中以正方形标示的实线表示用现有技术的基于图像处理的开路关键面积提取方法,在不同数目的版图图像线网下提取开路关键面积所用时间的曲线,以三角形标示的实线表示采用本发明的开路关键面积提取方法,在不同数目的版图图像线网下提取开路关键面积所用时间的曲线。
比较图2中本发明的方法和现有技术的基于图像处理的开路关键面积提取方法的提取时间曲线可见:(1)随着线网数目的增大,提取开路关键面积所需的时间逐渐增多。(2)当输入版图线网的数量相同时,比较在同一缺陷大小下两种方法的提取时间曲线的纵坐标,现有技术的基于图像处理的开路关键面积提取方法所用的时间远大于本发明开路关键面积提取方法所用时间,而且在对大规模集成电路线网提取开路关键面积时,随着版图线网数目的增加,两曲线的线性差距越明显,说明本发明的优越性越突出,因此本发明的开路关键面积提取算法效率高且能适用于大规模集成电路版图网。
Claims (7)
1.一种集成电路版图线网上开路关键面积的提取方法,其特征在于,根据缺陷矩阵的长度和宽度求每个线网的开路关键面积,该方法的步骤包括如下:
(1)读取集成电路的版图图像:
(1a)读取图像格式为标准位图BMP格式的待提取开路关键面积的集成电路版图中的全部版图图像;
(1b)按照自上而下顺序从集成电路版图层中依次选取每一层的版图图像,将每一层的版图图像按照自左至右的顺序,分割为多幅二维的版图图像,每幅版图图像的像素点数量为900*900个,将分割后的每一幅版图图像保存为自定义的格式X_Y_Z.bmp;
(2)上传集成电路的版图图像至分布式处理框架Hadoop:
(2a)使用分布式处理框架Hadoop集群的启动命令start-all.sh,启动分布式处理框架Hadoop集群;
(2b)将读取的全部集成电路的版图图像,上传到分布式文件系统HDFS中;
(3)在分布式处理框架Hadoop下分块存储集成电路的版图图像:
分布式文件系统HDFS将上传的每幅版图图像作为存储单位块block,平均地分配所有块到分布式处理框架Hadoop集群的每个数据节点中;
(4)将分布式处理框架Hadoop所有数据节点的版图图像分片:
(4a)使用分布式处理框架Hadoop的组合文件输入格式CombineFileInputFormat,将所有数据节点中的版图图像划分成分片大小为64M的组合分片CombineFileSplit图像数据集;
(4b)从组合分片CombineFileSplit图像数据集中,随机选取一个组合分片;
(5)转换版图图像为映射类Map的输入键值对key1/value1:
(5a)选取组合分片中的一幅版图图像,通过分布式处理框架Hadoop的路径信息函数getPath,得到所选版图图像的路径信息;
(5b)利用图像处理库JavaCV中的图像像素数据转换函数cvDecodeImage,将路径信息中对应的版图图像转换为分布式处理框架Hadoop中图像类型ImageWritable的图像数据,将路径信息中版图图像的文件名,作为映射类Map中键值对的键key1,将版图图像的数据作为键key1对应的value1;
(6)对版图图像进行预处理:
(6a)将键key1对应的value1转换为图像处理库JavaCV图像格式IplImage中的版图图像数据;
(6b)利用灰度值计算公式,计算IplImage格式的版图图像中每个像素点的灰度值,将计算后所有像素点的灰度值,组成灰度化后的版图图像;
(6c)使用最大类间方差法,计算灰度化后版图图像的全局阈值;
(6d)利用二值计算公式,计算灰度化后版图图像像素点的二值,将计算的所有像素点的二值,组成二值化后的版图图像;
(7)利用图像处理中连通分量提取方法,得到按照像素点坐标排列组成的每个线网;
(8)求每个线网的开路关键面积:
(8a)从二值化后的版图图像中选取一个线网,使用一个6×6的像素点值全为1的二维矩阵作为结构元素,对所选线网进行数学形态学的腐蚀操作,得到所选线网的边界轮廓;
(8b)用一个3×3的像素点值为[-1,1,1;-1,1,1;-1,1,1]的二维矩阵作为结构元素,对所选线网的边界轮廓进行数学形态学的腐蚀操作,得到所选线网竖直方向的边缘,以缺陷矩阵的宽度为X坐标的间隔,从所选线网每个边缘的第1个像素点开始依次选取边缘中的像素点,用缺陷矩阵一一覆盖每个选取的像素点,使缺陷矩阵的中心与每个选取的像素点重合,将被缺陷矩阵覆盖的所选线网的所有像素点的像素点值加1;
(8c)用一个3×3的像素点值为[-1,-1,-1;1,1,1;1,1,1]的二维矩阵作为结构元素,对所选线网的边界轮廓进行数学形态学的腐蚀操作,得到所选线网水平方向的边缘,以缺陷矩阵的长度为Y坐标的间隔,从所选线网每个边缘的第1个像素点开始依次选取边缘中的像素点,用缺陷矩阵一一覆盖每个选取的像素点,使缺陷矩阵的中心与每个选取的像素点重合,将被缺陷矩阵覆盖的所选线网的所有像素点的像素点值加1;
(8d)将所选线网内像素点值大于2的像素点总数作为所选线网的开路关键面积值;
(8e)判断二值化后的版图图像中线网是否已全部提取开路关键面积,若是,执行步骤(9),否则,累加开路关键面积值并执行步骤(8);
(9)将路径信息中版图图像的文件名作为映射类Map输出键值对的键key2,将提取的开路关键面积作为文本类型Text的键key2对应的value2;
(10)判断是否选完所选组合分片中的全部版图图像,若是,则执行步骤(11),否则,执行步骤(5);
(11)判断是否选完所有的组合分片,若是,则执行步骤(12),否则,执行步骤(4);
(12)设置分布式处理框架Hadoop的化简类Reduce:
(12a)汇总全部数据节点中的映射类Map的输出键值对key2/value2;
(12b)将键key2输出到已设置输出路径的固定文件夹中;
(12c)将计算所得的开路关键面积以键值对key2/value2中的value2,输出到分布式文件系统HDFS的开路关键面积文件夹中;
(13)提交开路关键面积的提取任务:
(13a)初始化分布式处理框架Hadoop集群中数据节点的任务Job;
