CN111127332A - 对显微镜图像的智能计量 - Google Patents

对显微镜图像的智能计量 Download PDF

Info

Publication number
CN111127332A
CN111127332A CN201911023052.XA CN201911023052A CN111127332A CN 111127332 A CN111127332 A CN 111127332A CN 201911023052 A CN201911023052 A CN 201911023052A CN 111127332 A CN111127332 A CN 111127332A
Authority
CN
China
Prior art keywords
region
interest
image
boundaries
model
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.)
Granted
Application number
CN201911023052.XA
Other languages
English (en)
Other versions
CN111127332B (zh
Inventor
U·阿迪加
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FEI Co
Original Assignee
FEI Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FEI Co filed Critical FEI Co
Priority to CN202410249217.XA priority Critical patent/CN118279169A/zh
Publication of CN111127332A publication Critical patent/CN111127332A/zh
Application granted granted Critical
Publication of CN111127332B publication Critical patent/CN111127332B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-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
    • G06T7/13—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
    • G06T7/136—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
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/10056—Microscopic 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20116—Active contour; Active surface; Snakes
    • 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)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本文公开的智能计量方法和设备处理图像以用于所需特征的自动计量。实例方法至少包含：从图像中提取感兴趣区域，所述区域包含不同区段之间的一个或多个边界；基于一个或多个滤波器至少增强所提取的感兴趣区域；基于增强的感兴趣区域生成所述感兴趣区域的多比例数据集；初始化所述感兴趣区域的模型；基于所述感兴趣区域的所述模型并且进一步基于所述多比例数据集优化所述增强的感兴趣区域内的多个主动轮廓，优化的多个主动轮廓识别所述感兴趣区域内的所述一个或多个边界；以及基于所识别的边界对所述感兴趣区域执行计量。

Description

对显微镜图像的智能计量
技术领域
本文公开的技术大体涉及使用图像实施智能计量，并且更具体地说，涉及对利用带电粒子显微镜获得的图像执行智能计量。
背景技术
图像中的特征的计量可能是困难且漫长的过程，尤其是对于通过带电粒子显微镜获得的图像。难度和冗长的过程可能部分地归因于自动成像处理算法难以处理的有噪声图像，这导致用户操纵和多个步骤。当只有少量图像要分析时，这可能不是问题。然而，在例如半导体工业(其中大数目个样本被成像并且需要分析)的制造环境中，此过程真正减慢了所需的分析。
虽然多年来图像处理已发生一些改善，从而改善了计量准确度和效率，但在当今的半导体制造环境中，这些改善还不够，例如节点大小和吞吐量。因此，在整个行业中需要改善图像处理和计量自动化。
发明内容
本文公开的智能计量方法和设备处理图像以用于所需特征的自动计量。实例方法至少包含：从图像中提取感兴趣区域，所述区域包含不同区段之间的一个或多个边界；基于一个或多个滤波器至少增强所提取的感兴趣区域；基于增强的感兴趣区域生成所述感兴趣区域的多比例数据集；初始化所述感兴趣区域的模型；基于所述感兴趣区域的所述模型并且进一步基于所述多比例数据集优化所述增强的感兴趣区域内的多个主动轮廓，优化的多个主动轮廓识别所述感兴趣区域内的所述一个或多个边界；以及基于所识别的边界对所述感兴趣区域执行计量。
另一实施例包含非暂时性计算机可读介质，其包含代码，当由一个或多个处理器执行时，所述代码使得所述一个或多个处理器：从图像中提取感兴趣区域，所述区域包含所述感兴趣区域的不同区段之间的一个或多个边界；基于一个或多个滤波器至少增强所提取的感兴趣区域；基于增强的感兴趣区域生成所述感兴趣区域的多比例数据集；初始化所述感兴趣区域的模型，初始化模型至少确定所述感兴趣区域的第一界限和第二界限；基于所述感兴趣区域的所述模型并且进一步基于所述多比例数据集优化所述增强的感兴趣区域内的多个主动轮廓，优化的多个主动轮廓识别所述感兴趣区域内的所述一个或多个边界；以及基于所识别的边界对所述感兴趣区域执行计量。
附图说明
本专利或申请文件含有至少一幅彩色附图。具有彩色附图的本专利或专利申请公开的副本将在请求和支付必要费用后由主管局提供。
图1是示出根据本公开的实施例的图像处理和所得计量的实例图像序列。
图2是示出根据本公开的实施例的图像处理的实例图像序列。
图3是根据本公开的实施例的用于处理图像并且对图像内的一个或多个特征执行计量的实例方法。
图4是根据本公开的实施例的用于优化ROI内的多个主动轮廓的方法。
图5是根据本公开的实施例的实例图像序列。
图6是根据本公开的实施例的实例方法。
图7是说明可以在其上实施本发明的实施例的计算机系统的框图。
图8是用于执行本文中公开且根据本公开的实施例的方法的至少一部分的实例带电粒子显微镜环境。
贯穿图式的若干视图，相同的参考标号指代对应的零件。
具体实施方式
本发明的实施例涉及对显微镜图像的智能计量。在一些实例中，处理图像以增强所需特征，接着优化主动轮廓以定位在特征界面处形成的边界。接着，主动轮廓成为用于对特征执行准确计量的锚点。然而，应理解，本文描述的方法通常适用于各种不同的AI增强计量，并且不应认为是限制性的。
如在本申请书和权利要求书中所使用的，除非上下文中另外明确指明，否则单数形式“一”、“一个”以及“所述”包含复数形式。另外，术语“包含”意指“包括”。进一步地，术语“联接”不排除联接件之间存在中间元件。另外，在以下论述和权利要求中，术语“包含”和“包括”以开放式的方式使用，因此应被解释为意指“包含但不限于……”。“集成电路”是指在微芯片的表面上图案化的一组电子元件及其互连(统称为内部电路元件)。术语“半导体器件”一般是指集成电路(IC)，其可以是半导体晶片必不可少的、与晶片分离的，或者封装在电路板上使用。术语“FIB”或“聚焦离子束”在本文中用于指任何准直离子束，包含由离子光学器件聚焦的离子束和成形离子束。
本文所描述的系统、设备以及方法不应以任何方式被解释为限制性的。相反，本公开涉及各种公开的实施例(单独和以彼此的各种组合和子组合)的所有新颖和非显而易见特征和方面。所公开的系统、方法以及设备不限于任何特定方面或特征或其组合，所公开的系统、方法以及设备也不要求存在任何一个或多个具体优点或者要求问题被解决。任何操作理论都是为了便于解释，但是所公开的系统、方法以及设备不限于这种操作理论。
尽管所公开的方法中的一些的操作被以用于方便呈现的特定顺序次序描述，但是应理解，此描述方式涵盖重新布置，除非特定排序是在下文所阐述的具体语言所要求的。例如，在某些情况下，可以重新布置或并发执行按顺序描述的操作。此外，为简明起见，附图可能未示出所公开的系统、方法以及设备可以与其它系统、方法以及设备结合使用的的各种方式。另外，本说明书有时使用像“产生”和“提供”等术语来描述所公开的方法。这些术语是被执行的实际操作的高级抽象。与这些术语相对应的实际操作将取决于特定实施而变化并且易于由本领域普通技术人员辨别。
本文公开的智能计量技术使得能够自动计量图像中的特征。可以用带电粒子显微镜(SEM、TEM、STEM、FIB等)或光学显微镜(提供几个实例)获得图像。图像通常可以包含一个或多个特征，例如感兴趣区域，并且需要确定至少一个或多个特征的大小。例如，智能计量可以结合主动轮廓基于多个图像处理算法执行测量。可以基于图像处理的图像初始化主动轮廓，并且使用一个或多个比例空间迭代地优化主动轮廓。例如，可以最初处理图像以定位并且隔离一个或多个感兴趣区域(ROI)。接着，可以使这些ROI中的一个或多个经受数据属性标准化滤波，以增大信噪比(SNR)和/或改善图像中特征的各部分之间的对比度。在改善图像中的SNR和/或对比度之后，使图像经受一个或多个图像处理算法以增强特征的各部分之间的边界的清晰度和/或区分和检测。边界的区分和检测可以在有或没有将数据变换成不同表示空间(例如笛卡尔空间或极地空间)的情况下执行，如实施的特定图像处理算法可能需要的那样。接着处理从先前过程得到的数据，以在高斯、几何、非线性和/或自适应形状比例空间中生成多比例数据集。接着，使用多比例数据集用于初始化图像中的多个主动轮廓。接着在一个或多个空间比例的每个分辨率等级中迭代地初始化和优化主动轮廓，从而允许逐步优化主动轮廓。一旦优化，主动轮廓便识别并且定位ROI内的所有边界。
接着，优化的主动轮廓可以形成用于对原始图像或增强图像中的特征的所需部分或方面执行计量的基础。计量可以包含基于其中的轮廓对特征的分段区域进行几何分析。此外，计量可以通知特征分析的其它分析方面以及统计分析等。
另外或替代地，可以基于单独的成像模式(例如，多模态分析)来初始化主动轮廓。例如，可以使用能量色散x射线光谱(EDX)分析含有特征的样本，以首先确定特征的各部分之间的初始边界，接着可以将所述初始边界用作初始化相应主动轮廓的位置。EDX可以是跨样本的单线扫描，其将在边界可能位于的特征上提供至少一个点。一些样本可能包含圆形ROI，其接着将为来自EDX线扫描的每个边界提供两个点。当然，也可以执行完整的2-D EDX扫描，但所涉及的时间可能并不理想。
图1是示出根据本公开的实施例的图像处理和所得计量的实例图像序列100。可以对任何图像类型执行图像序列100，但将在通过带电粒子显微镜获得的图像的背景下论述所述图像序列。更具体地说但非限制性地，用于说明所公开的技术的图像属于半导体结构。可以对任何所需图像内容执行图像处理和计量，并且图1中的图像的椭圆形特征仅是实例性的，并且不限于本文公开的技术。对于图像序列100，椭圆形区是垂直存储器装置，有时称为VNAND。这些装置包含形成在高通孔(例如，在材料中形成的延伸穿过一个或多个外延层的孔)中的各种层，其中各种材料层中的每一个由不同材料形成，以便形成工作电路装置。对于过程控制和缺陷检测，VNAND装置的制造商需要测量形成操作装置的材料层的厚度，这需要高分辨率显微镜，例如SEM和/或TEM，以识别材料层及其界面，例如其间的边界。
图像序列100以原始图像102开始。虽然图像102看起来是由较浅色区围绕的暗椭圆形状，但实际上在暗椭圆形状内存在数个环，例如材料层，如例如可以在图像108和110中看到。图像100可以是暗场(DF)图像或HAADF图像(高角度环形暗场)，其通常导致背景比感兴趣区域(ROI)更亮。对于图像处理序列，目标是确定ROI内每个环的位置和/或边界，并且测量一个或多个环的宽度，例如，对VNAND装置执行计量。为了执行所需计量，至少要识别它们之间的边界，以便可以进行更精确的测量。然而，为了执行这样的测量，可能需要增强图像，并且可能需要更准确地识别边界的位置。
通常，序列可以包含预处理段，其在信噪比、对比度、区域清晰度等方面增强图像，并且还包含一个或多个ROI的提取/识别。在预处理或一般的图像增强之后，生成多比例数据集，以便可以初始化和优化主动轮廓。优化的主动轮廓将定位图像内各种材料之间的边界。基于边界的识别，接着可以执行图像中的所需层或区的计量，其可以自动执行。
为开始图像处理，可以分析原始图像102以提取一个或多个ROI。ROI的提取可以为每个ROI提供粗略的外部边界，并且指定图像处理可以集中的区，例如在粗糙的外部边界内。存在许多技术用于ROI提取，例如二值化图像以限定一个实例的外界限。下文将论述额外技术。在一些实施例中，还可以在图像处理中考虑原始图像的元信息。元信息包含例如数据类型(例如，成像模式)、分辨率、像素大小等信息。
在提取ROI之后，使图像的至少所述部分经受进一步处理以增强ROI的图像，如虚线框106所指示。通常，ROI的增强包含降低信噪比、增强对比度和图像清晰度，以便粗略地识别不同区段/材料之间的边界。例如，图像108示出了具有改善的对比度的原始图像(去除了背景)的ROI。接着可以使改善了对比度的图像108经受进一步处理以增大清晰度，如图像110所示。图像110示出了在已执行各种滤波操作(例如反应-扩散滤波)之后的ROI。
另外，图像110可以用于生成多比例数据集，其中不同比例至少包含高斯比例空间、几何比例空间、非线性比例空间和自适应形状比例空间。接着使每个比例空间中的图像经受一系列模糊和子采样以使图像变平滑。执行这样的处理以构建用于主动轮廓的平滑变形的潜在表面。
此外，形成ROI的模型以提供ROI的界限以用于进一步处理。例如，可以生成ROI的各种地图以确定用于建立将要发生进一步图像处理的区的内界限和外界限。实例地图是ROI的距离地图，其确定ROI的中心和外部边缘。
在原始图像的一个或多个ROI至少增强清晰度和对比度之后，可以在增强的ROI内初始化大数目个主动轮廓并且响应于生成的ROI模型而放置，其中大数目包含几十到几百个主动轮廓。使用大数目个主动轮廓是因为边界(例如，材料层)的数目及其位置可能不是先验已知的。通常，初始化主动轮廓的数目将大于边界的数目。图像112示出了ROI内的多个主动轮廓的初始化，其可以放置在原始图像或原始图像的增强版本上。将允许主动轮廓优化以定位边界，其将与图像的最小能量位置一致。图像114示出了优化的主动轮廓，例如蛇形。多个主动轮廓中的一些将不正确地优化，并且因此将被去除。例如，错误优化的主动轮廓可能使ROI内的不同边界不明朗。
接着，优化的主动轮廓可以用作用于测量ROI内的不同材料层的厚度的参考，如图像116所示。
图2是示出根据本公开的实施例的图像处理的实例图像序列200。序列200是实例图像处理序列，其说明整个序列的与图像序列100中所示的部分不同的部分。通常，本文论述的过程的每个步骤可以使用图像处理算法中的任何一个或多个来执行，并且所实施的算法的选择可以至少基于原始图像的元信息并且自动地选择。图像序列200以原始图像202开始，如可以看到的，所述原始图像具有与图像102不同的初始质量。另外，可以使用明场(BF)图像或TEM成像模式获得图像202，TEM成像模式产生背景比ROI暗的图像。可以处理图像202的VNAND结构以提取ROI，结果示出于图像204中。如上所述，ROI的提取通常可以建立ROI的外边界。
接着，所提取的图像204的ROI可以用作用于在图像202上形成距离地图的模板，例如，初始化ROI的模型。距离地图以ROI为中心并且可以用于限制主动轮廓的初始放置，如图像212所示。另外，图像218中示出的ROI的模型用于建立内界限和外界限，其由图像212中的最内侧和最外侧虚线指示。图像212的主动轮廓可以放置在经历了ROI增强处理的图像上，例如序列100的框106中所示，同时生成向ROI内的区提供能量值的多比例数据集。主动轮廓可以放置在距背景越来越远的位置，例如，在所提取的ROI之外但在ROI内的区。另外，图像218中示出的ROI的模型用于建立内界限和外界限，其由图像212中的最内侧和最外侧虚线指示。
在放置主动轮廓之后，允许它们基于多比例数据集进行优化。在优化主动轮廓之后，可以对图像202中示出的VNAND的层执行计量，如框220中所示。
图3是根据本公开的实施例的用于处理图像并且对图像内的一个或多个特征执行计量的实例方法300。在图1和2中至少部分说明的方法300可以对用带电粒子显微镜(例如SEM、TEM、STEM)获得的图像执行，仅举几个例子。然而，带电粒子图像的使用不限制本文公开的技术。另外，方法300可以由成像工具硬件、经由网络联接到成像工具的一个或多个服务器、用户的桌面工作站或其组合来执行。通常，方法300实施从技术库中自动地选择的一种或多种图像处理技术，以获得可以被准确和自主地测量的图像，例如，对图像的一个或多个特征执行计量。
方法300可以在处理框301处开始，其包含预处理图像。通常，在使用主动轮廓来识别ROI内的边界之前，图像可以经历一些处理以增强对比度和清晰度，从而导致形成这些边界的层的计量。预处理可以包含多个过程以提取ROI、增强对比度/区域清晰度、改善SNR，并且区分和检测区域边界。图像增强可以仅在ROI中或在整个图像上执行，并且是本公开的非限制性方面。当然，将增强限制在ROI内可以改善整个方法300的处理时间和效率。
处理框303(处理框301的任选子步骤)包含从图像中提取感兴趣区域。图像可以是原始获得的图像，例如图像102、202，或者可以是原始图像的裁剪部分。伴随输入图像的图像数据，处理300还接收关于输入图像的元信息，其中所述元信息包含数据类型(例如，成像模式)、像素大小和关于图像的其它数据。元信息可以用于帮助自动地确定在方法300的图像处理步骤中实施什么图像处理技术，例如，至少实施步骤301和303。附加到图像的元信息使得在处理框301中实施的预处理滤波器将它们的参数自动调谐到图像的成像模式。分辨率有助于确定哪一材料层被准确分段。例如，如果图像具有较低的分辨率，则仅一纳米或两纳米厚的一些材料层中可能没有足够的像素来准确地分辨。通过将数据标准化为标准像素大小以及以标准MKI单位而不是像素单位产生测量，可能需要像素大小(也与分辨率相关)来自动化所述过程。
存在许多图像处理技术可用于提取ROI。以下包含可以实施的技术的非排他性列表，但所使用的技术是本公开的非限制性方面：线性各向同性扩散、用于对比度增强的直方图操纵、自动阈值处理、组分标记、特定于问题的大小和形状准则、部分表示检测和消除等，其自动地选择和应用。ROI的提取可以提供粗略的边界，在所述边界内将执行额外的图像处理和计量。
处理框303之后可以是处理框305，其包含至少增强图像内的ROI。通常，执行增强以获得数据属性标准化并且改善ROI内的区域边界的检测。另外，增强可以改善图像对比度、信噪比(SNR)、区域清晰度、区域边界的区分和检测。区域边界的区分和检测可以在有或没有将数据变换到例如笛卡尔空间或极地空间的不同表示空间中的情况下执行，如实施的图像滤波技术可能需要的。
在一些实施例中，处理框305可以被分成两个处理步骤，其中在一个步骤(步骤A)中改善对比度和SNR，并且在另一步骤(步骤B)中执行增强区域清晰度以及区域边界的区分和检测。可以选择许多图像处理算法来实施步骤A，例如直方图操纵、线性和非线性对比度增强、基于局部低频数据分布的数据归一化、伽马校正、对数校正、亮度校正等，其中所选算法至少自动应用于图像的ROI，并且至少基于元信息进行选择。应注意，步骤A还执行数据属性标准化步骤。
同样，步骤B包含至少基于元信息从一组自动实施的类似算法中选择一个或多个算法。所实施的算法可以选自反应-扩散滤波、继承性各向同性和各向异性扩散、中值滤波、基于Mumford-Shah模型的非线性扩散、背景抑制和边缘/边界提取、对象边界上的相干增强滤波，以及应用幅度特征、纹理(Gabor、Haralick、Laws、LCP、LBP等)技术。在一些实施例中，可以使用另一种成像模态的应用，例如能量色散x射线光谱(EDX)、电子能量损失光谱(EELS)等(如果可用)来区分区域边界。下文包含对其它成像模态的使用的更详细论述。
