CN110415251A - 一种背景检测的图像分割方法与装置 - Google Patents
一种背景检测的图像分割方法与装置 Download PDFInfo
- Publication number
- CN110415251A CN110415251A CN201910596706.1A CN201910596706A CN110415251A CN 110415251 A CN110415251 A CN 110415251A CN 201910596706 A CN201910596706 A CN 201910596706A CN 110415251 A CN110415251 A CN 110415251A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- silicon chip
- camera
- silicon wafer
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000005192 partition Methods 0.000 title claims abstract description 15
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims abstract description 139
- 229910052710 silicon Inorganic materials 0.000 claims abstract description 139
- 239000010703 silicon Substances 0.000 claims abstract description 139
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000003709 image segmentation Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 8
- 229940095676 wafer product Drugs 0.000 claims description 4
- 238000005429 filling process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 12
- 238000005260 corrosion Methods 0.000 description 8
- 230000007797 corrosion Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 4
- 238000006748 scratching Methods 0.000 description 4
- 230000002393 scratching effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于背景检测的图像分割方法。所述方法包括:获取X光拍摄的N张硅片图像;分别将N张硅片图像进行彩色图像分割并从中筛选出对比度最大的单通道图像,进一步灰度化,得到N张第一目标图像;对N张第一目标图像进行全局阈值处理,进一步孔洞填充直至像素内没有缝隙,得到N张第二目标图像;根据设定的像素邻接关系,构建N张第二目标图像的连通域,进一步利用硅片的面积特征筛选出硅片区域,得到N张第三目标图像;对N张第三目标图像进行形态学开运算并缩减其定义域至设定的定义域,抠图处理后得到N张目标图像。本发明通过对原始图像进行系列处理,使得在确保图像质量的前提下减少特征数量,实现快速从原始图像中分割目标图像。
Description
技术领域
本发明涉及机器视觉检测领域,尤其涉及一种背景检测的图像分割方法与装置。
背景技术
图像分割是指将图像提取出感兴趣区域的技术和过程。其中,典型的图像分割方法有阈值法、边缘检测法、区域法、聚类法和结合特定理论的图像分割方法,但是在针对不同图像时这些方法总存在一些不足。
例如:阈值算法是最经典和常用的方法,优点是实现简单,运算速度快。结合阈值算法的图像分割方法也很多,但是难以处理包含多个前景物体的情况;目前的边缘检测法还不能很好地检测图像前景的边缘并使其存在连续性,边缘存在于背景和目标之间,依赖于边缘算子,故很难用于图像分割;区域法主要有区域生长法和分裂合并法,分裂合并法被认为是一种很有发展前景的分割方法,该方法对复杂图像的分割效果较好,但算法较复杂,计算量大,分裂还可能破坏区域的边界;聚类法将图像分割当作一个聚类问题,聚类算法被广泛应用于图像分割,但需事先指定聚类数量、区域大小和区域同质标准。