(13b)将提取开路关键面积的任务提交到分布式处理框架Hadoop集群中。
2.根据权利要求1所述的集成电路版图线网上开路关键面积的提取方法,其特征在于,步骤(1b)中所述自定义的格式X_Y_Z.bmp是一个由版图图像在集成电路版图层中的位置组成的组合符号,该版图图像是一幅像素点数量为900*900的标准位图BMP格式的图像,其中X表示该版图图像在版图层中的层顺序号,Y表示该版图图像在集成电路版图层第X层中所占位置的起始行号的值,Z表示该版图图像在集成电路版图层第X层中所占位置的起始列号的值,下划线“_”表示格式中符号X、Y和Z的分隔符,bmp是标准位图BMP格式的小写形式。
3.根据权利要求1所述的集成电路版图线网上开路关键面积的提取方法,其特征在于,步骤(6b)所述的灰度值计算公式如下:
L(i,j)=0.299×R(i,j)+0.587×G(i,j)+0.114×B(i,j)
其中,L(i,j)表示版图图像中坐标为(i,j)像素点的灰度值,R(i,j)表示版图图像中坐标为(i,j)像素点的红色分量,G(i,j)表示版图图像中坐标为(i,j)像素点的绿色分量,B(i,j)表示版图图像中坐标为(i,j)像素点的蓝色分量。
4.根据权利要求1所述的集成电路版图线网上开路关键面积的提取方法,其特征在于,步骤(6c)所述的最大类间方差法,具体步骤如下:
第1步,从每幅灰度化后的版图图像中,任选一个未被选取过的像素点灰度值作为当前参考灰度值;
第2步,将每幅灰度化后的版图图像中灰度值大于当前参考灰度值的每个像素点,作为前景像素点;将每幅灰度化后的版图图像中灰度值小于当前参考灰度值的每个像素点,作为背景像素点;
第3步,用每幅灰度化后版图图像的背景像素点总数除以该幅版图图像的像素点总数的百分比,作为背景像素点的比例值;用每幅灰度化后版图图像的前景像素点总数除以该幅版图图像的像素点总数的百分比,作为前景像素点的比例值;
第4步,取每幅灰度化后版图图像中所有背景像素点灰度值的均值,作为背景平均灰度值;取每幅灰度化后版图图像中所有前景像素点灰度值的均值,作为前景平均灰度值;
第5步,按照下式,计算每幅灰度化后版图图像中所有前景像素点与所有背景像素点之间的类间方差值:
ga=ωa×ωa′×(μa-μa′)2
其中,ga表示第a幅灰度化后版图图像中所有前景像素点与所有背景像素点之间的类间方差值,ωa表示第a幅灰度化后版图图像中背景像素点的比例值,ωa′表示第a幅灰度化后版图图像中前景像素点的比例值,μa表示第a幅灰度化后版图图像的背景平均灰度值,μa′表示第a幅灰度化后版图图像的前景平均灰度值;
第6步,判断从每幅灰度化后的版图图像是否选完所有的像素点灰度值,若是,则执行第7步,否则,执行第1步;
第7步,将每幅灰度化后版图图像中,所有类间方差值中最大的类间方差值所选取的参考灰度值,作为每幅灰度化后版图图像的全局阈值。
6.根据权利要求1所述的集成电路版图线网上开路关键面积的提取方法,其特征在于,步骤(7)中所述的图像处理中连通分量提取方法的具体步骤如下:
第1步,选取任意一幅二值化后的版图图像,将该版图图像中的所有像素点复制到版图图像副本中;
第2步,在所选版图图像中任选一个二值为1的像素点,作为当前参考像素点;
第3步,以当前参考像素点为中心,从上、下、左、右、左上、左下、右上和右下位置处各选取一个像素点,共8个像素点;
第4步,判断不同位置所选取的像素点中是否存在二值为1的像素点,若存在,则将每个二值为1的像素点依次作为当前参考像素点后执行第2步,否则,执行第4步;
第5步,将所有当前参考像素点按照其坐标排列就组成了一个线网,在版图图像副本中将与该线网中每个像素点坐标对应的像素点二值设置为0;
第6步,判断是否选完版图图像副本中二值为1的像素点,若是,得到所选二值化后版图图像的所有线网,执行第7步,否则,执行第2步;
第7步,判断是否选完所有的二值化后版图图像,若是,得到所有二值化后版图图像的所有线网,否则,执行第1步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811598941.4A CN109712181B (zh) | 2018-12-26 | 2018-12-26 | 集成电路版图线网上开路关键面积的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811598941.4A CN109712181B (zh) | 2018-12-26 | 2018-12-26 | 集成电路版图线网上开路关键面积的提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109712181A CN109712181A (zh) | 2019-05-03 |
CN109712181B true CN109712181B (zh) | 2022-12-06 |
Family
ID=66258243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811598941.4A Active CN109712181B (zh) | 2018-12-26 | 2018-12-26 | 集成电路版图线网上开路关键面积的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109712181B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800716B (zh) * | 2021-02-04 | 2022-03-01 | 北京华大九天科技股份有限公司 | 一种集成电路版图布线中线网开路检测方法 |