处理框301之后可以是处理框307，其包含生成至少ROI的多比例数据集。多比例数据集可以在多个比例空间中的一个或多个中生成，例如高斯比例空间、几何比例空间、非线性比例空间和自适应形状比例空间。用于生成多比例数据集的一个或多个比例空间将用于优化多个主动轮廓。可以在每个比例等级上初始化和优化主动轮廓，以确定原始比例等级上的ROI内的边界。因此，多比例数据集将是优化主动轮廓以识别ROI的各部分之间的边界的基础。
处理框307之后可以是处理框309，其包含初始化至少ROI的模型。处理框309初始化ROI的一般模型以形成ROI的第一界限和第二界限。额外处理将主要在模型所设置的界限内执行。所述模型可以基于选自以下的一种或多种技术形成：二进制标记的地图、交互式地图、距离地图、CAD地图、来自数据的统计模型、染料铸造、几何形状的随机分布、几何模型等。图像218中所示的距离地图提供了初始模型的实例。应注意，处理框309可以与处理框305和307并行执行，并且不需要在处理框307之后。另外，在处理框307中初始化的模型可以基于原始图像或增强图像。
处理框309之后可以是处理框311，其包含优化增强的ROI内的多个主动轮廓以定位增强的ROI内的特征边界。优化主动轮廓或允许主动轮廓优化的过程可以从初始化第一多个主动轮廓开始，其中第一多个主动轮廓的数目大于优化后剩余的数目，并且也大于ROI内的边界的数目。由于缺乏ROI内的边界数目和/或它们在ROI内的位置的先验知识，因此可以执行初始化比边界多的主动轮廓。虽然所有初始化的主动轮廓将被优化，但是一些可能由于优化到相同边界而组合，而其它一些可能由于不正确的优化而被去除，例如，优化到ROI内的不同边界。因此，优化的主动轮廓将识别和定位分隔ROI内的不同区段/材料的边界。
初始化和优化主动轮廓的过程可以是在处理框307中生成的多比例数据集的每个比例等级处执行并且基于其的迭代过程。例如，主动轮廓的第一初始化和优化可在增强的ROI图像的第四比例等级处执行，其中第四比例等级具有原始增强ROI图像的1/16的分辨率。在第四比例等级图像上优化的主动轮廓接着成为在第三比例等级图像(例如，1/8分辨率图像)上的初始主动轮廓，其接着被允许优化。此过程迭代，直到原始比例图像具有初始化和优化的主动轮廓，从而识别和定位ROI内的所需边界。
处理框311之后可以是处理框313，其包含基于优化的多个主动轮廓对原始图像内的ROI执行计量。计量可以基于不同边界之间的距离提供不同区段的宽度的测量，并且进一步提供关于边界的整体形状的信息。在一些实施例中，计量可以使用分段的，例如，识别的区段和轮廓的几何分析。在计量后，获得的数据可用于统计推断、假设生成、缺陷检测、过程控制、时间分析、预测和其它应用。
图4是根据本公开的实施例的用于优化ROI内的多个主动轮廓的方法400。方法400可以结合方法300实施，例如步骤311，并且可以提供步骤311的实施的一个实例。方法400可以在处理框401处开始，其包含生成图像的多比例数据集。多比例数据集将包含多个分辨率等级下并且针对多个比例空间(例如高斯、几何、非线性和自适应形状比例空间，仅举几个例子)中的每一个的数据集。当然，也可以实施其它比例空间。从例如由方法300的处理框301产生的增强图像生成多空间数据集。使用增强图像提供更好限定的边界，这些边界在多比例数据集中突出示出并且平滑化。处理框401之后可以是处理框403，其指示针对每个比例空间完成方法400的其余部分。
对于每个比例空间，可以针对每个分辨率等级执行处理框405和407。并且一旦执行了比例空间的所有分辨率等级，优化的主动轮廓便可以用作后续比例空间的初始主动轮廓。当然，这不是限制性的，并且每个比例空间可以以一组新的主动轮廓开始。
处理框403之后可以是处理框405，其包含初始化ROI上的多个主动轮廓。如果这是用于比例空间的处理框403的初始执行，则将在最低分辨率等级数据上初始化多个主动轮廓。最低分辨率等级可以依赖于图像的初始质量，但可以是1/16的分辨率或更小。然而，所使用的最低等级是本公开的非限制性方面。如果这不是最低等级分辨率图像，则初始化的主动轮廓将是来自较低分辨率等级图像的优化的主动轮廓，例如，处理框405和407的先前迭代。
在每个比例空间中的不同分辨率图像处的ROI的图像可以被表征为已经基于分辨率等级模糊了一定量，其中分辨率越低，发生的模糊越多。增强图像的边界的模糊为主动轮廓提供了更大的能带以相应地优化。还应注意，较高等级的数据集具有较少的模糊，这导致用于优化的更窄的能带。因此，通过连续使用在较低分辨率下优化的主动轮廓，主动轮廓以逐步方式优化到全分辨率。
处理框405之后可以是处理框407，其包含优化多个主动轮廓。主动轮廓的优化允许主动轮廓在每个分辨率等级提供的平滑边界的中间移动/稳定。当迭代地执行处理框405和407时，主动轮廓在阶梯状函数中被优化，并且它们最终优化到原始分辨率图像中的边界，从而识别和定位图像中的一个或多个边界。
处理框407之后是处理框409，其确定比例空间的所有分辨率等级是否完成。如果否，则对下一分辨率等级图像重复处理框405和407。如果是，则方法400前进到处理框411，其确定是否所有比例空间都已完成。如果否，则所述过程返回到处理框403，否则它在处理框413处结束。方法400的完成定位并识别增强图像的ROI内的所有边界，其接着可以与原始图像中的区/边界重叠或相关联。
图5是根据本公开的实施例的实例图像序列500。图像序列500说明可用于初始化和优化用于锚定计量的主动轮廓的另一过程。图像502包含VNAND的原始图像以及两个其它VNAND的部分。图像522示出了与图像502中所示相同的VNAND上的EDX数据。从图像522可以看出，提供化学分析的EDX数据示出形成VNAND的不同环的材料之间的变化。此化学信息可以用于确定VNAND内的数个边界以及每个边界的粗略位置。
在一些实施例中，EDX数据可以由大区扫描提供，如图像522所示。然而，这种大区扫描可以用更快更有效的简单EDX线扫描代替。可以在VNAND或任何成像结构上执行EDX线扫描，以识别跨越结构直径的每个环的边界。
接着，图像522的EDX数据可用于在指示的边界处初始化相应数目的主动轮廓，并且根据边界的位置将它们放置在图像522上。放置主动轮廓后，允许优化它们。主动轮廓的优化应更准确地识别边界的位置。在一些实施例中，由EDX数据识别的边界将用于放置相应数目的主动轮廓以用于优化。例如，如果EDX数据示出七个边界，则将初始化七个主动轮廓，每个主动轮廓在一个识别的边界的位置处初始化。在其它实施例中，增强图像数据将用于生成多比例数据集，接着所述多比例数据集成为主动轮廓的初始化和优化的基础。然而，在这样的实施例中，初始化的主动轮廓的数目和位置将基于由EDX数据识别的边界。
如图像514中所示，优化的主动轮廓可以重叠在原始图像502上或图像502的增强版本上，以提供执行计量的基础，如框516所指示。
图6是根据本公开的实施例的实例方法600。方法600至少部分地由图像序列500说明，并且包含与用于形成图像的成像模态不同的成像模态，以辅助确定区段边界和锚定计量。虽然本公开使用EDX作为不同模态，但也可以使用其它模态，例如EELS。方法600可以在处理框601处开始，其包含获得样本的至少ROI的图像。可以使用SEM、TEM、STEM或其它成像技术获得图像，其可以被称为第一成像技术。对于带电粒子显微镜，图像可以是基于穿过样本的电子(例如，TEM或STEM)、二次电子(例如，SEM)和/或背散射电子(例如，SEM)的灰度图像。当然，也可以从基于光的显微镜获得图像。
处理框601之后可以是处理框603，其包含至少对ROI执行第二成像技术。第二成像技术可以是与第一成像技术不同的任何成像/分析模态。在一些实施例中，可能希望第二成像技术是化学分析工具，例如EDX。使用EDX作为实例第二成像技术，EDX数据将化学地示出材料的变化。材料的这些变化提供了ROI内边界的近似值。使用EDX作为第二成像技术可以作为所有ROI上的二维区域扫描，或作为ROI上的线扫描来执行。
处理框603之后可以是处理框605，其包含初始化所获得图像的ROI内的多个主动轮廓，所获得的图像是使用第一成像技术获得。在一些实施例中，所获得的图像是最初获得的图像，其未受到任何额外图像处理。然而，在其它实施例中，可以在增强图像上初始化多个主动轮廓，所述增强图像已被处理以改善对比度、SNR、清晰度等，并且使用第二成像技术进行成像，以便更多地限定边界。在又一实施例中，如上所述，可以在一个或多个比例空间的一系列分辨率调整图像上迭代地和递归地初始化和优化多个主动轮廓。然而，尽管先前方法(例如方法300和400)初始化了比边界更多的主动轮廓，但在方法600中，第二成像技术提供了ROI内的数个边界。由此，方法600中的主动轮廓的初始化包含初始化与由第二成像技术识别的边界数目相应的主动轮廓。另外，在处理框605中初始化的主动轮廓将在由第二成像技术数据确定的位置初始化。
处理框605之后可以是处理框607，其包含优化ROI内的多个主动轮廓以定位ROI内的特征边界。可以如先前关于方法300和/或400所论述的那样执行主动轮廓的优化，但也可以基于第二成像技术数据来执行主动轮廓的优化。无论优化过程如何，处理框605都产生关于ROI内的边界的识别和位置信息，所述边界是ROI内的不同材料之间的界面，例如图5的VNAND。
处理框607之后是处理框609，其包含基于优化的多个主动轮廓对ROI内的特征执行计量。计量提供ROI内的特征的各个方面的测量，例如特征尺寸、ROI内的特征的总体形状、关于过程控制和/或缺陷的信息，以及其它所需的基于测量的信息。
根据一个实施例，本文描述的技术由一个或多个专用计算装置实施。专用计算装置可以硬连线以执行这些技术，或者可以包含数字电子装置，例如一个或多个专用集成电路(ASIC)、现场可编程门阵列(FPGA)或网络处理单元(NPU)，其被持久编程以执行所述技术，或者可以包含一个或多个通用硬件处理器或图像处理单元(GPU)，其被编程以依据固件、存储器、其它存储装置或其组合中的程序指令来执行所述技术。此类专用计算装置还可以将定制的硬连线逻辑、ASIC、FPGA或NPU与定制编程组合来实施这些技术。专用计算装置可以是台式计算机系统、便携式计算机系统、手持装置、网络装置或结合硬连线和/或程序逻辑来实施这些技术的任何其它装置。在一些实施例中，专用计算装置可以是带电粒子显微镜的一部分或联接到显微镜和其它用户计算装置。
例如，图7是说明可以在其上实施本发明的实施例的计算机系统700的框图。计算系统700可以是包含在图8中所示的带电粒子环境中的计算硬件的实例。计算机系统700至少包含用于传送信息的总线或其它通信机构，以及与总线(未示出)联接的用于处理信息的硬件处理器730。硬件处理器730可以是例如通用微处理器。计算系统700可以用于实施本文公开的方法和技术，例如方法300、400和/或600，并且还可以用于获得图像并利用一个或多个滤波器/算法处理所述图像。
计算机系统700还包含联接到总线以用于存储信息和将由处理器730执行的指令的主存储器732，例如随机存取存储器(RAM)或其它动态存储装置，。主存储器732还可以用于在处理器730执行指令期间存储临时变量或其它中间信息。当此类指令存储在处理器730可访问的非暂时性存储介质中时，致使计算机系统700成为被定制以执行指令中指定的操作的专用机器。
计算机系统700进一步包含联接到总线740的只读存储器(ROM)734或其它静态存储装置，用于为处理器730存储静态信息和指令。例如磁盘或光盘的存储装置736被提供并且联接到总线740，用于存储信息和指令。
计算机系统700可以经由总线联接到显示器，例如阴极射线管(CRT)，用于向计算机用户显示信息。包含字母数字键和其它键的输入装置联接到总线，用于向处理器730传达信息和命令选择。另一种类型的用户输入装置是光标控件，例如鼠标、轨迹球或光标方向键，其用于将方向信息和命令选择传达到处理器730并且用于控制显示器上的光标移动。此输入装置通常在两个轴(第一轴(例如，x)和第二轴(例如，y))上具有两个自由度，这允许装置指定平面中的位置。
计算机系统700可以使用定制的硬连线逻辑、一个或多个ASIC或FPGA、固件和/或程序逻辑来实施本文描述的技术，它们与计算机系统相组合使得或编程计算机系统700成为专用机器。根据一个实施例，本文的技术由计算机系统700响应于处理器730执行包含在主存储器732中的一个或多个指令的一个或多个序列来执行。此类指令可以从例如存储装置736的另一存储介质读入主存储器732中。包含在主存储器732中的指令序列的执行使得处理器730执行本文描述的处理步骤。在替代实施例中，可以使用硬连线电路来代替软件指令或者与软件指令组合使用。
如本文使用的术语“存储介质”指的是存储使得机器以特定方式操作的数据和/或指令的任何非暂时性介质。此类存储介质可以包括非易失性介质和/或易失性介质。非易失性介质包含例如光盘或磁盘，例如存储装置736。易失性介质包含动态存储器，例如主存储器732。常见形式的存储介质包含例如软磁盘、软盘、硬盘、固态驱动器、磁带或任何其它磁性数据存储介质、CD-ROM、任何其它光学数据存储介质、任何具有孔图案的物理介质、RAM、PROM和EPROM、闪存-EPROM、NVRAM、任何其它存储器芯片或盒式存储器(cartridge)、内容可寻址存储器和三态内容可寻址存储器(TCAM)。
存储介质不同于传输介质但可以与传输介质结合使用。传输介质参与存储介质之间的信息传递。例如，传输介质包含同轴电缆、铜线和光纤，包含构成总线的电线。传输介质也可以采用声波或光波的形式，例如在无线电波和红外数据通信期间生成的声波或光波。
计算机系统700还包含联接到总线的通信接口738。通信接口738提供联接到例如连接到本地网络的网络链路(未示出)的双向数据通信。作为另一实例，通信接口738可以是局域网(LAN)卡，以提供到兼容LAN的数据通信连接。还可以实施无线链路。在任何此类实施方式中，通信接口738发送并接收携带代表各种类型信息的数字数据流的电、电磁或光信号。
计算机系统700可以通过网络、网络链路和通信接口738发送消息和接收数据，包含程序代码。在互联网实例中，服务器可以通过互联网、ISP、本地网络和通信接口738传输应用程序的请求代码。
接收到的代码可以在其被接收时由处理器730执行，和/或存储在存储装置736或其它非易失性存储器中，以供以后
图8是用于执行本文中公开且根据本公开的实施例的方法的至少一部分的实例带电粒子显微镜环境800。带电粒子显微镜(CPM)环境800可以包含带电粒子显微镜850、网络860、用户站880和服务器870。CPM环境800的各种组件可以共同位于用户的位置或为分布式的。另外，一些或所有组件将包含计算系统，例如计算系统700，用于执行本文公开的方法。当然，CPM环境仅是用于实施所公开的技术的实例操作环境，并且不应被视为限制所述技术的实施。
CPM 850可以是任何类型的带电粒子显微镜，例如TEM、SEM、STEM、双光束系统或聚焦离子束(FIB)系统。双光束系统是SEM与FIB的组合，其允许成像和材料去除/沉积。当然，显微镜的类型是本公开的非限制性方面，并且本文公开的技术也可以在通过其它形式的显微镜和成像获得的图像上实施。CPM 850可用于获得样本和其中包含的ROI的图像，以用本文公开的方法进行处理。然而，所公开的方法也可以由CPM环境800对由其它显微镜获得的图像实施。
网络860可以是任何类型的网络，例如局域网(LAN)、广域网(WAN)、因特网等。网络860可以联接在CPM环境800的其它组件之间，使得数据和处理代码可以被传输到各种组件以实施所公开的技术。例如，用户站880处的用户可以从CPM 850接收图像，其意图是根据所公开的技术进行处理。接着，用户可以直接或经由网络860从服务器870检索代码，以执行图像处理和计量。此外，用户可以通过直接或经由网络860从CPM 850向服务器870提供图像来初始化所述过程，因此由服务器870执行处理和计量。
在一些实例中，数值、程序或设备被称为“最低”、“最佳”、“最小”等。将了解，此类描述旨在指示可以在许多使用的功能替代方案中进行选择，并且这种选择不需要更好、更小或者优选于其它选择。另外，所选择的值可以通过数字或其它近似方式获得，并且可以仅是理论上正确/值的近似值。

Claims (30)

1.一种方法，其包括：
从图像中提取感兴趣区域，所述区域包含所述感兴趣区域的不同区段之间的一个或多个边界；
基于一个或多个滤波器至少增强所提取的感兴趣区域；
基于增强的感兴趣区域生成所述感兴趣区域的多比例数据集；
初始化所述感兴趣区域的模型，初始化模型至少确定所述感兴趣区域的第一界限和第二界限；
基于所述感兴趣区域的模型并且进一步基于所述多比例数据集优化增强的感兴趣区域内的多个主动轮廓，优化的多个主动轮廓识别所述感兴趣区域内的一个或多个边界；以及
基于所识别的边界对所述感兴趣区域执行计量。
2.根据权利要求1所述的方法，其中基于所述感兴趣区域的模型并且进一步基于所述多比例数据集优化增强的感兴趣区域内的多个主动轮廓包含：
初始化所述初始化模型的第一界限和第二界限内的第一多个主动轮廓，其中在所述第一多个主动轮廓中存在比在所述感兴趣区域内的边界数目多的主动轮廓；以及
允许所述第一多个主动轮廓优化到所述多个主动轮廓以识别所述感兴趣区域内的一个或多个边界。
3.根据权利要求1所述的方法，其中基于所述感兴趣区域的模型并且进一步基于所述多比例数据集优化增强的感兴趣区域内的多个主动轮廓包含：
针对一个或多个比例空间中的每个比例空间中的每个图像分辨率等级优化增强的感兴趣区域内的多个主动轮廓。
4.根据权利要求3所述的方法，其中所述一个或多个比例空间是从高斯比例空间、几何比例空间、非线性比例空间和自适应空间比例空间中选择。
5.根据权利要求1所述的方法，其中基于增强的感兴趣区域生成所述感兴趣区域的多比例数据集包含：
使用一个或多个比例空间生成增强的感兴趣区域的多个图像分辨率等级，所述一个或多个比例空间选自高斯比例空间、几何比例空间、非线性比例空间和自适应空间比例空间。
6.根据权利要求1所述的方法，其中初始化所述感兴趣区域的模型，初始化模型至少确定所述感兴趣区域的第一界限和第二界限包含：
基于从二进制标记的地图、交互式地图、距离地图、CAD地图、来自数据的统计模型、染料铸造、几何形状的随机分布和几何模型中选择的一个或多个图像地图来初始化所述感兴趣区域的模型。
7.根据权利要求1所述的方法，其中初始化所述感兴趣区域的模型是基于原始图像或增强的感兴趣区域。
8.根据权利要求1所述的方法，其中基于一个或多个滤波器至少增强所提取的感兴趣区域包含：
改善所述图像内的至少所述感兴趣区域的对比度；以及
改善所述图像内的至少所述感兴趣区域的信噪比。
9.根据权利要求7所述的方法，其中改善所述对比度和所述信噪比包含：
自动地选择和应用所述一个或多个滤波器，其中所述一个或多个滤波器选自直方图操纵、线性和非线性对比度增强、基于局部低频数据分布的数据归一化、伽马校正、对数校正，以及亮度校正。
10.根据权利要求1所述的方法，其中基于一个或多个滤波器至少增强所提取的感兴趣区域包含：
改善所述感兴趣区域的清晰度；以及
区分和检测所述感兴趣区域中的一个或多个边界。
11.根据权利要求10所述的方法，其中改善所述感兴趣区域的清晰度并且区分和检测所述感兴趣区域中的一个或多个边界包含：
自动地选择和应用一个或多个滤波器，其中所述一个或多个滤波器选自反应-扩散滤波、继承性各向同性和各向异性扩散滤波、中值滤波、基于Mumford-Shah模型的非线性扩散滤波、背景抑制和边缘/边界提取，和对象边界上的相干增强滤波。
12.根据权利要求10所述的方法，其中改善所述感兴趣区域的清晰度并且区分和检测所述感兴趣区域中的一个或多个边界包含：
自动地选择和应用一个或多个基于幅度或纹理的滤波器，其中所述一个或多个基于幅度和纹理的滤波器选自Gabor、Haralick、Laws、LCP和LBP。
13.根据权利要求10所述的方法，其中改善所述感兴趣区域的清晰度并且区分和检测所述感兴趣区域中的一个或多个边界包含：
将分析模态应用于所述感兴趣区域以确定所述一个或多个边界的数目和位置，其中所述分析模态选自能量色散x射线分析模态或电子能量损失光谱模态中的一个。
14.根据权利要求1所述的方法，其中基于图像元数据自动地选择和应用所述一个或多个滤波器，所述图像元数据至少包含数据类型、分辨率和像素大小。
15.根据权利要求1所述的方法，其中基于所识别的边界对所述感兴趣区域执行计量包含：
自动地执行由所述一个或多个边界分隔的所述不同区段的几何分析。
16.一种非暂时性计算机可读介质(CRM)，其包含代码，当由一个或多个处理器执行时，所述代码使得所述一个或多个处理器：
从图像中提取感兴趣区域，所述区域包含所述感兴趣区域的不同区段之间的一个或多个边界；
基于一个或多个滤波器至少增强所提取的感兴趣区域；
基于增强的感兴趣区域生成所述感兴趣区域的多比例数据集；
初始化所述感兴趣区域的模型，初始化模型至少确定所述感兴趣区域的第一界限和第二界限；
基于所述感兴趣区域的模型并且进一步基于所述多比例数据集优化增强的感兴趣区域内的多个主动轮廓，优化的多个主动轮廓识别所述感兴趣区域内的一个或多个边界；以及
基于所识别的边界对所述感兴趣区域执行计量。
17.根据权利要求1所述的CRM，其中在执行时使得所述一个或多个处理器基于所述感兴趣区域的模型并且进一步基于所述多比例数据集优化增强的感兴趣区域内的多个主动轮廓的代码进一步包含在执行时使得所述一个或多个处理器执行以下操作的代码：
初始化所述初始化模型的第一界限和第二界限内的第一多个主动轮廓，其中在所述第一多个主动轮廓中存在比在所述感兴趣区域内的边界数目多的主动轮廓；以及
允许所述第一多个主动轮廓优化到所述多个主动轮廓以识别所述感兴趣区域内的一个或多个边界。
18.根据权利要求16所述的CRM，其中在执行时使得所述一个或多个处理器基于所述感兴趣区域的模型并且进一步基于所述多比例数据集优化增强的感兴趣区域内的多个主动轮廓的代码进一步包含在执行时使得所述一个或多个处理器执行以下操作的代码：
针对一个或多个比例空间中的每个比例空间中的每个图像分辨率等级优化增强的感兴趣区域内的多个主动轮廓。
19.根据权利要求18所述的CRM，其中所述一个或多个比例空间是从高斯比例空间、几何比例空间、非线性比例空间和自适应空间比例空间中选择。
20.根据权利要求16所述的CRM，其中在执行时使得所述一个或多个处理器基于增强的感兴趣区域生成所述感兴趣区域的多比例数据集的代码进一步包含在执行时使得所述一个或多个处理器执行以下操作的代码：
使用一个或多个比例空间生成增强的感兴趣区域的多个图像分辨率等级，所述一个或多个比例空间选自高斯比例空间、几何比例空间、非线性比例空间和自适应空间比例空间。
21.根据权利要求16所述的CRM，其中在执行时使得所述一个或多个处理器初始化所述感兴趣区域的模型且初始化模型至少确定所述感兴趣区域的第一界限和第二界限的代码进一步包含在执行时使得所述一个或多个处理器执行以下操作的代码：
基于从二进制标记的地图、交互式地图、距离地图、CAD地图、来自数据的统计模型、染料铸造、几何形状的随机分布和几何模型中选择的一个或多个图像地图来初始化所述感兴趣区域的模型。
22.根据权利要求16所述的CRM，其中所述感兴趣区域的初始化模型是基于原始图像或增强的感兴趣区域。
23.根据权利要求16所述的CRM，其中在执行时使得所述一个或多个处理器基于一个或多个滤波器至少增强所提取的感兴趣区域的代码进一步包含在执行时使得所述一个或多个处理器执行以下操作的代码：
改善所述图像内的至少所述感兴趣区域的对比度；以及
改善所述图像内的至少所述感兴趣区域的信噪比。
24.根据权利要求23所述的CRM，其中在执行时使得所述一个或多个处理器改善所述对比度和所述信噪比的代码进一步包含在执行时使得所述一个或多个处理器执行以下操作的代码：
自动地选择和应用所述一个或多个滤波器，其中所述一个或多个滤波器选自直方图操纵、线性和非线性对比度增强、基于局部低频数据分布的数据归一化、伽马校正、对数校正，以及亮度校正。
25.根据权利要求16所述的CRM，其中在执行时使得所述一个或多个处理器基于一个或多个滤波器至少增强所提取的感兴趣区域的代码进一步包含在执行时使得所述一个或多个处理器执行以下操作的代码：
改善所述感兴趣区域的清晰度；以及
区分和检测所述感兴趣区域中的一个或多个边界。
26.根据权利要求25所述的CRM，其中在执行时使得所述一个或多个处理器改善所述感兴趣区域的清晰度并且区分和检测所述感兴趣区域中的一个或多个边界的代码进一步包含在执行时使得所述一个或多个处理器执行以下操作的代码：
自动地选择和应用一个或多个滤波器，其中所述一个或多个滤波器选自反应-扩散滤波、继承性各向同性和各向异性扩散滤波、中值滤波、基于Mumford-Shah模型的非线性扩散滤波、背景抑制和边缘/边界提取，和对象边界上的相干增强滤波。
27.根据权利要求25所述的CRM，其中在执行时使得所述一个或多个处理器改善所述感兴趣区域的清晰度并且区分和检测所述感兴趣区域中的一个或多个边界的代码进一步包含在执行时使得所述一个或多个处理器执行以下操作的代码：
自动地选择和应用一个或多个基于幅度或纹理的滤波器，其中所述一个或多个基于幅度和纹理的滤波器选自Gabor、Haralick、Laws、LCP和LBP。
28.根据权利要求25所述的CRM，其中在执行时使得所述一个或多个处理器改善所述感兴趣区域的清晰度并且区分和检测所述感兴趣区域中的一个或多个边界的代码进一步包含在执行时使得所述一个或多个处理器执行以下操作的代码：
将分析模态应用于所述感兴趣区域以确定所述一个或多个边界的数目和位置，其中所述分析模态选自能量色散x射线分析模态或电子能量损失光谱模态中的一个。
29.根据权利要求16所述的CRM，其中基于图像元数据自动地选择和应用所述一个或多个滤波器，所述图像元数据至少包含数据类型、分辨率和像素大小。
30.根据权利要求16所述的CRM，其中在执行时使得所述一个或多个处理器基于所识别的边界对所述感兴趣区域执行计量的代码进一步包含在执行时使得所述一个或多个处理器执行以下操作的代码：
自动地执行由所述一个或多个边界分隔的所述不同区段的几何分析。
CN201911023052.XA 2018-10-31 2019-10-25 对显微镜图像智能计量的方法和非暂时性计算机可读介质 Active CN111127332B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410249217.XA CN118279169A (zh) 2018-10-31 2019-10-25 对显微镜图像智能计量的方法和非暂时性计算机可读介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/177,034 2018-10-31
US16/177,034 US10748290B2 (en) 2018-10-31 2018-10-31 Smart metrology on microscope images

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202410249217.XA Division CN118279169A (zh) 2018-10-31 2019-10-25 对显微镜图像智能计量的方法和非暂时性计算机可读介质

Publications (2)

Publication Number Publication Date
CN111127332A true CN111127332A (zh) 2020-05-08
CN111127332B CN111127332B (zh) 2024-03-22

Family

ID=70327517

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202410249217.XA Pending CN118279169A (zh) 2018-10-31 2019-10-25 对显微镜图像智能计量的方法和非暂时性计算机可读介质
CN201911023052.XA Active CN111127332B (zh) 2018-10-31 2019-10-25 对显微镜图像智能计量的方法和非暂时性计算机可读介质

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202410249217.XA Pending CN118279169A (zh) 2018-10-31 2019-10-25 对显微镜图像智能计量的方法和非暂时性计算机可读介质

Country Status (5)

Country Link
US (2) US10748290B2 (zh)
JP (2) JP7464370B2 (zh)
KR (1) KR20200049519A (zh)
CN (2) CN118279169A (zh)
TW (2) TW202417835A (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020191121A1 (en) * 2019-03-20 2020-09-24 Carl Zeiss Smt Inc. Method for imaging a region of interest of a sample using a tomographic x-ray microscope, microscope, system and computer program
CN110636294B (zh) * 2019-09-27 2024-04-09 腾讯科技（深圳）有限公司 视频解码方法及装置，视频编码方法及装置
TWI812091B (zh) * 2021-04-21 2023-08-11 德商卡爾蔡司Ｓｍｔ有限公司 訓練機器學習邏輯及分析高深寬比結構中奈米柱橫截面環之方法、半導體檢測裝置、電腦程式及實體儲存媒體
KR20240003985A (ko) * 2022-07-04 2024-01-11 삼성전자주식회사 이미지 처리 방법 및 시스템
WO2024078883A1 (en) * 2022-10-14 2024-04-18 Carl Zeiss Smt Gmbh Method to obtain information to control a manufacturing process for a stacked semiconductor device and detection system using such method

Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1147889A (zh) * 1994-05-13 1997-04-16 明尼苏达州采矿制造公司 自动化图象质量控制
CN1710096A (zh) * 2005-06-03 2005-12-21 厦门大学 海洋中含细菌叶绿素的微生物的准确定量方法
US7106502B1 (en) * 2003-08-21 2006-09-12 The United States Of America As Represented By The Administrator Of National Aeronautics And Space Administration Operation of a Cartesian robotic system in a compact microscope imaging system with intelligent controls
DE202010000364U1 (de) * 2010-03-12 2010-05-27 EnBW Energie Baden-Württemberg AG Kontaktlose Strommessvorrichtung und Verbraucherenergiemesssystem
WO2011116004A2 (en) * 2010-03-15 2011-09-22 Georgia Tech Research Corporation Cranial suture snake algorithm
US20120163682A1 (en) * 2010-12-22 2012-06-28 Samsung Electronics Co., Ltd. Method of processing image and image processing apparatus using the method
CN102576027A (zh) * 2009-08-22 2012-07-11 里兰斯坦福初级大学理事会 成像并评估胚胎、卵母细胞和干细胞
US8248467B1 (en) * 2011-07-26 2012-08-21 ByteLight, Inc. Light positioning system using digital pulse recognition
CN202947950U (zh) * 2012-11-01 2013-05-22 中国石油化工股份有限公司 一种多孔介质微观渗流模拟实验装置系统
WO2013177209A1 (en) * 2012-05-21 2013-11-28 Fei Company Preparation of lamellae for tem viewing
CN103792170A (zh) * 2012-11-01 2014-05-14 中国石油化工股份有限公司 多孔介质微观渗流模拟实验装置系统
WO2014107402A1 (en) * 2013-01-02 2014-07-10 The Trustees Of The University Of Pennsylvania Classification of biological tissue by multi-mode data registration, segmentation and characterization
US20140285198A1 (en) * 2010-02-22 2014-09-25 Howard J. Halpern High-isolation transmit/receive surface coils and method for epri
CN104101295A (zh) * 2013-04-05 2014-10-15 株式会社三丰 获得具有用于增强边缘分辨率的偏移的图像的系统和方法
WO2015130231A1 (en) * 2014-02-27 2015-09-03 Agency For Science, Technology And Research Segmentation of cardiac magnetic resonance (cmr) images using a memory persistence approach
CN105074778A (zh) * 2013-03-28 2015-11-18 皇家飞利浦有限公司 交互式随访可视化
CN105319725A (zh) * 2015-10-30 2016-02-10 中国科学院遗传与发育生物学研究所 用于快速运动物体的超高分辨成像方法
CN105631855A (zh) * 2015-12-16 2016-06-01 辽宁师范大学 基于nsct的活动轮廓遥感图像分割方法
CN105914159A (zh) * 2015-02-24 2016-08-31 Fei 公司 利用已知形状薄片自动s/tem采集和计量的图形匹配
KR20160146281A (ko) * 2015-06-12 2016-12-21 삼성전자주식회사 전자 장치 및 전자 장치에서 이미지 표시 방법
CN106340016A (zh) * 2016-08-31 2017-01-18 湖南品信生物工程有限公司 一种基于细胞显微镜图像的dna定量分析方法
US20170061608A1 (en) * 2015-04-20 2017-03-02 Lunit Inc. Cloud-based pathological analysis system and method
CN207703268U (zh) * 2018-01-02 2018-08-07 珠海康宝莱仪表有限公司 一种电磁流量计冷气计量智能系统
US20180299658A1 (en) * 2015-04-23 2018-10-18 Duke University Systems and methods of optical coherence tomography stereoscopic imaging for improved microsurgery visualization

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5452367A (en) * 1993-11-29 1995-09-19 Arch Development Corporation Automated method and system for the segmentation of medical images
JPH08272952A (ja) * 1995-03-28 1996-10-18 Ricoh Co Ltd 画像処理装置
KR100265722B1 (ko) * 1997-04-10 2000-09-15 백준기 블럭기반영상처리방법및장치
GB2393839B (en) * 1999-07-05 2004-06-16 Mitsubishi Electric Inf Tech Method and apparatus for representing and searching for an object in an image
US6608910B1 (en) * 1999-09-02 2003-08-19 Hrl Laboratories, Llc Computer vision method and apparatus for imaging sensors for recognizing and tracking occupants in fixed environments under variable illumination
US6549646B1 (en) * 2000-02-15 2003-04-15 Deus Technologies, Llc Divide-and-conquer method and system for the detection of lung nodule in radiological images
JP4614548B2 (ja) * 2001-01-31 2011-01-19 パナソニック株式会社 超音波診断装置
JP3902765B2 (ja) * 2001-05-17 2007-04-11 シーメンス コーポレイト リサーチ インコーポレイテツド Ｍｒ心臓画像における左心室のセグメンテーションに対する様々なアプローチ
JPWO2003028112A1 (ja) * 2001-09-20 2005-01-13 株式会社ルネサステクノロジ 半導体集積回路装置及びその製造方法
WO2007118097A1 (en) * 2006-04-03 2007-10-18 Omnivision Cdm Optics, Inc. Optical imaging systems and methods utilizing nonlinear and/or spatially varying image processing
US8328420B2 (en) * 2003-04-22 2012-12-11 Marcio Marc Abreu Apparatus and method for measuring biologic parameters
GB2398379A (en) * 2003-02-11 2004-08-18 Qinetiq Ltd Automated digital image analysis
KR20060057581A (ko) * 2003-07-25 2006-05-26 주식회사 아도반테스토 위치 검출 장치, 위치 검출 방법, 시험 장치 및 카메라모듈 제조 장치
JP4534594B2 (ja) * 2004-05-19 2010-09-01 ソニー株式会社 画像処理装置、画像処理方法、画像処理方法のプログラム及び画像処理方法のプログラムを記録した記録媒体
JP4780374B2 (ja) * 2005-04-21 2011-09-28 Ｎｋワークス株式会社 粒状ノイズ抑制のための画像処理方法及びプログラム及びこの方法を実施する粒状抑制処理モジュール
US7466872B2 (en) * 2005-06-20 2008-12-16 Drvision Technologies Llc Object based boundary refinement method
US8514303B2 (en) * 2006-04-03 2013-08-20 Omnivision Technologies, Inc. Advanced imaging systems and methods utilizing nonlinear and/or spatially varying image processing
CA2617119A1 (en) * 2008-01-08 2009-07-08 Pci Geomatics Enterprises Inc. Service oriented architecture for earth observation image processing
US8131118B1 (en) * 2008-01-31 2012-03-06 Google Inc. Inferring locations from an image
DE102008007968A1 (de) * 2008-02-07 2009-08-20 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Ermittlung einer Lagerverschiebung eines Fokusgebiets
JP5713896B2 (ja) * 2009-06-10 2015-05-07 株式会社日立メディコ 超音波診断装置とその内膜中膜複合体厚計測方法
JP4856263B2 (ja) * 2009-08-07 2012-01-18 シャープ株式会社 撮像画像処理システム、画像出力方法、プログラムおよび記録媒体
JP4991887B2 (ja) * 2010-01-13 2012-08-01 シャープ株式会社 撮像画像処理システム、撮像画像処理システムの制御方法、プログラムおよび記録媒体
JP5591570B2 (ja) * 2010-03-23 2014-09-17 オリンパス株式会社 画像処理装置、画像処理方法及びプログラム
JP5308391B2 (ja) * 2010-03-31 2013-10-09 富士フイルム株式会社 画像符号化装置および方法並びにプログラム
US8699813B2 (en) * 2010-11-19 2014-04-15 Analog Devices, Inc Adaptive filter for low-light noise reduction
JP6061496B2 (ja) * 2012-05-21 2017-01-18 株式会社日立ハイテクノロジーズ パターン計測装置、パターン計測方法及びパターン計測プログラム
US8779357B1 (en) * 2013-03-15 2014-07-15 Fei Company Multiple image metrology
KR102392597B1 (ko) * 2015-10-15 2022-04-29 삼성전자주식회사 두께 측정 방법, 영상 처리 방법 및 이를 수행하는 전자 시스템

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1147889A (zh) * 1994-05-13 1997-04-16 明尼苏达州采矿制造公司 自动化图象质量控制
US7106502B1 (en) * 2003-08-21 2006-09-12 The United States Of America As Represented By The Administrator Of National Aeronautics And Space Administration Operation of a Cartesian robotic system in a compact microscope imaging system with intelligent controls
CN1710096A (zh) * 2005-06-03 2005-12-21 厦门大学 海洋中含细菌叶绿素的微生物的准确定量方法
CN102576027A (zh) * 2009-08-22 2012-07-11 里兰斯坦福初级大学理事会 成像并评估胚胎、卵母细胞和干细胞
US20140285198A1 (en) * 2010-02-22 2014-09-25 Howard J. Halpern High-isolation transmit/receive surface coils and method for epri
DE202010000364U1 (de) * 2010-03-12 2010-05-27 EnBW Energie Baden-Württemberg AG Kontaktlose Strommessvorrichtung und Verbraucherenergiemesssystem
WO2011116004A2 (en) * 2010-03-15 2011-09-22 Georgia Tech Research Corporation Cranial suture snake algorithm
US20120163682A1 (en) * 2010-12-22 2012-06-28 Samsung Electronics Co., Ltd. Method of processing image and image processing apparatus using the method
US8248467B1 (en) * 2011-07-26 2012-08-21 ByteLight, Inc. Light positioning system using digital pulse recognition
WO2013177209A1 (en) * 2012-05-21 2013-11-28 Fei Company Preparation of lamellae for tem viewing
CN202947950U (zh) * 2012-11-01 2013-05-22 中国石油化工股份有限公司 一种多孔介质微观渗流模拟实验装置系统
CN103792170A (zh) * 2012-11-01 2014-05-14 中国石油化工股份有限公司 多孔介质微观渗流模拟实验装置系统
WO2014107402A1 (en) * 2013-01-02 2014-07-10 The Trustees Of The University Of Pennsylvania Classification of biological tissue by multi-mode data registration, segmentation and characterization
CN105074778A (zh) * 2013-03-28 2015-11-18 皇家飞利浦有限公司 交互式随访可视化
CN104101295A (zh) * 2013-04-05 2014-10-15 株式会社三丰 获得具有用于增强边缘分辨率的偏移的图像的系统和方法
WO2015130231A1 (en) * 2014-02-27 2015-09-03 Agency For Science, Technology And Research Segmentation of cardiac magnetic resonance (cmr) images using a memory persistence approach
CN105914159A (zh) * 2015-02-24 2016-08-31 Fei 公司 利用已知形状薄片自动s/tem采集和计量的图形匹配
US20170061608A1 (en) * 2015-04-20 2017-03-02 Lunit Inc. Cloud-based pathological analysis system and method
US20180299658A1 (en) * 2015-04-23 2018-10-18 Duke University Systems and methods of optical coherence tomography stereoscopic imaging for improved microsurgery visualization
KR20160146281A (ko) * 2015-06-12 2016-12-21 삼성전자주식회사 전자 장치 및 전자 장치에서 이미지 표시 방법
CN105319725A (zh) * 2015-10-30 2016-02-10 中国科学院遗传与发育生物学研究所 用于快速运动物体的超高分辨成像方法
CN105631855A (zh) * 2015-12-16 2016-06-01 辽宁师范大学 基于nsct的活动轮廓遥感图像分割方法
CN106340016A (zh) * 2016-08-31 2017-01-18 湖南品信生物工程有限公司 一种基于细胞显微镜图像的dna定量分析方法
CN207703268U (zh) * 2018-01-02 2018-08-07 珠海康宝莱仪表有限公司 一种电磁流量计冷气计量智能系统

Also Published As

Publication number Publication date
CN118279169A (zh) 2024-07-02
US20200134824A1 (en) 2020-04-30
TWI829784B (zh) 2024-01-21
TW202417835A (zh) 2024-05-01
JP2024081738A (ja) 2024-06-18
CN111127332B (zh) 2024-03-22
JP2020095691A (ja) 2020-06-18
US10748290B2 (en) 2020-08-18
JP7464370B2 (ja) 2024-04-09
US20200349713A1 (en) 2020-11-05
KR20200049519A (ko) 2020-05-08
US11494914B2 (en) 2022-11-08
TW202026631A (zh) 2020-07-16

Similar Documents

Publication Publication Date Title
CN111127332B (zh) 对显微镜图像智能计量的方法和非暂时性计算机可读介质
US7574031B2 (en) Nodule boundary detection
CN107067379B (zh) 基于三维fib-sem图像的页岩孔隙定量表征方法
US20190257767A1 (en) Generating a training set usable for examination of a semiconductor specimen
US6539106B1 (en) Feature-based defect detection
US11915406B2 (en) Generating training data usable for examination of a semiconductor specimen
Wakaf et al. Defect detection based on extreme edge of defective region histogram
CN110942013A (zh) 一种基于深度神经网络的卫星影像特征提取方法及系统
CN114365183A (zh) 晶片检验方法和系统
US11947270B2 (en) Metrology of semiconductor devices in electron micrographs using fast marching level sets
US20220012861A1 (en) Identification of an array in a semiconductor specimen
KR20230161868A (ko) 반도체 시편의 결함 검출
US20230052350A1 (en) Defect inspecting system and defect inspecting method
JP7530330B2 (ja) 半導体試料の画像のセグメンテーション
TWI857227B (zh) 生成可用於檢查半導體樣本的訓練資料
US11965841B2 (en) Surface analyzer
Sikora et al. Intelligent System for Radiogram Analysis—Software application
Palenichka et al. Time-Effective Detection of Objects of Interest in Images by Means of A Visual Attention Mechanism

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