因此,基于图像背景各点像素可能具有较大的差距性的情况下,很难直接使用阈值法去区分某一点是否属于背景像素,进而影响图像分割的准确性。
发明内容
本发明所要解决的技术问题在于,提供一种基于背景检测的图像分割方法,通过对原始图像进行系列处理,使得在确保图像质量的前提下减少特征数量,实现快速从原始图像中分割目标图像,便于工作人员针对目标图像进行检测。
为了解决上述技术问题,本发明提出了一种基于背景检测的图像分割方法,包括:获取X光拍摄的N张硅片图像,其中,N为大于1的整数;分别将所述N张硅片图像进行彩色图像分割,并从中筛选出对比度最大的单通道图像,进一步灰度化,得到N张第一目标图像;对所述N张第一目标图像进行全局阈值处理,进一步孔洞填充直至像素内没有缝隙,得到N张第二目标图像;根据设定的像素邻接关系,构建所述N张第二目标图像的连通域,进一步利用硅片的面积特征筛选出硅片区域,得到N张第三目标图像;对所述N张第三目标图像进行形态学开运算,并缩减其定义域至设定的定义域,抠图处理后得到N张目标图像。
进一步地,在所述获取X光拍摄的N张硅片图像之前,还包括:对相机进行标定;具体的,初步调整相机的垂直高度和焦距,使其拍摄出恰好能够清晰看到硅片四个倒角栅线的图像;继续调整相机的垂直高度和焦距,使其拍摄出恰好能够清晰看到标定板上的所有圆点的图像。
进一步地,所述硅片的规格均为150mm×150mm或156mm×156mm,所述标定板的规格为170mm×170mm。
进一步地,所述N张硅片图像为N台相机分别在同一时刻捕获得到的硅片图像,其中,所述N台相机中的每台相机捕获一张硅片图像;或者,所述N张硅片图像为同一台相机在不同时刻捕获得到的硅片图像。
进一步地,在所述全局阈值处理过程中,设定像素灰度值的上限和下限分别为8和140;在孔洞填充过程中,采用孔洞周边特征对孔洞进行填充,且不改变区域的个数。
本发明还提出了一种基于背景检测的图像分割装置,包括:图像获取模块,用于获取X光拍摄的N张硅片图像,其中,N为大于1的整数;预处理模块,用于分别将所述N张硅片图像进行彩色图像分割,并从中筛选出对比度最大的单通道图像,进一步灰度化,得到N张第一目标图像;二次处理模块,用于对所述N张第一目标图像进行全局阈值处理,进一步孔洞填充直至像素内没有缝隙,得到N张第二目标图像;特征提取模块,用于根据设定的像素邻接关系,构建所述N张第二目标图像的连通域,进一步利用硅片的面积特征筛选出硅片区域,得到N张第三目标图像;形态学开运算模块,用于对所述N张第三目标图像进行形态学开运算,并缩减其定义域至设定的定义域,抠图处理后得到N张目标图像。
进一步地,所述图像获取模块,在获取X光拍摄的N张硅片图像之前,还包括:对相机进行标定;具体的,初步调整相机的垂直高度和焦距,使其拍摄出恰好能够清晰看到硅片四个倒角栅线的图像;继续调整相机的垂直高度和焦距,使其拍摄出恰好能够清晰看到标定板上的所有圆点的图像。
进一步地,所述硅片的规格均为150mm×150mm或156mm×156mm,所述标定板的规格为170mm×170mm。
进一步地,所述N张硅片图像为N台相机分别在同一时刻捕获得到的硅片图像,其中,所述N台相机中的每台相机捕获一张硅片图像;或者,所述N张硅片图像为同一台相机在不同时刻捕获得到的硅片图像。
进一步地,所述二次处理模块,在所述全局阈值处理过程中,设定像素灰度值的上限和下限分别为8和140;在所述孔洞填充过程中,采用孔洞周边特征对孔洞进行填充,且不改变区域的个数。
实施本发明的实施例具有如下有益效果:
本发明的实施例,能够通过对原始图像进行系列处理,使得在确保图像质量的前提下减少特征数量,实现快速从原始图像中分割目标图像,便于工作人员针对目标图像进行检测。
附图说明
图1为本发明实施例中的一种基于背景检测的图像分割方法的流程示意图;
图2为本发明实施例中的一种基于背景检测的图像分割装置的结构示意图。
具体实施方式
下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
第一实施例,请参阅图1。
如图1所示,第一实施例提供的一种基于背景检测的图像分割方法,包括以下步骤S1~S5:
S1、获取X光拍摄的N张硅片图像,其中,N为大于1的整数。
S2、分别将所述N张硅片图像进行彩色图像分割,并从中筛选出对比度最大的单通道图像,进一步灰度化,得到N张第一目标图像。
S3、对所述N张第一目标图像进行全局阈值处理,进一步孔洞填充直至像素内没有缝隙,得到N张第二目标图像。
S4、根据设定的像素邻接关系,构建所述N张第二目标图像的连通域,进一步利用硅片的面积特征筛选出硅片区域,得到N张第三目标图像。
S5、对所述N张第三目标图像进行形态学开运算,并缩减其定义域至设定的定义域,抠图处理后得到N张目标图像。
需要说明的是,在所述获取X光拍摄的N张硅片图像之前,还包括:对相机进行标定;具体的,初步调整相机的垂直高度和焦距,使其拍摄出恰好能够清晰看到硅片四个倒角栅线的图像;继续调整相机的垂直高度和焦距,使其拍摄出恰好能够清晰看到标定板上的所有圆点的图像。
在一优选的实施例中,所述硅片的规格均为150mm×150mm或156mm×156mm,所述标定板的规格为170mm×170mm。
以工业相机为例,调整工业相机的垂直高度和拍摄角度,直至目标物体在该工业相机的拍摄范围内。另外,调整工业相机焦距,直至能够清楚拍摄目标物体的边界线条。
在本实施例中,调整工业相机的垂直高度和拍摄角度,直至工业相机所拍摄的硅片图像大小为175~177mm。另外,调整工业相机焦距,直至能够清楚拍摄待测硅片的四个倒角栅线。同时,使用边长为170mm的正方形标定板,调整工业相机焦距至能够清楚拍摄标定板上所有的圆点为止。
可以理解的是,通过预先标定图像采集设备可以改善镜头畸变,避免所述硅片图像失真,有利于提高所述硅片图像的质量。
在具体的实施例当中,所述N张硅片图像为N台相机分别在同一时刻捕获得到的硅片图像,其中,所述N台相机中的每台相机捕获一张硅片图像。
可以理解的是,当N=3时,即分别用三台工业相机在同一时刻对硅片进行一次拍摄,得到三张硅片图像。在实际拍摄过程中,由于三台工业相机的型号或参数设置不同、拍摄角度不同和外界环境光线等因素的影响,三张硅片图像是存在差异的。通过不同的工业相机采集三张不同角度的硅片图像,可在一定程度上避免外界环境光线等因素影响,并提供较多处理对象,有利于在下一步处理后择优选取图像,提高图像处理的精度,从而提高目标图像的质量。另外,提供不同角度的硅片图像,便于后续快速提取面积特征。
在具体的实施例当中,将每张硅片图像进行彩色图像分割,得到R、G、B三个通道图像并从中筛选出对比度最大的单通道图像。
对所述N张对比度最大的单通道图像进行灰度化,得到N张第一目标图像。
可以理解的是,通过对所述硅片图像中的高质量单通道图像进行灰度化,降低了矩阵维数以提高运算速度,同时保留图像梯度信息,便于之后快速进行特征识别。
在具体的实施例当中,所述全局阈值处理包括:设定像素灰度值的上限和下限分别为8和140。可以理解的是,设定差值较大的阈值上下限,可将第一目标图像中的前景和背景完整囊括。
在一优选的实施例中,选取靠近所述阈值下限的一区间进行全局阈值处理。可以理解的是,若选取靠近所述阈值下限的一区间进行全局阈值处理,则可尽可能地将图像像素点进行细分,便于后续执行孔洞填充操作。
在具体的实施例当中,所述孔洞填充采用孔洞周边特征对孔洞进行填充,且不改变区域的个数。实际上,在进行阈值分割后,图像总会存在部分未分割的区域。通过孔洞填充,即用孔洞周边的特征填充孔洞,可以减少特征数量,从而提高特征提取的效率。
在具体的实施例当中,根据设定的像素邻接关系,构建所述N张第二目标图像的连通域,例如,将灰度值在同一固定范围的像素点进行连接,形成连通域。进一步利用硅片的面积特征筛选出硅片区域,得到N张第三目标图像。
在具体的实施例当中,对所述N张第三目标图像进行形态学开运算,并缩减其定义域至设定的定义域,抠图处理后得到N张目标图像。
其中,所述形态学开运算包括腐蚀处理和膨胀处理。
可以理解的是,对所述第三目标图像进行腐蚀处理,消除目标物体边界点以缩小目标物体,从而消除小于结构元素的噪声点。随后,进行膨胀处理,将与目标物体接触的所有背景点合并到物体中以增大目标物体,从而填补目标物体中的空洞。也就是说,形态学开运算可实现消除图像上细小的噪声,并平滑物体边界。
在一优选的实施例中,利用边缘算子可将图像的定义域缩减至一设定的定义域,并进行抠图操作,得到目标图像。即通过一个指定定义域将目标图像准确完整地分离出来。
实施本发明的实施例,能够通过对原始图像进行系列处理,使得在确保图像质量的前提下减少特征数量,实现快速从原始图像中分割目标图像,便于工作人员针对目标图像进行检测。
第二实施例,基于第一实施例的另一实施例。
在所述获取X光拍摄的N张硅片图像之前,还包括:对相机进行标定;具体的,初步调整相机的垂直高度和焦距,使其拍摄出恰好能够清晰看到硅片四个倒角栅线的图像;继续调整相机的垂直高度和焦距,使其拍摄出恰好能够清晰看到标定板上的所有圆点的图像。
在一优选的实施例中,所述硅片的规格均为150mm×150mm或156mm×156mm,所述标定板的规格为170mm×170mm。
以工业相机为例,调整工业相机的垂直高度和拍摄角度,直至目标物体在该工业相机的拍摄范围内。另外,调整工业相机焦距,直至能够清楚拍摄目标物体的边界线条。
在本实施例中,调整工业相机的垂直高度和拍摄角度,直至工业相机所拍摄的硅片图像大小为175~177mm。另外,调整工业相机焦距,直至能够清楚拍摄待测硅片的四个倒角栅线。同时,使用边长为170mm的正方形标定板,调整工业相机焦距至能够清楚拍摄标定板上所有的圆点为止。
可以理解的是,通过预先标定图像采集设备可以改善镜头畸变,避免所述硅片图像失真,有利于提高所述硅片图像的质量。
在具体的实施例当中,所述N张硅片图像为同一台相机在不同时刻捕获得到的硅片图像
可以理解的是,当N=3时,即用同一台工业相机在不同时刻对硅片进行三次拍摄,得到三张硅片图像。通过同一台工业相机对同一硅片进行三次拍摄,可在一定程度上避免环境光线等外界因素影响,有利于在下一步处理后择优选取图像,提高图像处理的精度,从而提高目标图像的质量。
在具体的实施例当中,将每张硅片图像进行彩色图像分割,得到R、G、B三个通道图像并从中筛选出对比度最大的单通道图像。
对所述N张对比度最大的单通道图像进行灰度化,得到N张第一目标图像。
可以理解的是,通过对所述硅片图像中的高质量单通道图像进行灰度化,降低了矩阵维数以提高运算速度,同时保留图像梯度信息,便于之后快速进行特征识别。
在具体的实施例当中,所述全局阈值处理包括:设定像素灰度值的上限和下限分别为8和140。可以理解的是,设定差值较大的阈值上下限,可将第一目标图像中的前景和背景完整囊括。
在一优选的实施例中,选取靠近所述阈值下限的一区间进行全局阈值处理。可以理解的是,若选取靠近所述阈值下限的一区间进行全局阈值处理,则可尽可能地将图像像素点进行细分,便于后续执行孔洞填充操作。
在具体的实施例当中,所述孔洞填充采用孔洞周边特征对孔洞进行填充,且不改变区域的个数。实际上,在进行阈值分割后,图像总会存在部分未分割的区域。通过孔洞填充,即用孔洞周边的特征填充孔洞,可以减少特征数量,从而提高特征提取的效率。
在具体实施例当中,根据设定的像素邻接关系,构建所述N张第二目标图像的连通域,例如,将灰度值在同一固定范围的像素点进行连接,形成连通域。进一步利用硅片的面积特征筛选出硅片区域,得到N张第三目标图像。
在具体的实施例当中,对所述N张第三目标图像进行形态学开运算,并缩减其定义域至设定的定义域,抠图处理后得到N张目标图像。
其中,所述形态学开运算包括腐蚀处理和膨胀处理。
可以理解的是,对所述第三目标图像进行腐蚀处理,消除目标物体边界点以缩小目标物体,从而消除小于结构元素的噪声点。随后,进行膨胀处理,将与目标物体接触的所有背景点合并到物体中以增大目标物体,从而填补目标物体中的空洞。也就是说,形态学开运算可实现消除图像上细小的噪声,并平滑物体边界。
在一优选的实施例中,利用边缘算子可将图像的定义域缩减至一设定的定义域,并进行抠图操作,得到目标图像。即通过一个指定定义域将目标图像准确完整地分离出来。
实施本发明的实施例,能够通过对原始图像进行系列处理,使得在确保图像质量的前提下减少特征数量,实现快速从原始图像中分割目标图像,便于工作人员针对目标图像进行检测。
第三实施例,基于第一实施例和第二实施例的另一实施例。
以工业相机为例,将工业相机安装在传送带上方适当位置并将待测硅片放置在传送带上。
在本实施例中,调整工业相机的垂直高度和拍摄角度,直至工业相机所拍摄的硅片图像大小为175~177mm。另外,调整工业相机焦距,直至能够清楚拍摄待测硅片的四个倒角栅线。同时,使用边长为170mm的正方形标定板,调整视觉相机焦距至能够清楚拍摄标定板上所有的圆点为止。
在一优选的实施例中,所述N张硅片图像为N台相机分别在同一时刻捕获得到的硅片图像,其中,所述N台相机中的每台相机捕获一张硅片图像。
可以理解的是,当N=3时,即分别用三台工业相机在同一时刻对硅片进行一次拍摄,得到三张硅片图像。在实际拍摄过程中,由于三台工业相机的型号或参数设置不同、拍摄角度不同和外界环境光线等因素的影响,三张硅片图像是存在差异的。通过不同的工业相机采集三张不同角度的硅片图像,可在一定程度上避免外界环境光线等因素影响,并提供较多处理对象,有利于在下一步处理后择优选取图像,提高图像处理的精度,从而提高目标图像的质量。另外,提供不同角度的硅片图像,便于后续快速提取面积特征。
在另一优选的实施例中,所述N张硅片图像为同一台相机在不同时刻捕获得到的硅片图像。
可以理解的是,当N=3时,即用同一台工业相机在不同时刻对硅片进行三次拍摄,得到三张硅片图像。通过同一台工业相机对同一硅片进行三次拍摄,可在一定程度上避免环境光线等外界因素影响,有利于在下一步处理后择优选取图像,提高图像处理的精度,从而提高目标图像的质量。
在具体的实施例当中,将每张硅片图像进行彩色图像分割,得到R、G、B三个通道图像并从中筛选出对比度最大的单通道图像。
对所述N张对比度最大的单通道图像进行灰度化,得到N张第一目标图像。
可以理解的是,通过对所述N张硅片图像中的高质量单通道图像进行灰度化,降低了矩阵维数以提高运算速度,同时保留图像梯度信息,便于之后快速进行特征识别。
在具体的实施例当中,所述全局阈值处理包括:设定像素灰度值的上限和下限分别为8和140。其中,两个阈值所形成的区域包含硅片和传送带区域。可以理解的是,设定差值较大的阈值上下限,可将第一目标图像中的前景和背景完整囊括。
在一优选的实施例中,选取靠近所述阈值下限的一区间进行全局阈值处理。可以理解的是,若选取靠近所述阈值下限的一区间进行全局阈值处理,则可尽可能地将图像像素点进行细分,便于后续执行孔洞填充操作。
在具体的实施例当中,所述孔洞填充采用孔洞周边特征对孔洞进行填充,且不改变区域的个数。实际上,在进行阈值分割后,图像总会存在部分未分割的区域。通过孔洞填充,即用孔洞周边的特征填充孔洞,可以减少特征数量,从而提高特征提取的效率。
在具体实施例当中,根据设定的像素邻接关系,构建所述N张第二目标图像的连通域,例如,将灰度值在同一固定范围的像素点进行连接,形成连通域。进一步利用硅片的面积特征筛选出硅片区域,得到N张第三目标图像。
在一优选的实施例中,根据选取的待测硅片的形状和面积,将面积特征设定为1500-9999999。
在具体的实施例当中,对所述N张第三目标图像进行形态学开运算,并缩减其定义域至设定的定义域,抠图处理后得到N张目标图像。
其中,所述形态学开运算包括腐蚀处理和膨胀处理。
可以理解的是,对所述第三目标图像进行腐蚀处理,消除目标物体边界点以缩小目标物体,从而消除小于结构元素的噪声点。随后,进行膨胀处理,将与目标物体接触的所有背景点合并到物体中以增大目标物体,从而填补目标物体中的空洞。也就是说,形态学开运算可实现消除图像上细小的噪声,并平滑物体边界。
在一优选的实施例中,利用边缘算子可将图像的定义域缩减至一设定的定义域,并进行抠图操作,得到目标图像。即通过一个指定定义域将目标图像准确完整地分离出来。
实施本发明的实施例,能够逐一对生产过程中所拍摄的原始图像进行系列处理,使得在确保图像质量的前提下减少特征数量,实现快速从原始图像中去除传送带背景,分割硅片图像,便于工作人员针对硅片图像进行检测,从而降低漏检率、误检率和过检率,更好地保证硅片质量。
第四实施例,请参阅图2。
如图2所示,第三实施例提供的一种基于背景检测的图像分割装置,包括:
图像获取模块41,用于获取X光拍摄的N张硅片图像,其中,N为大于1的整数。
预处理模块42,用于分别将所述N张硅片图像进行彩色图像分割,并从中筛选出对比度最大的单通道图像,进一步灰度化,得到N张第一目标图像。
二次处理模块43,用于对所述N张第一目标图像进行全局阈值处理,进一步孔洞填充直至像素内没有缝隙,得到N张第二目标图像。
特征提取模块44,用于根据设定的像素邻接关系,构建所述N张第二目标图像的连通域,进一步利用硅片的面积特征筛选出硅片区域,得到N张第三目标图像。
形态学开运算模块45,用于对所述N张第三目标图像进行形态学开运算,并缩减其定义域至设定的定义域,抠图处理后得到N张目标图像。
在具体的实施例当中,所述图像获取模块41,在获取X光拍摄的N张硅片图像之前,还包括:对相机进行标定。具体的,初步调整相机的垂直高度和焦距,使其拍摄出恰好能够清晰看到硅片四个倒角栅线的图像。继续调整相机的垂直高度和焦距,使其拍摄出恰好能够清晰看到标定板上的所有圆点的图像。
可以理解的是,通过预先标定图像采集设备可以改善镜头畸变,避免所述硅片图像失真,有利于提高所述硅片图像的质量。
在一优选的实施例中,所述硅片的规格均为150mm×150mm或156mm×156mm,所述标定板的规格为170mm×170mm。
在具体的实施例中,所述N张硅片图像为N台相机分别在同一时刻捕获得到的硅片图像,其中,所述N台相机中的每台相机捕获一张硅片图像。
可以理解的是,当N=3时,即分别用三台工业相机在同一时刻对硅片进行一次拍摄,得到三张硅片图像。在实际拍摄过程中,由于三台工业相机的型号或参数设置不同、拍摄角度不同和外界环境光线等因素的影响,三张硅片图像是存在差异的。通过不同的工业相机采集三张不同角度的硅片图像,可在一定程度上避免外界环境光线等因素影响,并提供较多处理对象,有利于在下一步处理后择优选取图像,提高图像处理的精度,从而提高目标图像的质量。另外,提供不同角度的硅片图像,便于后续快速提取面积特征。
在一优选的实施例中,所述N张硅片图像为同一台相机在不同时刻捕获得到的硅片图像。
可以理解的是,当N=3时,即用同一台工业相机在不同时刻对硅片进行三次拍摄,得到三张硅片图像。通过同一台工业相机对同一硅片进行三次拍摄,可在一定程度上避免环境光线等外界因素影响,有利于在下一步处理后择优选取图像,提高图像处理的精度,从而提高目标图像的质量。
在具体的实施例当中,所述二次处理模块43,在所述全局阈值处理过程中,设定像素灰度值的上限和下限分别为8和140。可以理解的是,设定差值较大的阈值上下限,可将第一目标图像中的前景和背景完整囊括。
在所述孔洞填充过程中,采用孔洞周边特征对孔洞进行填充,且不改变区域的个数。实际上,在进行阈值分割后,图像总会存在部分未分割的区域。通过孔洞填充,即用孔洞周边的特征填充孔洞,可以减少特征数量,从而提高特征提取的效率。
在具体实施例当中,根据设定的像素邻接关系,构建所述N张第二目标图像的连通域,例如,将灰度值在同一固定范围的像素点进行连接,形成连通域。进一步利用硅片的面积特征筛选出硅片区域,得到N张第三目标图像。
在具体的实施例当中,对所述N张第三目标图像进行形态学开运算,并缩减其定义域至设定的定义域,抠图处理后得到N张目标图像。其中,所述形态学开运算包括腐蚀处理和膨胀处理。
可以理解的是,对所述第三目标图像进行腐蚀处理,消除目标物体边界点以缩小目标物体,从而消除小于结构元素的噪声点。随后,进行膨胀处理,将与目标物体接触的所有背景点合并到物体中以增大目标物体,从而填补目标物体中的空洞。也就是说,形态学开运算可实现消除图像上细小的噪声,并平滑物体边界。
在一优选的实施例中,利用边缘算子可将图像的定义域缩减至一设定的定义域,并进行抠图操作,得到目标图像。即通过一个指定定义域将目标图像准确完整地分离出来。
实施本发明的实施例,能够通过对原始图像进行系列处理,使得在确保图像质量的前提下减少特征数量,实现快速从原始图像中分割目标图像,便于工作人员针对目标图像进行检测。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
Claims (10)
1.一种基于背景检测的图像分割方法,其特征在于,包括:
获取X光拍摄的N张硅片图像,其中,N为大于1的整数;
分别将所述N张硅片图像进行彩色图像分割,并从中筛选出对比度最大的单通道图像,进一步灰度化,得到N张第一目标图像;
对所述N张第一目标图像进行全局阈值处理,进一步孔洞填充直至像素内没有缝隙,得到N张第二目标图像;
根据设定的像素邻接关系,构建所述N张第二目标图像的连通域,进一步利用硅片的面积特征筛选出硅片区域,得到N张第三目标图像;
对所述N张第三目标图像进行形态学开运算,并缩减其定义域至设定的定义域,抠图处理后得到N张目标图像。
2.根据权利要求1所述的基于背景检测的图像分割方法,其特征在于,在所述获取X光拍摄的N张硅片图像之前,还包括:
对相机进行标定;具体的,
初步调整相机的垂直高度和焦距,使其拍摄出恰好能够清晰看到硅片四个倒角栅线的图像;
继续调整相机的垂直高度和焦距,使其拍摄出恰好能够清晰看到标定板上的所有圆点的图像。
3.根据权利要求2所述的基于背景检测的图像分割方法,其特征在于,所述硅片的规格均为150mm×150mm或156mm×156mm,所述标定板的规格为170mm×170mm。
4.根据权利要求1所述的基于背景检测的图像分割方法,其特征在于,所述N张硅片图像为N台相机分别在同一时刻捕获得到的硅片图像,其中,所述N台相机中的每台相机捕获一张硅片图像;或者,所述N张硅片图像为同一台相机在不同时刻捕获得到的硅片图像。
5.根据权利要求1所述的基于背景检测的图像分割方法,其特征在于,在所述全局阈值处理过程中,设定像素灰度值的上限和下限分别为8和140;在孔洞填充过程中,采用孔洞周边特征对孔洞进行填充,且不改变区域的个数。
6.一种基于背景检测的图像分割装置,其特征在于,包括:
图像获取模块,用于获取X光拍摄的N张硅片图像,其中,N为大于1的整数;
预处理模块,用于分别将所述N张硅片图像进行彩色图像分割,并从中筛选出对比度最大的单通道图像,进一步灰度化,得到N张第一目标图像;
二次处理模块,用于对所述N张第一目标图像进行全局阈值处理,进一步孔洞填充直至像素内没有缝隙,得到N张第二目标图像;
特征提取模块,用于根据设定的像素邻接关系,构建所述N张第二目标图像的连通域,进一步利用硅片的面积特征筛选出硅片区域,得到N张第三目标图像;
形态学开运算模块,用于对所述N张第三目标图像进行形态学开运算,并缩减其定义域至设定的定义域,抠图处理后得到N张目标图像。
7.根据权利要求6所述的基于背景检测的图像分割装置,其特征在于,所述图像获取模块,在获取X光拍摄的N张硅片图像之前,还包括:
对相机进行标定;具体的,
初步调整相机的垂直高度和焦距,使其拍摄出恰好能够清晰看到硅片四个倒角栅线的图像;
继续调整相机的垂直高度和焦距,使其拍摄出恰好能够清晰看到标定板上的所有圆点的图像。
8.根据权利要求7所述的基于背景检测的图像分割装置,其特征在于,所述硅片的规格均为150mm×150mm或156mm×156mm,所述标定板的规格为170mm×170mm。
9.根据权利要求6所述的基于背景检测的图像分割装置,其特征在于,所述N张硅片图像为N台相机分别在同一时刻捕获得到的硅片图像,其中,所述N台相机中的每台相机捕获一张硅片图像;或者,所述N张硅片图像为同一台相机在不同时刻捕获得到的硅片图像。