CN113160126B (zh) * | 2021-03-02 | 2023-09-01 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 硬件木马检测方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701491A (zh) * | 2014-11-25 | 2016-06-22 | 上海思鲨信息科技有限公司 | 固定格式文档图像模版的制作方法及其应用 |
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN108257172A (zh) * | 2018-01-15 | 2018-07-06 | 西安电子科技大学 | 基于Hadoop的集成电路版图开路关键面积提取方法 |
-
2018
- 2018-12-26 CN CN201811598941.4A patent/CN109712181B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701491A (zh) * | 2014-11-25 | 2016-06-22 | 上海思鲨信息科技有限公司 | 固定格式文档图像模版的制作方法及其应用 |
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN108257172A (zh) * | 2018-01-15 | 2018-07-06 | 西安电子科技大学 | 基于Hadoop的集成电路版图开路关键面积提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109712181A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8601409B1 (en) | Compression method and system for use with multi-patterning | |
KR101666937B1 (ko) | 3차원 포인트 클라우드의 대용량 데이터를 처리하기 위한 장치 및 그 방법 | |
DE102019102279A1 (de) | Erzeugung von synthetischen Bildern zum Trainieren eines Neuronal-Netzwerkmodells | |
DE112020003128T5 (de) | Dilatierte faltung mit systolischem array | |
DE102019103310A1 (de) | Schätzer for einen optimalen betriebspunkt für hardware, die unter einer beschränkung der gemeinsam genutzten leistung/wärme arbeitet | |
CN109712181B (zh) | 集成电路版图线网上开路关键面积的提取方法 | |
CN107067434B (zh) | 基于Hadoop的集成电路短路关键面积提取方法 | |
DE102021105249A1 (de) | Mikrotraining zur iterativen verfeinerung eines neuronalen netzes mit wenigen anpassungen | |
CN108920540B (zh) | 一种基于Spark的并行栅格数据处理方法 | |
DE102019134020A1 (de) | Dekompprimierungstechniken zur verarbeitung komprimierter daten, die für künstliche neuronale netzwerke geeignet sind | |
DE102019103319A1 (de) | Stochastisches runden von zahlenwerten | |
DE102012213846A1 (de) | Echtzeit-Euler'sche Wassersimulation unter Benutzung eines beschränkten Groß-Zelle-Gitters | |
Yu et al. | Efficient parallel power grid analysis via additive schwarz method | |
CN111599015B (zh) | 一种约束条件下的空间多边形网格化填充方法和装置 | |
CN108257172B (zh) | 基于Hadoop的集成电路版图开路关键面积提取方法 | |
CN106407538B (zh) | 基于Hadoop的位图版图向CIF版图转换方法 | |
CN103150711A (zh) | 一种基于OpenCL的图像修复方法 | |
CN112988403B (zh) | 具有保密功能的集成电路仿真多线程管理并行方法及装置 | |
CN115828827A (zh) | 集成电路设计版图层次结构重构方法、系统及存储那介质 | |
Capozzoli et al. | The success of GPU computing in applied electromagnetics | |
CN112989746B (zh) | 一种多线程管理的集成电路仿真粗颗粒并行方法及装置 | |
CN110610544A (zh) | 钻孔数据抽稀方法和装置、设备及储存介质 | |
CN107679551B (zh) | 一种基于分形的涌现现象的识别方法 | |
CN105447824B (zh) | 图像处理方法及装置 | |
DE102018130345A1 (de) | Budgetbewusstes Verfahren zum Erfassen von Aktivität in Videos |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |