CN113744163B - 集成电路图像增强方法、装置、电子设备及存储介质 - Google Patents

集成电路图像增强方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113744163B
CN113744163B CN202111295516.XA CN202111295516A CN113744163B CN 113744163 B CN113744163 B CN 113744163B CN 202111295516 A CN202111295516 A CN 202111295516A CN 113744163 B CN113744163 B CN 113744163B
Authority
CN
China
Prior art keywords
image
images
scale
terahertz
integrated circuit
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
Application number
CN202111295516.XA
Other languages
English (en)
Other versions
CN113744163A (zh
Inventor
毛淇
刘竞博
吕赐兴
朱云龙
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202111295516.XA priority Critical patent/CN113744163B/zh
Publication of CN113744163A publication Critical patent/CN113744163A/zh
Application granted granted Critical
Publication of CN113744163B publication Critical patent/CN113744163B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G06T5/73—
    • 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 by the use of more than one image, e.g. averaging, 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
    • G06T2207/10—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请属于图像处理技术领域，公开了一种集成电路图像增强方法、装置、电子设备及存储介质，通过获取集成电路的待处理的太赫兹图像；利用多尺度高斯函数对所述待处理的太赫兹图像进行去模糊处理，得到多个第一图像；对所述多个第一图像进行平均处理得到平均图像；利用LatLRR算法对所述平均图像进行多尺度分解得到多个细节图像；利用Bregman迭代算法对所述平均图像进行增强处理，得到第二图像；对所述多个细节图像和所述第二图像进行平均处理得到增强图像；从而可得到细节特征清晰的太赫兹图像，使图像的隐藏特征显现，与现有技术相比，得到的图像更有利于准确地判断集成电路的电介质层断裂、裂纹和分层等缺陷情况。

Description

集成电路图像增强方法、装置、电子设备及存储介质
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种集成电路图像增强方法、装置、电子设备及存储介质。
背景技术
现有技术中利用太赫兹图像对集成电路进行缺陷检测时，常使用MSR（multiscaleretinex，多尺度视网皮层理论）方法对图像进行增强处理，但增强后的太赫兹图像难以得到足够清晰的图像细节特征，从而难以有效确定集成电路的电介质层断裂、裂纹和分层等缺陷情况。
发明内容
本申请的目的在于提供一种集成电路图像增强方法、装置、电子设备及存储介质，可得到细节特征清晰的太赫兹图像，有利于更准确地判断集成电路缺陷情况。
第一方面，本申请提供了一种集成电路图像增强方法，用于对集成电路的太赫兹图像进行增强处理；包括以下步骤：
A1.获取集成电路的待处理的太赫兹图像；
A2.利用多尺度高斯函数对所述待处理的太赫兹图像进行去模糊处理，得到多个第一图像；
A3.对所述多个第一图像进行平均处理得到平均图像；
A4.利用LatLRR算法对所述平均图像进行多尺度分解得到多个细节图像；
A5.利用Bregman迭代算法对所述平均图像进行增强处理，得到第二图像；
A6.对所述多个细节图像和所述第二图像进行平均处理得到增强图像。
该集成电路图像增强方法，先利用多尺度高斯函数对集成电路的原始的太赫兹图像进行去模糊处理后通过平均处理得到平均图像，再利用LatLRR算法对平均图像进行多尺度分解以从多个表示层次上提取多尺度的细节图像，同时用Bregman迭代算法对平均图像进行增强处理得到第二图像，最终用平均策略对第二图像和多个细节图像进行处理，得到增强图像，可得到细节特征清晰的太赫兹图像，使图像的隐藏特征显现，与现有的使用MSR得到的增强图像相比，得到的图像更有利于准确地判断集成电路的电介质层断裂、裂纹和分层等缺陷情况。
优选地，步骤A2包括：
分别用所述待处理的太赫兹图像的图像矩阵与多个尺度的低通带高斯函数进行卷积运算，并对运算结果进行反傅里叶变换，得到多个尺度的模糊滤波器；
针对每个尺度，用所述待处理的太赫兹图像的图像矩阵减去对应尺度的模糊滤波器，得到对应尺度的第一图像的图像矩阵。
利用多尺度高斯函数进行去模糊处理，可有效恢复图像场景辐照亮度和去除雾霾，更有利于后续通过LatLRR算法进行多尺度分解提取特征。
优选地，步骤A2包括：
利用三个尺度的高斯函数对所述待处理的太赫兹图像进行去模糊处理，得到三个第一图像。
利用三个尺度的高斯函数对所述待处理的太赫兹图像进行去模糊处理，恢复图像场景辐照亮度和去除雾霾的效果较佳。
优选地，步骤A3包括：
通过以下公式计算所述平均图像的图像矩阵：
Figure 498837DEST_PATH_IMAGE001
；
其中，
Figure 9452DEST_PATH_IMAGE002
为所述平均图像的图像矩阵，
Figure 602239DEST_PATH_IMAGE003
为第n个尺度下的所述第一图像的图像矩阵，k是第一图像的数量。
优选地，步骤A4包括：
利用LatLRR算法对所述平均图像进行四个尺度分解得到四个细节图像。
优选地，步骤A6包括：
通过以下公式计算所述增强图像的图像矩阵：
Figure 794186DEST_PATH_IMAGE004
；
其中，
Figure 874137DEST_PATH_IMAGE005
为所述增强图像的图像矩阵，
Figure 165441DEST_PATH_IMAGE006
为第i个尺度下的所述细节图像的图像矩阵，K为细节图像的数量，
Figure 286936DEST_PATH_IMAGE007
为所述第二图像的图像矩阵。
第二方面，本申请提供了一种集成电路图像增强装置，用于对集成电路的太赫兹图像进行增强处理；包括：
第一获取模块，用于获取集成电路的待处理的太赫兹图像；
去模糊模块，用于利用多尺度高斯函数对所述待处理的太赫兹图像进行去模糊处理，得到多个第一图像；
第一平均处理模块，用于对所述多个第一图像进行平均处理得到平均图像；
分解模块，用于利用LatLRR算法对所述平均图像进行多尺度分解得到多个细节图像；
第一增强模块，用于利用Bregman迭代算法对所述平均图像进行增强处理，得到第二图像；
第二平均处理模块，用于对所述多个细节图像和所述第二图像进行平均处理得到增强图像。
该集成电路图像增强装置，先利用多尺度高斯函数对集成电路的原始的太赫兹图像进行去模糊处理后通过平均处理得到平均图像，再利用LatLRR算法对平均图像进行多尺度分解以从多个表示层次上提取多尺度的细节图像，同时用Bregman迭代算法对平均图像进行增强处理得到第二图像，最终用平均策略对第二图像和多个细节图像进行处理，得到增强图像，可得到细节特征清晰的太赫兹图像，使图像的隐藏特征显现，与现有的使用MSR得到的增强图像相比，得到的图像更有利于准确地判断集成电路的电介质层断裂、裂纹和分层等缺陷情况。
优选地，所述去模糊模块用于在利用多尺度高斯函数对所述待处理的太赫兹图像进行去模糊处理，得到多个第一图像的时候，执行：
分别用所述待处理的太赫兹图像的图像矩阵与多个尺度的低通带高斯函数进行卷积运算，并对运算结果进行反傅里叶变换，得到多个尺度的模糊滤波器；
针对每个尺度，用所述待处理的太赫兹图像的图像矩阵减去对应尺度的模糊滤波器，得到对应尺度的第一图像的图像矩阵。
第三方面，本申请提供了一种电子设备，包括处理器和存储器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时，运行如前文所述集成电路图像增强方法中的步骤。
第四方面，本申请提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如前文所述集成电路图像增强方法中的步骤。
有益效果：
本申请提供的集成电路图像增强方法、装置、电子设备及存储介质，通过获取集成电路的待处理的太赫兹图像；利用多尺度高斯函数对所述待处理的太赫兹图像进行去模糊处理，得到多个第一图像；对所述多个第一图像进行平均处理得到平均图像；利用LatLRR算法对所述平均图像进行多尺度分解得到多个细节图像；利用Bregman迭代算法对所述平均图像进行增强处理，得到第二图像；对所述多个细节图像和所述第二图像进行平均处理得到增强图像；从而可得到细节特征清晰的太赫兹图像，使图像的隐藏特征显现，与现有技术相比，得到的图像更有利于准确地判断集成电路的电介质层断裂、裂纹和分层等缺陷情况。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请了解。
附图说明
图1为本申请实施例提供的集成电路图像增强方法的一种流程图。
图2为本申请实施例提供的集成电路图像增强装置的第一种结构示意图。
图3为本申请实施例提供的电子设备的结构示意图。
图4为本申请实施例提供的集成电路图像增强方法的原理图。
图5为对比试验一的对比图像。
图6为对比试验二的对比图像。
图7为对比试验三的对比图像。
图8为对比试验四的对比图像。
图9为对比试验五的对比图像。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本申请一些实施例中的一种集成电路图像增强方法，用于对集成电路的太赫兹图像进行增强处理；包括以下步骤：
A1.获取集成电路的待处理的太赫兹图像；
A2.利用多尺度高斯函数对待处理的太赫兹图像进行去模糊处理，得到多个第一图像；
A3.对多个第一图像进行平均处理得到平均图像；
A4.利用LatLRR（latent low rank representation，潜在低秩表示）算法对平均图像进行多尺度分解得到多个细节图像；
A5.利用Bregman迭代算法对平均图像进行增强处理，得到第二图像；
A6.对多个细节图像和第二图像进行平均处理得到增强图像。
该集成电路图像增强方法，先利用多尺度高斯函数对集成电路的原始的太赫兹图像进行去模糊处理后通过平均处理得到平均图像，再利用LatLRR算法对平均图像进行多尺度分解以从多个表示层次上提取多尺度的细节图像，同时用Bregman迭代算法对平均图像进行增强处理得到第二图像，最终用平均策略对第二图像和多个细节图像进行处理，得到增强图像，可得到细节特征清晰的太赫兹图像，使图像的隐藏特征显现，与现有的使用MSR得到的增强图像相比，得到的图像更有利于准确地判断集成电路的电介质层断裂、裂纹和分层等缺陷情况。
其中，集成电路的待处理的太赫兹图像是用THz-TDS系统（太赫兹时域光谱系统）采集的集成电路的图像。其中，采集太赫兹图像时，可使用振幅成像方法生成太赫兹图像（此为现有技术，此处不对其进行详述），或者更优选地，采用以下方式生成太赫兹图像：
在0.3 THz到0.55 THz的变频带范围对集成电路进行逐点光栅扫描；
通过以下公式计算各位置点的像素值，从而生成集成电路的待处理的太赫兹图像：
Figure 689099DEST_PATH_IMAGE008
（1）；
其中，
Figure 623557DEST_PATH_IMAGE009
是集成电路的待处理的太赫兹图像的（x，y）位置点的像素值，
Figure 210396DEST_PATH_IMAGE010
是设备系统参数（该设备系统参数由截断比和辐照度决定，在本实施例中，k=1.09），
Figure 167988DEST_PATH_IMAGE011
是THz-TDS系统的数值孔径，
Figure 170579DEST_PATH_IMAGE012
是太赫兹光束的频率（从0.3 THz到0.55 THz变化，该公式（1）中计算从0.3 THz到0.55 THz的积分），
Figure 38172DEST_PATH_IMAGE013
是光速，
Figure 671278DEST_PATH_IMAGE014
是光束束腰处的光斑半径，
Figure 506379DEST_PATH_IMAGE015
是样品（集成电路）的吸收系数，z是光束束腰到样品的轴向距离。
优选地，步骤A2包括：
A201.分别用待处理的太赫兹图像的图像矩阵与多个尺度的低通带高斯函数进行卷积运算，并对运算结果进行反傅里叶变换，得到多个尺度的模糊滤波器；
A202.针对每个尺度，用待处理的太赫兹图像的图像矩阵减去对应尺度的模糊滤波器，得到对应尺度的第一图像的图像矩阵。
其中，图像矩阵是指由图像中各像素点的像素值组成的矩阵；待处理的太赫兹图像的图像矩阵是指由待处理的太赫兹图像各像素点的像素值组成的矩阵；第一图像的图像矩阵是指由第一图像各像素点的像素值组成的矩阵。
其中，对于（x，y）像素点，其第n个尺度的低通带高斯函数为：
Figure 47082DEST_PATH_IMAGE016
（2）；
其中，x、y为像素点的坐标值，
Figure 893815DEST_PATH_IMAGE017
为（x，y）像素点的第n个尺度的低通带高斯函数值，
Figure 494561DEST_PATH_IMAGE018
是第n个尺度的标准差；其中，可通过该公式（2）和以下公式（3），计算得到各尺度的
Figure 66225DEST_PATH_IMAGE018
的值：
Figure 348302DEST_PATH_IMAGE019
（3）。
在步骤A201中，用待处理的太赫兹图像的图像矩阵
Figure 439755DEST_PATH_IMAGE020
分别与各尺度的低通带高斯函数
Figure 476981DEST_PATH_IMAGE021
进行卷积运算然后对运算结果进行反傅里叶变换，可得到对应的模糊滤波器
Figure 630882DEST_PATH_IMAGE022
，其中该
Figure 857595DEST_PATH_IMAGE022
为矩阵，包含各像素点对应的模糊滤波器数值
Figure 475658DEST_PATH_IMAGE023
，该
Figure 887048DEST_PATH_IMAGE023
为（x，y）像素点的模糊滤波器数值。
步骤A202中，通过以下公式计算第一图像的图像矩阵：
Figure 652879DEST_PATH_IMAGE024
；
其中，
Figure 339075DEST_PATH_IMAGE025
为第n尺度下的第一图像的图像矩阵。具体地，对于
Figure 280486DEST_PATH_IMAGE025
中的任一位置（x，y）的像素点的像素值由以下公式计算得到：
Figure 971099DEST_PATH_IMAGE026
；
其中，
Figure 161909DEST_PATH_IMAGE027
为第n尺度下的第一图像的（x，y）像素点的像素值，
Figure 855059DEST_PATH_IMAGE028
为待处理的太赫兹图像的（x，y）像素点的像素值，
Figure 244452DEST_PATH_IMAGE029
为第n尺度下的（x，y）像素点的模糊滤波器数值。
利用多尺度高斯函数进行去模糊处理，可有效恢复图像场景辐照亮度和去除雾霾，更有利于后续通过LatLRR算法进行多尺度分解提取特征。
其中，进行去模糊处理时采用的高斯函数的尺度数可根据实际需要设置，优选地，
Figure 997644DEST_PATH_IMAGE002
利用三个尺度的高斯函数对待处理的太赫兹图像进行去模糊处理，得到三个第一图像。
即前文中的n=1，2，3；得到的第一图像的图像矩阵分别为
Figure 675750DEST_PATH_IMAGE030
、
Figure 782377DEST_PATH_IMAGE031
、
Figure 432802DEST_PATH_IMAGE032
；一般地，小尺度取值为
Figure 888054DEST_PATH_IMAGE033
，中尺度取值为
Figure 115773DEST_PATH_IMAGE034
，大尺度取值为
Figure 150725DEST_PATH_IMAGE035
，从而优选地，对应三个尺度的高斯函数，其标准差
Figure 717972DEST_PATH_IMAGE036
、
Figure 921290DEST_PATH_IMAGE037
、
Figure 511671DEST_PATH_IMAGE038
分别在小尺度范围、中尺度范围和大尺度范围取值。利用三个尺度的高斯函数对待处理的太赫兹图像进行去模糊处理，恢复图像场景辐照亮度和去除雾霾的效果较佳。
优选地，步骤A3包括：
通过以下公式计算平均图像的图像矩阵：
Figure 147052DEST_PATH_IMAGE039
；
其中，
Figure 631123DEST_PATH_IMAGE002
为平均图像的图像矩阵，
Figure 897019DEST_PATH_IMAGE003
为第n个尺度下的第一图像的图像矩阵，
Figure 584483DEST_PATH_IMAGE040
是第一图像的数量（也等于去模糊处理时采用的高斯函数的尺度数，例如当使用三个尺度的高斯函数对待处理的太赫兹图像进行去模糊处理时，
Figure 23555DEST_PATH_IMAGE040
=3）。
对多个第一图像进行平均处理的优点在于：增强算法的鲁棒性，防止由于多种原因导致某些像素点数值过高。
其中，利用LatLRR算法对图像分解的方法为现有技术，每次分解可把图像分解为基础图像和细节图像。本实施例中，步骤A4中，利用LatLRR算法对平均图像进行多尺度分解包括：利用LatLRR算法对平均图像进行首次分解得到第一次分解的基础图像和细节图像后，然后依次对上一次分解得到的基础图像进行分解得到本次分解的基础图像和细节图像，直到分解次数达到预设的次数（即对平均图像进行多尺度分解的尺度数等于该预设的次数）。该过程可用以下公式表达：
Figure 503078DEST_PATH_IMAGE041
s.t.
Figure 798930DEST_PATH_IMAGE042
；
其中，
Figure 160641DEST_PATH_IMAGE043
为第i尺度下的（即第i次分解后的）细节部分（是输入图像
Figure 341087DEST_PATH_IMAGE044
的分解结果），
Figure 783438DEST_PATH_IMAGE045
为第i尺度下的细节图像的图像矩阵，
Figure 391137DEST_PATH_IMAGE046
为第i尺度下的基础图像的图像矩阵，
Figure 240144DEST_PATH_IMAGE047
为初始矩阵，其中，L为算法学习到的投影矩阵， P(·)为两级算子（由滑动窗口和循环迭代函数组成）。R(·)表示从细节部分重建细节图像的算子。 K为利用LatLRR算法对平均图像进行分解的尺度数（即分解次数）。
其中，利用LatLRR算法对平均图像进行分解的尺度数可根据实际需要设置，例如，在本实施例中，步骤A4包括：
利用LatLRR算法对平均图像进行四个尺度分解得到四个细节图像。
利用LatLRR，可以在多个表示层次上提取多尺度细节矩阵。采用平均策略对增强后的图像进行细节处理和预增强处理，可有效地用于封装IC图像的多级特征提取，使隐藏特征出现。
其中，利用Bregman迭代算法对图像进行增强处理的具体方法为现有技术，此处不对其进行详述。
进一步地，步骤A6包括：
通过以下公式计算增强图像的图像矩阵：
Figure 83335DEST_PATH_IMAGE004
；
其中，
Figure 271871DEST_PATH_IMAGE005
为增强图像的图像矩阵，
Figure 847209DEST_PATH_IMAGE006
为第i个尺度下的细节图像的图像矩阵，K为细节图像的数量（与利用LatLRR算法对平均图像进行分解的尺度数相同），
Figure 262141DEST_PATH_IMAGE007
为第二图像的图像矩阵。
该集成电路图像增强方法的原理可参考图4。以下可通过五组对比试验的试验数据对比采用本申请的方法得到的增强图像和采用现有技术得到的增强图像对图像细节的显示效果。其中，可通过标准差（standard deviation, SD）、平均梯度（average gradient,AG）、空间频率（space frequency, SF）和均方根误差（root mean square error, RMSE）四个评价指标对图像进行评价。评价指标SD可以衡量图像的整体对比度，SD越大，从黑到白的渐变程度越高，色彩表现也越丰富。评价指标AG也反映了图像的精细细节对比度、纹理变化和清晰度，AG越大，图像层次越丰富，变化越多，图像越清晰。评价度量SF度量图像的细节。评价指标RMSE反映了对比图像的准确性，用来评价数据变化的程度。
对比试验一
分别采用振幅成像法和基于公式（1）的方法生成封装芯片#1的太赫兹图像，利用振幅成像法得到的太赫兹图像如图5中的（a）所示，基于公式（1）的方法生成的太赫兹图像如图5中的（c）所示，图5中，（b）为采用MSR方法对（a）图进行增强处理得到的增强图像，（d）为采用MSR方法对（c）图进行增强处理得到的增强图像，（e）为采用该集成电路图像增强方法对（c）图进行增强处理得到的增强图像。通过对比（a）图和（c）图可以看到基于公式（1）的方法生成的太赫兹图像比采用振幅成像法得到的太赫兹图像更能表达物体细节，其中，两个太赫兹图像中的实线框和虚线框中的图像放大后，仍然不够清晰。（b）图和（d）图均是采用MSR方法得到的增强图像，通过对比可看到（d）图比（b）图更加清晰。而（d）图中的虚线框部分可以看到模糊的绑定键合线，（e）图中实线框部分的引脚和虚线框部分的绑定键合线比其它图更加清晰。
实际上，金属线在受到机械冲击时很容易脱落和断裂，图5的（e）图中虚线框部分清晰地显示了四根绑定键合线和芯片衬底镀银的形状，结果表明使用该集成电路图像增强方法得到的增强图像，能够更有效地提取封装后芯片的细微特征。各项评价指标的对比如下表所示：
Figure 518810DEST_PATH_IMAGE048
从该表中可看到，使用基于公式（1）的方法生成的太赫兹图像作为处理对象更有利获得芯片的细微特征；使用该集成电路图像增强方法得到的增强图像的各项评价指标均优于其它图像，其中，AG值越大，表明该方法得到的图像清晰度越好；SD和SF越大，表明包含的图像细节越多，图像对比度越好；RMSE越大，表明失真越小。
对比试验二
分别采用振幅成像法和基于公式（1）的方法生成封装芯片#2的太赫兹图像，利用振幅成像法得到的太赫兹图像如图6中的（a）所示，基于公式（1）的方法生成的太赫兹图像如图6中的（c）所示，图6中，（b）为采用MSR方法对（a）图进行增强处理得到的增强图像，（d）为采用MSR方法对（c）图进行增强处理得到的增强图像，（e）为采用该集成电路图像增强方法对（c）图进行增强处理得到的增强图像。其中（a）图的方框部分的细节比较模糊，（b）图仍然不能表达出足够的图像细节。（c）图对比（a）图能够显示更多的图像特征，但清晰度不够好，（d）图中方框中的芯片引脚和绑定键合线仍然难以区分，（e）图中方框中的芯片引脚和绑定键合线可清晰区分。
图6的（e）图中方框部分清晰地显示了四根绑定键合线和芯片衬底镀银的形状，结果表明使用该集成电路图像增强方法得到的增强图像，能够更有效地提取封装后芯片的细微特征。各项评价指标的对比如下表所示：
Figure 624169DEST_PATH_IMAGE049
从该表中可看到，使用基于公式（1）的方法生成的太赫兹图像作为处理对象更有利获得芯片的细微特征；使用该集成电路图像增强方法得到的增强图像的各项评价指标均优于其它图像，其中，AG值越大，表明该方法得到的图像清晰度越好；SD和SF越大，表明包含的图像细节越多，图像对比度越好；RMSE越大，表明失真越小。
对比试验三
分别采用振幅成像法和基于公式（1）的方法生成封装芯片#3的太赫兹图像，利用振幅成像法得到的太赫兹图像如图7中的（a）所示，基于公式（1）的方法生成的太赫兹图像如图7中的（c）所示，图7中，（b）为采用MSR方法对（a）图进行增强处理得到的增强图像，（d）为采用MSR方法对（c）图进行增强处理得到的增强图像，（e）为采用该集成电路图像增强方法对（c）图进行增强处理得到的增强图像。其中（a）图、（b）图的方框部分均不清晰。（c）图的方框部分比较模糊，其中的缺陷情况容易被忽略。（d）图相对于（b）图，方框部分的清晰度改善情况不理想，无法分辨出介质层的裂纹。（e）图的虚线框部分可以明显看到介质层的裂纹，且能看到右边的键合线明显地发生断裂，并清晰地显示左右两侧严重不对称。
结果表明使用该集成电路图像增强方法得到的增强图像，能够更有效地提取封装后芯片的细微特征。各项评价指标的对比如下表所示：
Figure 698305DEST_PATH_IMAGE050
从该表中可看到，使用基于公式（1）的方法生成的太赫兹图像作为处理对象更有利获得芯片的细微特征；使用该集成电路图像增强方法得到的增强图像的各项评价指标均优于其它图像，其中，AG值越大，表明该方法得到的图像清晰度越好；SD和SF越大，表明包含的图像细节越多，图像对比度越好；RMSE越大，表明失真越小。
对比试验四
分别采用振幅成像法和基于公式（1）的方法生成封装芯片#4的太赫兹图像，利用振幅成像法得到的太赫兹图像如图8中的（a）所示，基于公式（1）的方法生成的太赫兹图像如图8中的（c）所示，图8中，（b）为采用MSR方法对（a）图进行增强处理得到的增强图像，（d）为采用MSR方法对（c）图进行增强处理得到的增强图像，（e）为采用该集成电路图像增强方法对（c）图进行增强处理得到的增强图像。其中，（b）图对比（a）图清晰度改善效果较差，且存在比较明显的噪声。（c）图的图像虽然比较模糊，但对比（a）图包含更多的细节特征。（d）图对比（c）图，图像清晰度有所改善但改善效果不理想。（e）图对比（c）图，图像清晰度有较大改善，且改善效果比（d）图更优。
图8中的（e）图显示了在虚线框左侧处的两个断裂的钢丝键合，并显示了在虚线框右侧处的封装介质层出现分层情况，这些缺陷从图8中的其它图中几乎无法检测到。结果表明使用该集成电路图像增强方法得到的增强图像，能够更有效地提取封装后芯片的细微特征。各项评价指标的对比如下表所示：
Figure 194008DEST_PATH_IMAGE051
从该表中可看到，使用基于公式（1）的方法生成的太赫兹图像作为处理对象更有利获得芯片的细微特征；使用该集成电路图像增强方法得到的增强图像的各项评价指标均优于其它图像，其中，AG值越大，表明该方法得到的图像清晰度越好；SD和SF越大，表明包含的图像细节越多，图像对比度越好；RMSE越大，表明失真越小。
对比试验五
分别采用振幅成像法和基于公式（1）的方法生成封装芯片#5的太赫兹图像，利用振幅成像法得到的太赫兹图像如图9中的（a）所示，基于公式（1）的方法生成的太赫兹图像如图9中的（c）所示，图9中，（b）为采用MSR方法对（a）图进行增强处理得到的增强图像，（d）为采用MSR方法对（c）图进行增强处理得到的增强图像，（e）为采用该集成电路图像增强方法对（c）图进行增强处理得到的增强图像。
图9中的（e）图显示了在实线框部分的衬底分层，且出现了一个不规则的介质层腔，这种不规则的腔体在图9中的其它图中是看不到的。（e）图还清晰地显示了虚线框部分的计数孔的形状，图9中的其它图中该计数孔的图像比较模糊。结果表明使用该集成电路图像增强方法得到的增强图像，能够更有效地提取封装后芯片的细微特征。各项评价指标的对比如下表所示：
Figure 316685DEST_PATH_IMAGE052
从该表中可看到，使用基于公式（1）的方法生成的太赫兹图像作为处理对象更有利获得芯片的细微特征；使用该集成电路图像增强方法得到的增强图像的各项评价指标均优于其它图像，其中，AG值越大，表明该方法得到的图像清晰度越好；SD和SF越大，表明包含的图像细节越多，图像对比度越好；RMSE越大，表明失真越小。
通过以上对比试验可以看到，使用基于公式（1）的方法生成集成电路的太赫兹图像作为处理对象，进而使用本申请的集成电路图像增强方法来对该太赫兹图像进行增强处理得到增强图像，通过该增强图像可以比较容易地检测出绑定键合线断裂、介质层裂纹和分层等IC失效类型，该集成电路图像增强方法对集成电路缺陷检测具有积极的影响：可以使增强后的太赫兹图像具有较高对比度，并可提取更多的纹理细节，还可提高图像的整体亮度，克服了通过现有技术得到的增强图像无法检测集成电路的细微缺陷的问题。
由上可知，该集成电路图像增强方法，通过获取集成电路的待处理的太赫兹图像；利用多尺度高斯函数对待处理的太赫兹图像进行去模糊处理，得到多个第一图像；对多个第一图像进行平均处理得到平均图像；利用LatLRR算法对平均图像进行多尺度分解得到多个细节图像；利用Bregman迭代算法对平均图像进行增强处理，得到第二图像；对多个细节图像和第二图像进行平均处理得到增强图像；从而可得到细节特征清晰的太赫兹图像，使图像的隐藏特征显现，与现有技术相比，得到的图像更有利于准确地判断集成电路的电介质层断裂、裂纹和分层等缺陷情况。
请参考图2，本申请提供了一种集成电路图像增强装置，用于对集成电路的太赫兹图像进行增强处理；包括：
第一获取模块1，用于获取集成电路的待处理的太赫兹图像；
去模糊模块2，用于利用多尺度高斯函数对待处理的太赫兹图像进行去模糊处理，得到多个第一图像；
第一平均处理模块3，用于对多个第一图像进行平均处理得到平均图像；
分解模块4，用于利用LatLRR算法对平均图像进行多尺度分解得到多个细节图像；
第一增强模块5，用于利用Bregman迭代算法对平均图像进行增强处理，得到第二图像；
第二平均处理模块6，用于对多个细节图像和第二图像进行平均处理得到增强图像。
该集成电路图像增强装置，先利用多尺度高斯函数对集成电路的原始的太赫兹图像进行去模糊处理后通过平均处理得到平均图像，再利用LatLRR算法对平均图像进行多尺度分解以从多个表示层次上提取多尺度的细节图像，同时用Bregman迭代算法对平均图像进行增强处理得到第二图像，最终用平均策略对第二图像和多个细节图像进行处理，得到增强图像，可得到细节特征清晰的太赫兹图像，使图像的隐藏特征显现，与现有的使用MSR得到的增强图像相比，得到的图像更有利于准确地判断集成电路的电介质层断裂、裂纹和分层等缺陷情况。
其中，集成电路的待处理的太赫兹图像是用THz-TDS系统（太赫兹时域光谱系统）采集的集成电路的图像。其中，采集太赫兹图像时，可使用振幅成像方法生成太赫兹图像（此为现有技术，此处不对其进行详述），或者更优选地，采用以下方式生成太赫兹图像：
在0.3 THz到0.55 THz的变频带范围对集成电路进行逐点光栅扫描；
通过以下公式计算各位置点的像素值，从而生成集成电路的待处理的太赫兹图像：
Figure 853714DEST_PATH_IMAGE053
（1）；
其中，
Figure 708538DEST_PATH_IMAGE009
是集成电路的待处理的太赫兹图像的（x，y）位置点的像素值，
Figure 19433DEST_PATH_IMAGE010
是设备系统参数（该设备系统参数由截断比和辐照度决定，在本实施例中，k=1.09），
Figure 8118DEST_PATH_IMAGE011
是THz-TDS系统的数值孔径，
Figure 760173DEST_PATH_IMAGE012
是太赫兹光束的频率（从0.3 THz到0.55 THz变化，该公式（1）中计算从0.3 THz到0.55 THz的积分），
Figure 192423DEST_PATH_IMAGE013
是光速，
Figure 725035DEST_PATH_IMAGE014
是光束束腰处的光斑半径，
Figure 127198DEST_PATH_IMAGE015
是样品（集成电路）的吸收系数，z是光束束腰到样品的轴向距离。
优选地，去模糊模块2用于在利用多尺度高斯函数对待处理的太赫兹图像进行去模糊处理，得到多个第一图像的时候，执行：
分别用待处理的太赫兹图像的图像矩阵与多个尺度的低通带高斯函数进行卷积运算，并对运算结果进行反傅里叶变换，得到多个尺度的模糊滤波器；
针对每个尺度，用待处理的太赫兹图像的图像矩阵减去对应尺度的模糊滤波器，得到对应尺度的第一图像的图像矩阵。
其中，图像矩阵是指由图像中各像素点的像素值组成的矩阵；待处理的太赫兹图像的图像矩阵是指由待处理的太赫兹图像各像素点的像素值组成的矩阵；第一图像的图像矩阵是指由第一图像各像素点的像素值组成的矩阵。
其中，对于（x，y）像素点，其第n个尺度的低通带高斯函数为：
Figure 123973DEST_PATH_IMAGE016
（2）；
其中，x、y为像素点的坐标值，
Figure 648495DEST_PATH_IMAGE017
为（x，y）像素点的第n个尺度的低通带高斯函数值，
Figure 606087DEST_PATH_IMAGE018
是第n个尺度的标准差；其中，可通过该公式（2）和以下公式（3），计算得到各尺度的
Figure 185841DEST_PATH_IMAGE018
的值：
Figure 974806DEST_PATH_IMAGE019
（3）。
去模糊模块2用于在分别用待处理的太赫兹图像的图像矩阵与多个尺度的低通带高斯函数进行卷积运算，并对运算结果进行反傅里叶变换，得到多个尺度的模糊滤波器的时候：用待处理的太赫兹图像的图像矩阵
Figure 873492DEST_PATH_IMAGE020
分别与各尺度的低通带高斯函数
Figure 177434DEST_PATH_IMAGE021
进行卷积运算然后对运算结果进行反傅里叶变换，可得到对应的模糊滤波器
Figure 983716DEST_PATH_IMAGE022
，其中该
Figure 96029DEST_PATH_IMAGE022
为矩阵，包含各像素点对应的模糊滤波器数值
Figure 509823DEST_PATH_IMAGE023
，该
Figure 504324DEST_PATH_IMAGE023
为（x，y）像素点的模糊滤波器数值。
去模糊模块2用于在针对每个尺度，用待处理的太赫兹图像的图像矩阵减去对应尺度的模糊滤波器，得到对应尺度的第一图像的图像矩阵的时候：通过以下公式计算第一图像的图像矩阵：
Figure 51980DEST_PATH_IMAGE024
；
其中，
Figure 877854DEST_PATH_IMAGE003
为第n尺度下的第一图像的图像矩阵。具体地，对于
Figure 852763DEST_PATH_IMAGE025
中的任一位置（x，y）的像素点的像素值由以下公式计算得到：
Figure 334560DEST_PATH_IMAGE026
；
其中，
Figure 794229DEST_PATH_IMAGE027
为第n尺度下的第一图像的（x，y）像素点的像素值，
Figure 615555DEST_PATH_IMAGE028
为待处理的太赫兹图像的（x，y）像素点的像素值，
Figure 823682DEST_PATH_IMAGE029
为第n尺度下的（x，y）像素点的模糊滤波器数值。
利用多尺度高斯函数进行去模糊处理，可有效恢复图像场景辐照亮度和去除雾霾，更有利于后续通过LatLRR算法进行多尺度分解提取特征。
其中，进行去模糊处理时采用的高斯函数的尺度数可根据实际需要设，优选地，去模糊模块2用于在利用多尺度高斯函数对待处理的太赫兹图像进行去模糊处理，得到多个第一图像的时候，执行：
利用三个尺度的高斯函数对待处理的太赫兹图像进行去模糊处理，得到三个第一图像。
即前文中的n=1，2，3；得到的第一图像的图像矩阵分别为
Figure 589513DEST_PATH_IMAGE030
、
Figure 478971DEST_PATH_IMAGE031
、
Figure 217120DEST_PATH_IMAGE032
；一般地，小尺度取值为
Figure 143619DEST_PATH_IMAGE033
，中尺度取值为
Figure 537691DEST_PATH_IMAGE034
，大尺度取值为
Figure 27578DEST_PATH_IMAGE035
，从而优选地，对应三个尺度的高斯函数，其标准差
Figure 948130DEST_PATH_IMAGE036
、
Figure 435743DEST_PATH_IMAGE037
、
Figure 113849DEST_PATH_IMAGE038
分别在小尺度范围、中尺度范围和大尺度范围取值。利用三个尺度的高斯函数对待处理的太赫兹图像进行去模糊处理，恢复图像场景辐照亮度和去除雾霾的效果较佳。
优选地，第一平均处理模块3用于在对多个第一图像进行平均处理得到平均图像的时候，执行：
通过以下公式计算平均图像的图像矩阵：
Figure 730730DEST_PATH_IMAGE039
；
其中，
Figure 115575DEST_PATH_IMAGE002
为平均图像的图像矩阵，
Figure 836407DEST_PATH_IMAGE003
为第n个尺度下的第一图像的图像矩阵，
Figure 329705DEST_PATH_IMAGE040
是第一图像的数量（也等于去模糊处理时采用的高斯函数的尺度数，例如当使用三个尺度的高斯函数对待处理的太赫兹图像进行去模糊处理时，
Figure 99078DEST_PATH_IMAGE040
=3）。
对多个第一图像进行平均处理的优点在于：增强算法的鲁棒性，防止由于多种原因导致某些像素点数值过高。
其中，利用LatLRR算法对图像分解的方法为现有技术，每次分解可把图像分解为基础图像和细节图像。本实施例中，分解模块4用于在利用LatLRR算法对平均图像进行多尺度分解得到多个细节图像的时候，执行：利用LatLRR算法对平均图像进行首次分解得到第一次分解的基础图像和细节图像后，然后依次对上一次分解得到的基础图像进行分解得到本次分解的基础图像和细节图像，直到分解次数达到预设的次数（即对平均图像进行多尺度分解的尺度数等于该预设的次数）。该过程可用以下公式表达：
Figure 479375DEST_PATH_IMAGE041
s.t.
Figure 371107DEST_PATH_IMAGE042
；
其中，
Figure 961489DEST_PATH_IMAGE043
为第i尺度下的（即第i次分解后的）细节部分（是输入图像
Figure 659186DEST_PATH_IMAGE044
的分解结果），
Figure 80940DEST_PATH_IMAGE045
为第i尺度下的细节图像的图像矩阵，
Figure 81257DEST_PATH_IMAGE046
为第i尺度下的基础图像的图像矩阵，
Figure 532836DEST_PATH_IMAGE047
为初始矩阵，其中，L为算法学习到的投影矩阵， P(·)为两级算子（由滑动窗口和循环迭代函数组成）。R(·)表示从细节部分重建细节图像的算子。 K为利用LatLRR算法对平均图像进行分解的尺度数（即分解次数）。
其中，利用LatLRR算法对平均图像进行分解的尺度数可根据实际需要设置，例如，在本实施例中，分解模块4用于在利用LatLRR算法对平均图像进行多尺度分解得到多个细节图像的时候，执行：
利用LatLRR算法对平均图像进行四个尺度分解得到四个细节图像。
利用LatLRR，可以在多个表示层次上提取多尺度细节矩阵。采用平均策略对增强后的图像进行细节处理和预增强处理，可有效地用于封装IC图像的多级特征提取，使隐藏特征出现。
其中，利用Bregman迭代算法对图像进行增强处理的具体方法为现有技术，此处不对其进行详述。
进一步地，第二平均处理模块6用于在对多个细节图像和第二图像进行平均处理得到增强图像的时候，执行：
通过以下公式计算增强图像的图像矩阵：
Figure 971908DEST_PATH_IMAGE004
；
其中，
Figure 451430DEST_PATH_IMAGE005
为增强图像的图像矩阵，
Figure 747283DEST_PATH_IMAGE006
为第i个尺度下的细节图像的图像矩阵，K为细节图像的数量（与利用LatLRR算法对平均图像进行分解的尺度数相同），
Figure 108994DEST_PATH_IMAGE007
为第二图像的图像矩阵。
由上可知，该集成电路图像增强装置，通过获取集成电路的待处理的太赫兹图像；利用多尺度高斯函数对待处理的太赫兹图像进行去模糊处理，得到多个第一图像；对多个第一图像进行平均处理得到平均图像；利用LatLRR算法对平均图像进行多尺度分解得到多个细节图像；利用Bregman迭代算法对平均图像进行增强处理，得到第二图像；对多个细节图像和第二图像进行平均处理得到增强图像；从而可得到细节特征清晰的太赫兹图像，使图像的隐藏特征显现，与现有技术相比，得到的图像更有利于准确地判断集成电路的电介质层断裂、裂纹和分层等缺陷情况。
请参照图3，图3为本申请实施例提供的一种电子设备的结构示意图，该电子设备包括：处理器301和存储器302，处理器301和存储器302通过通信总线303和/或其他形式的连接机构（未标出）互连并相互通讯，存储器302存储有处理器301可执行的计算机程序，当电子设备运行时，处理器301执行该计算机程序，以执行上述实施例的任一可选的实现方式中的集成电路图像增强方法，以实现以下功能：获取集成电路的待处理的太赫兹图像；利用多尺度高斯函数对待处理的太赫兹图像进行去模糊处理，得到多个第一图像；对多个第一图像进行平均处理得到平均图像；利用LatLRR算法对平均图像进行多尺度分解得到多个细节图像；利用Bregman迭代算法对平均图像进行增强处理，得到第二图像；对多个细节图像和第二图像进行平均处理得到增强图像。
本申请实施例提供一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的集成电路图像增强方法，以实现以下功能：获取集成电路的待处理的太赫兹图像；利用多尺度高斯函数对待处理的太赫兹图像进行去模糊处理，得到多个第一图像；对多个第一图像进行平均处理得到平均图像；利用LatLRR算法对平均图像进行多尺度分解得到多个细节图像；利用Bregman迭代算法对平均图像进行增强处理，得到第二图像；对多个细节图像和第二图像进行平均处理得到增强图像。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random Access Memory, 简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory, 简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read Only Memory, 简称EPROM），可编程只读存储器（Programmable Red-Only Memory, 简称PROM），只读存储器（Read-OnlyMemory, 简称ROM），磁存储器，快闪存储器，磁盘或光盘。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种集成电路图像增强方法，用于对集成电路的太赫兹图像进行增强处理；其特征在于，包括以下步骤：
A1.获取所述集成电路的待处理的太赫兹图像；
A2.利用多尺度高斯函数对所述待处理的太赫兹图像进行去模糊处理，得到多个第一图像；
A3.对所述多个第一图像进行平均处理得到平均图像；
A4.利用LatLRR算法对所述平均图像进行多尺度分解得到多个细节图像；
A5.利用Bregman迭代算法对所述平均图像进行增强处理，得到第二图像；
A6.对所述多个细节图像和所述第二图像进行平均处理得到增强图像；
步骤A6包括：
通过以下公式计算所述增强图像的图像矩阵：
Figure DEST_PATH_IMAGE001
；
其中，
Figure DEST_PATH_IMAGE002
为所述增强图像的图像矩阵，
Figure DEST_PATH_IMAGE003
为第i个尺度下的所述细节图像的图像矩阵，K为细节图像的数量，
Figure DEST_PATH_IMAGE004
为所述第二图像的图像矩阵。
2.根据权利要求1所述的集成电路图像增强方法，其特征在于，步骤A2包括：
分别用所述待处理的太赫兹图像的图像矩阵与多个尺度的低通带高斯函数进行卷积运算，并对运算结果进行反傅里叶变换，得到多个尺度的模糊滤波器；
针对每个尺度，用所述待处理的太赫兹图像的图像矩阵减去对应尺度的模糊滤波器，得到对应尺度的第一图像的图像矩阵。
3.根据权利要求1所述的集成电路图像增强方法，其特征在于，步骤A2包括：
利用三个尺度的高斯函数对所述待处理的太赫兹图像进行去模糊处理，得到三个所述第一图像。
4.根据权利要求1所述的集成电路图像增强方法，其特征在于，步骤A3包括：
通过以下公式计算所述平均图像的图像矩阵：
Figure DEST_PATH_IMAGE005
；
其中，
Figure DEST_PATH_IMAGE006
为所述平均图像的图像矩阵，
Figure DEST_PATH_IMAGE007
为第n个尺度下的所述第一图像的图像矩阵，k是第一图像的数量。
5.根据权利要求1所述的集成电路图像增强方法，其特征在于，步骤A4包括：
利用LatLRR算法对所述平均图像进行四个尺度分解得到四个所述细节图像。
6.一种集成电路图像增强装置，用于对集成电路的太赫兹图像进行增强处理；其特征在于，包括：
第一获取模块，用于获取所述集成电路的待处理的太赫兹图像；
去模糊模块，用于利用多尺度高斯函数对所述待处理的太赫兹图像进行去模糊处理，得到多个第一图像；
第一平均处理模块，用于对所述多个第一图像进行平均处理得到平均图像；
分解模块，用于利用LatLRR算法对所述平均图像进行多尺度分解得到多个细节图像；
第一增强模块，用于利用Bregman迭代算法对所述平均图像进行增强处理，得到第二图像；
第二平均处理模块，用于对所述多个细节图像和所述第二图像进行平均处理得到增强图像；
所述第二平均处理模块用于在对所述多个细节图像和所述第二图像进行平均处理得到增强图像的时候，执行：
通过以下公式计算所述增强图像的图像矩阵：
Figure 115750DEST_PATH_IMAGE001
；
其中，
Figure 501732DEST_PATH_IMAGE002
为所述增强图像的图像矩阵，
Figure 15889DEST_PATH_IMAGE003
为第i个尺度下的所述细节图像的图像矩阵，K为细节图像的数量，
Figure 879940DEST_PATH_IMAGE004
为所述第二图像的图像矩阵。
7.根据权利要求6所述的集成电路图像增强装置，其特征在于，所述去模糊模块用于在利用多尺度高斯函数对所述待处理的太赫兹图像进行去模糊处理，得到多个第一图像的时候，执行：
分别用所述待处理的太赫兹图像的图像矩阵与多个尺度的低通带高斯函数进行卷积运算，并对运算结果进行反傅里叶变换，得到多个尺度的模糊滤波器；
针对每个尺度，用所述待处理的太赫兹图像的图像矩阵减去对应尺度的模糊滤波器，得到对应尺度的第一图像的图像矩阵。
8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时，运行如权利要求1-5任一项所述集成电路图像增强方法中的步骤。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-5任一项所述集成电路图像增强方法中的步骤。
CN202111295516.XA 2021-11-03 2021-11-03 集成电路图像增强方法、装置、电子设备及存储介质 Active CN113744163B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111295516.XA CN113744163B (zh) 2021-11-03 2021-11-03 集成电路图像增强方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111295516.XA CN113744163B (zh) 2021-11-03 2021-11-03 集成电路图像增强方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113744163A CN113744163A (zh) 2021-12-03
CN113744163B true CN113744163B (zh) 2022-02-08

Family

ID=78727219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111295516.XA Active CN113744163B (zh) 2021-11-03 2021-11-03 集成电路图像增强方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113744163B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114004833B (zh) * 2021-12-30 2022-04-01 首都师范大学 复合材料太赫兹成像分辨力增强方法、装置、设备和介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104517270A (zh) * 2014-12-25 2015-04-15 深圳市一体太赫兹科技有限公司 一种太赫兹图像处理方法及系统
CN104764712A (zh) * 2015-04-29 2015-07-08 浙江工业大学 一种pcb过孔内壁质量的检测方法
CN110084812A (zh) * 2019-05-10 2019-08-02 广东工业大学 一种太赫兹图像缺陷检测方法、装置、系统及存储介质
CN110674835A (zh) * 2019-03-22 2020-01-10 集美大学 一种太赫兹成像方法及系统和一种无损检测方法及系统
CN111968119A (zh) * 2020-10-21 2020-11-20 季华实验室 基于半导体缺陷检测的图像处理方法、装置、设备及介质
CN111986098A (zh) * 2020-05-14 2020-11-24 南京航空航天大学 一种含固定背景的被动式太赫兹图像增强方法
CN112115979A (zh) * 2020-08-24 2020-12-22 深圳大学 一种红外图像和可见图像的融合方法及设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11308589B2 (en) * 2018-05-03 2022-04-19 Canon Virginia, Inc. Devices, systems, and methods for enhancing images
US9378542B2 (en) * 2011-09-28 2016-06-28 The United States Of America As Represented By The Secretary Of The Army System and processor implemented method for improved image quality and generating an image of a target illuminated by quantum particles
CN110809885A (zh) * 2017-06-28 2020-02-18 高途乐公司 图像传感器瑕疵检测
CN112561804A (zh) * 2020-10-09 2021-03-26 天津大学 基于多尺度细节增强的低光照水下图像增强方法
CN112233201A (zh) * 2020-12-14 2021-01-15 季华实验室 太赫兹图像重构方法、装置、存储介质及终端

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104517270A (zh) * 2014-12-25 2015-04-15 深圳市一体太赫兹科技有限公司 一种太赫兹图像处理方法及系统
CN104764712A (zh) * 2015-04-29 2015-07-08 浙江工业大学 一种pcb过孔内壁质量的检测方法
CN110674835A (zh) * 2019-03-22 2020-01-10 集美大学 一种太赫兹成像方法及系统和一种无损检测方法及系统
CN110084812A (zh) * 2019-05-10 2019-08-02 广东工业大学 一种太赫兹图像缺陷检测方法、装置、系统及存储介质
CN111986098A (zh) * 2020-05-14 2020-11-24 南京航空航天大学 一种含固定背景的被动式太赫兹图像增强方法
CN112115979A (zh) * 2020-08-24 2020-12-22 深圳大学 一种红外图像和可见图像的融合方法及设备
CN111968119A (zh) * 2020-10-21 2020-11-20 季华实验室 基于半导体缺陷检测的图像处理方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113744163A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
US7783103B2 (en) Defect detecting device, image sensor device, image sensor module, image processing device, digital image quality tester, and defect detecting method
CN109191387B (zh) 一种基于巴特沃斯滤波器的红外图像去噪方法
Dai et al. Retinal fundus image enhancement using the normalized convolution and noise removing
US20170186144A1 (en) Method, image processing system and computer-readable recording medium for item defect inspection
CN108596895B (zh) 基于机器学习的眼底图像检测方法、装置及系统
JP2001133418A (ja) 形状特徴に基づく欠陥検出の方法及び装置
JPH11110561A (ja) 画像情報処理装置
CN113744163B (zh) 集成电路图像增强方法、装置、电子设备及存储介质
CN111968119A (zh) 基于半导体缺陷检测的图像处理方法、装置、设备及介质
WO2020062843A1 (zh) 药丸包衣图像处理方法、装置、计算机设备和存储介质
CN116012346A (zh) 一种输电线路监测方法及系统
CN112017109B (zh) 一种在线铁谱视频图像气泡的消除方法
CN112014349A (zh) 太赫兹时域光谱成像复原方法、装置、存储介质及终端
CN107909554B (zh) 图像降噪方法、装置、终端设备及介质
CN111598801A (zh) 一种用于微弱Mura缺陷的识别方法
CN111353992B (zh) 一种基于纹理特征的农产品缺陷检测方法及系统
CN117437219B (zh) 基于计算机视觉的磁胶电感不规则外观缺陷检测方法
Lin Tiny surface defect inspection of electronic passive components using discrete cosine transform decomposition and cumulative sum techniques
CN114140481A (zh) 一种基于红外图像的边缘检测方法、装置
CN111476750A (zh) 对成像模组进行污点检测的方法、装置、系统及存储介质
CN111415365B (zh) 图像检测方法及装置
CN114166849B (zh) 一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法
CN115984246A (zh) 基于机器视觉的缺陷快速检测方法及装置、设备、存储介质
CN113362288B (zh) 一种金手指划伤检测方法、装置以及电子设备
CN113744162B (zh) 工业产品图像增强方法、装置、电子设备及存储介质

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