10.根据权利要求6所述的基于背景检测的图像分割装置,其特征在于,所述二次处理模块,在所述全局阈值处理过程中,设定像素灰度值的上限和下限分别为8和140;在所述孔洞填充过程中,采用孔洞周边特征对孔洞进行填充,且不改变区域的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910596706.1A CN110415251A (zh) | 2019-07-02 | 2019-07-02 | 一种背景检测的图像分割方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910596706.1A CN110415251A (zh) | 2019-07-02 | 2019-07-02 | 一种背景检测的图像分割方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110415251A true CN110415251A (zh) | 2019-11-05 |
Family
ID=68360158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910596706.1A Pending CN110415251A (zh) | 2019-07-02 | 2019-07-02 | 一种背景检测的图像分割方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415251A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866916A (zh) * | 2019-11-29 | 2020-03-06 | 广州大学 | 一种基于机器视觉的光伏电池片黑心黑角检测方法、装置及设备 |
CN114593673A (zh) * | 2022-03-03 | 2022-06-07 | 哈尔滨工业大学 | 基于电视频道的对象测量精度和尺寸的评估方法 |
CN116524196A (zh) * | 2023-06-21 | 2023-08-01 | 南方电网数字平台科技(广东)有限公司 | 一种基于图像识别技术的输电线智能检测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008002560A2 (en) * | 2006-06-26 | 2008-01-03 | Vlnks Corporation | Computer-implemented method for efficient image segmentation using automated saddle-point detection |
CN102679914A (zh) * | 2012-05-14 | 2012-09-19 | 同济大学 | 一种盾构隧道衬砌管片渗漏水面积的测量方法及装置 |
CN107768269A (zh) * | 2017-10-30 | 2018-03-06 | 河北工业大学 | 一种多晶硅太阳能电池片外观脏污缺陷检测的方法 |
CN107843600A (zh) * | 2017-10-31 | 2018-03-27 | 河北工业大学 | 一种多晶硅太阳能电池片外观手印缺陷检测的方法 |
CN109166116A (zh) * | 2018-08-31 | 2019-01-08 | 广州大学 | 一种用于芯片计数的图像处理算法 |
CN109859175A (zh) * | 2019-01-09 | 2019-06-07 | 广州大学 | 一种用于三极管计数的图像处理方法及装置 |
-
2019
- 2019-07-02 CN CN201910596706.1A patent/CN110415251A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008002560A2 (en) * | 2006-06-26 | 2008-01-03 | Vlnks Corporation | Computer-implemented method for efficient image segmentation using automated saddle-point detection |
CN102679914A (zh) * | 2012-05-14 | 2012-09-19 | 同济大学 | 一种盾构隧道衬砌管片渗漏水面积的测量方法及装置 |
CN107768269A (zh) * | 2017-10-30 | 2018-03-06 | 河北工业大学 | 一种多晶硅太阳能电池片外观脏污缺陷检测的方法 |
CN107843600A (zh) * | 2017-10-31 | 2018-03-27 | 河北工业大学 | 一种多晶硅太阳能电池片外观手印缺陷检测的方法 |
CN109166116A (zh) * | 2018-08-31 | 2019-01-08 | 广州大学 | 一种用于芯片计数的图像处理算法 |
CN109859175A (zh) * | 2019-01-09 | 2019-06-07 | 广州大学 | 一种用于三极管计数的图像处理方法及装置 |
Non-Patent Citations (3)
Title |
---|
EDWIN CARLINET ET AL: "MToS: A Tree of Shapes for Multivariate Images", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
刘国华: "《HALCON数字图像处理》", 31 May 2018 * |
李桥等: "硅片缺陷检测中的图像分割方法", 《计算机应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866916A (zh) * | 2019-11-29 | 2020-03-06 | 广州大学 | 一种基于机器视觉的光伏电池片黑心黑角检测方法、装置及设备 |
CN114593673A (zh) * | 2022-03-03 | 2022-06-07 | 哈尔滨工业大学 | 基于电视频道的对象测量精度和尺寸的评估方法 |
CN116524196A (zh) * | 2023-06-21 | 2023-08-01 | 南方电网数字平台科技(广东)有限公司 | 一种基于图像识别技术的输电线智能检测系统 |
CN116524196B (zh) * | 2023-06-21 | 2023-09-01 | 南方电网数字平台科技(广东)有限公司 | 一种基于图像识别技术的输电线智能检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN111951237B (zh) | 外观视觉检测方法 | |
CN111223088B (zh) | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 | |
CN105608671B (zh) | 一种基于surf算法的图像拼接方法 | |
CN110415251A (zh) | 一种背景检测的图像分割方法与装置 | |
Toh et al. | Automated fish counting using image processing | |
CN110400290A (zh) | 一种太阳能电池片色差的检测方法、装置及存储介质 | |
CN108985170A (zh) | 基于三帧差分法及深度学习的输电线路悬挂物识别方法 | |
CN112067233B (zh) | 一种用于风洞模型六自由度运动捕获方法 | |
CN110544300B (zh) | 一种基于二维手绘图像特征自动生成三维模型的方法 | |
CN103945088B (zh) | 场景识别方法及装置 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN111062331B (zh) | 图像的马赛克检测方法、装置、电子设备及存储介质 | |
CN113313116B (zh) | 一种基于视觉的水下人工目标准确检测与定位方法 | |
CN106651831B (zh) | 一种竹块缺陷检测方法和系统 | |
CN111127384A (zh) | 基于偏振成像的强反射工件视觉测量方法 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN112541942A (zh) | 一种基于距离变换的中药丸视觉引导定位方法 | |
CN106780437A (zh) | 一种快速qfn芯片塑封图像获取与放大方法 | |
CN107507130A (zh) | 一种快速的qfn芯片引脚图像获取与放大方法 | |
CN116777905B (zh) | 基于长尾分布数据的智能工业旋转检测方法及系统 | |
CN110473255A (zh) | 一种基于多重网格划分的船舶系船柱定位方法 | |
CN106997583A (zh) | 一种水下机器人自适应图像增强和特征提取方法 | |
CN105758337B (zh) | 一种获取透镜平面与图像传感器平面之间夹角的方法 | |
CN111340765B (zh) | 一种基于背景分离的热红外图像倒影检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |