CN115841496A - Sem图像的轮廓提取方法、装置、计算机设备及存储介质 - Google Patents
Sem图像的轮廓提取方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115841496A CN115841496A CN202211291246.XA CN202211291246A CN115841496A CN 115841496 A CN115841496 A CN 115841496A CN 202211291246 A CN202211291246 A CN 202211291246A CN 115841496 A CN115841496 A CN 115841496A
- Authority
- CN
- China
- Prior art keywords
- contour
- sem image
- points
- extracting
- bezier curve
- 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
- 238000001878 scanning electron micrograph Methods 0.000 title claims abstract description 140
- 238000000605 extraction Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 66
- 230000006870 function Effects 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 239000004065 semiconductor Substances 0.000 abstract description 4
- 238000001459 lithography Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000012216 screening Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及半导体制造、计算光刻技术领域，具体涉及一种SEM图像的轮廓提取方法、装置、计算机设备及存储介质。SEM图像的轮廓提取方法包括以下步骤：从SEM图像中提取出M个离散的轮廓点，其中M为整数；随机选取N个初始控制点，基于N个初始控制点得到初始贝塞尔曲线，其中N为整数且N小于等于M；对N个初始控制点进行校准以使初始贝塞尔曲线与M个轮廓点逐渐贴合得到校准后的贝塞尔曲线；将校准后得到的贝塞尔曲线作为SEM图像提取的轮廓信息输出。本发明的轮廓提取方法解决了现有的SEM图像的轮廓提取技术中，轮廓提取结果数据量大及轮廓信息丢失的技术问题。本发明的轮廓提取装置、计算机设备及存储介质具有与轮廓提取方法相同的有益效果。
Description
【技术领域】
本发明涉及半导体制造、计算光刻技术领域，具体涉及一种SEM图像的轮廓提取方法、装置、计算机设备及存储介质。
【背景技术】
SEM(即扫描电子显微镜)对光刻胶扫描后得到SEM图像。SEM图像是半导体制造领域中的重要技术手段，可用于图形关键尺寸测量等过程。因此需将SEM图像中的图形轮廓准确提取并高效存储。常见的SEM图像轮廓提取技术是将图形轮廓上的一系列离散点的坐标提取并保存下来，数据量大，且无法覆盖整个轮廓线条。也即是现有的SEM图像的轮廓提取技术中，存在轮廓提取结果数据量大及轮廓信息丢失等问题。
【发明内容】
为解决现有技术中的SEM图像轮廓提取数据量大且轮廓信息易丢失的技术问题，本发明提供了一种SEM图像的轮廓提取方法及存储介质。
为了解决上述技术问题，本发明的技术方案是提供一种SEM图像的轮廓提取方法，所述SEM图像的轮廓提取方法包括以下步骤：
从所述SEM图像中提取出M个离散的轮廓点，其中M为整数；
随机选取N个初始控制点，基于N个所述初始控制点得到初始贝塞尔曲线，其中N为整数且N小于等于M；
对N个所述初始控制点进行校准以使所述初始贝塞尔曲线与M个所述轮廓点逐渐贴合得到校准后的贝塞尔曲线；
将校准后的贝塞尔曲线作为所述SEM图像提取的轮廓信息输出。
优选地，对N个所述初始控制点进行校准以使所述贝塞尔曲线与所述轮廓点逐渐贴合具体包括步骤：
根据M个所述轮廓点和所述贝塞尔曲线生成预设的损失函数；
基于预设的梯度算法迭代移动所述初始控制点直至所述损失函数满足预设条件；
获取满足预设条件后的当前控制点的最终位置信息；
基于所述最终位置信息得到校准后的贝塞尔曲线。
优选地，所述预设的损失函数满足：根据M个所述轮廓点和贝塞尔曲线之间的距离的平方之和建立所述预设的损失函数。
优选地，所述预设的梯度算法为梯度下降法。
优选地，根据所述初始控制点相对下一次迭代后的控制点的方向信息及距离信息确定迭代移动的方向。
优选地，所述预设条件具体为：所述损失函数的优化程度变化值小于预设阈值。
优选地，从所述SEM图像中提取出M个离散的轮廓点具体为：
对所述SEM图像进行像素化处理并得到原始矩阵；
对原始矩阵进行高斯滤波处理后得到图像矩阵并计算所述图像矩阵中的所有像素点的梯度值；
获取梯度值在预设范围内的所有像素点，并在所选的所有像素点中沿梯度方向寻找峰值点；
所述峰值点即为从SEM图像中提取出M个离散的轮廓点。
本发明解决上述技术问题的又一方案是提供一种SEM图像的轮廓提取装置，应用于上述的一种SEM图像的轮廓提取方法，所述SEM图像的轮廓提取装置包括：
提取模块：用于从所述SEM图像中提取出M个离散的轮廓点，其中M为整数；
计算模块：用于基于N个所述初始控制点得到初始贝塞尔曲线，其中N为整数且N小于等于M；
校准模块：用于对N个所述初始控制点进行校准使所述初始贝塞尔曲线与M个所述轮廓点逐渐贴合得到校准后的贝塞尔曲线；
输出模块：用于输出校准后的贝塞尔曲线。
本发明解决上述技术问题的又一方案是提供一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行上述计算机程序以实现如上任一项所述的SEM图像的轮廓提取方法的步骤。
本发明解决上述技术问题的又一方案是提供一种存储介质，包括处理器，所述存储介质被处理器执行时实现如上任一项所述的一种SEM图像的轮廓提取方法。
与现有技术相比，本发明提供的一种SEM图像的轮廓提取方法具有以下优点：
1、本发明的实施例提供的SEM图像的轮廓提取方法，由于贝塞尔曲线是一种可导的数学曲线，因此其可以用有限的初始控制点来描述一段连续光滑的曲线。所以本发明先从SEM图像中提取出M个离散的轮廓点，再随机选取N个初始控制点计算获得初始贝塞尔曲线；然后再将N个初始控制点基于预设的校准方法进行校准，从而使得初始贝塞尔曲线与M个轮廓点贴合以得到校准后的贝塞尔曲线，通过这样的设计能够更好地以及更精准地表示出SEM图像的轮廓信息。此外，由于本发明将校准后的贝塞尔曲线表示为SEM图像中的轮廓，因此本发明得到的SEM图像轮廓提取的结果数据量较小。由此可见，通过此方法提取出的SEM图像的轮廓更加完整且精准、提取的结果数据量较小以及提取的轮廓连续光滑。
2、本发明的实施例提供的SEM图像的轮廓提取方法，通过M个轮廓点和贝塞尔曲线生成预设的损失函数，并基于预设的梯度算法迭代移动初始控制点直到损失函数满足预设条件的设计，由于随机选取的初始控制点无法直接得到与SEM图像的轮廓且得到的轮廓曲线部光滑，因此需要将初始控制点基于预设的梯度算法按预设方向迭代移动，从而使得后续得到的贝塞尔曲线更加连续且光滑，也即是本发明通过预设的校准方法校准后的贝塞尔曲线更加光滑且连续，进而能够更好地恢复出SEM图像中完整的轮廓信息。
3、本发明的实施例提供的SEM图像的轮廓提取方法，通过根据M个轮廓点和贝塞尔曲线之间的距离的平方之和建立预设的损失函数的设计，能够使得校准更加精确。
4、本发明的实施例提供的SEM图像的轮廓提取方法，通过使用梯度下降法迭代初始控制点的设计，能够确认迭代后的控制点的移动方向信息和距离信息。
5、本发明的实施例提供的SEM图像的轮廓提取方法，根据初始控制点相对下一次迭代后的控制点的方向信息及距离信息确定迭代移动的方向。通过此设计，可以按照确定的位置信息去移动控制点以完成下一轮的迭代过程，能够减小计算量，从而能够更加精准地且快速地确定出SEM图像的轮廓信息。
6、本发明的实施例提供的SEM图像的轮廓提取方法，通过该方法去提取SEM图像的轮廓点的设计，能够使得在没有GDS版图文件的情况下，仅仅根据SEM图像就能够快速且精准地提取出M个轮廓点。
7、本发明的实施例提供的SEM图像的轮廓提取装置，具有与本发明的SEM图像的轮廓提取方法相同的有益效果，在此不再赘述。
8、本发明的实施例提供的计算机设备，具有与本发明的SEM图像的轮廓提取方法相同的有益效果，在此不再赘述。
9、本发明的实施例提供的存储介质，具有与本发明的SEM图像的轮廓提取方法相同的有益效果，在此不再赘述。
【附图说明】
图1是本发明的第一实施例提供的SEM图像的轮廓提取方法的流程示意图；
图2是本发明的第一实施例提供的SEM图像的轮廓提取方法之详细步骤流程示意图一；
图3是本发明的第一实施例提供的SEM图像的轮廓提取方法之SEM图像示意图一；
图4是本发明的第一实施例提供的SEM图像的轮廓提取方法之提取出的SEM图像M个轮廓点示意图；
图5(a)～(c)是本发明的第一实施例提供的SEM图像的轮廓提取方法之对初始控制点校准过程中的状态示意图；
图6是本发明的第一实施例提供的SEM图像的轮廓提取方法之详细步骤流程示意图一；
图7是本发明的第一实施例提供的SEM图像的轮廓提取方法之SEM图像示意图二；
图8(a)～(c)是本发明的第一实施例提供的SEM图像的轮廓提取方法之提取SEM图像M个轮廓点时的状态变化示意图；
图9是本发明的第二实施例提供的SEM图像的轮廓提取装置的系统框图。
附图标识说明：
1、SEM图像的轮廓提取方法；2、SEM图像的轮廓提取装置；
21、提取模块；22、计算模块；23、校准模块；24、输出模块。
【具体实施方式】
为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅图1，本发明的第一实施例提供了一种SEM图像的轮廓提取方法1，SEM图像的轮廓提取方法包括以下步骤：
S1：从SEM图像中提取出M个离散的轮廓点，其中M为整数；
S2：随机选取N个初始控制点，基于N个初始控制点得到初始贝塞尔曲线，其中N为整数且N小于等于M；
S3：对N个初始控制点进行校准以使贝塞尔曲线与M个轮廓点逐渐贴合得到校准后的贝塞尔曲线；
S4：将校准后得到的贝塞尔曲线作为SEM图像提取的轮廓信息输出。
可以理解地，现有的提取轮廓是将曲线上的一些轮廓点存储下来，后续将轮廓点两两连线，恢复成接近原轮廓的折线，这样会使得提取结果数据量大，轮廓信息会丢失等情况。因此，本发明先从SEM图像中提取出M个离散的轮廓点，再随机选取N个初始控制点计算获得初始贝塞尔曲线；由于贝塞尔曲线是一种可导的数学曲线，因此其可以用有限的初始控制点来描述一段连续光滑的曲线。然后再将N个初始控制点进行校准，从而使得初始贝塞尔曲线与M个轮廓点贴合进而得到校准后的贝塞尔曲线，最后再将校准后的贝塞尔曲线作为SEM图像提取的轮廓信息输出，可见，通过这样的设计能够更好地以及更精准地表示出SEM图像的轮廓信息。此外，由于本发明将校准后的贝塞尔曲线表示为SEM图像中的轮廓输出，因此本发明得到的SEM图像轮廓提取的结果数据量较小，此外，由于最终的控制点确定了之后，计算出来的轮廓曲线也是确定的，因此两者包含同样的信息。如果要将结果存储到硬盘，那就只需要存储最终的控制点，这样会使得提取的数据量较小；当需要将轮廓可视化，只需要基于最终的控制点将贝塞尔曲线算出来即可。由此可见，通过此方法提取出的SEM图像的轮廓更加完整且精准、提取的结果数据量较小以及提取的轮廓连续光滑。
需要说明的是，校准后的贝塞尔曲线与原轮廓接近，达到可接受的误差范围，但不会完全重合。恢复程度与预设的一些参数设置有关，如初始控制点的数量选择，初始控制点校准过程的迭代次数等。在具体应用时，可以通过调整这些参数来达到提到校准效率和恢复程度。
进一步地，请参阅图2，对N个初始控制点进行校准以使贝塞尔曲线与轮廓点逐渐贴合具体包括步骤：
S31：根据M个轮廓点和贝塞尔曲线生成预设的损失函数；
S32：基于预设的梯度算法迭代移动初始控制点直至损失函数满足预设条件；
S33：获取满足预设条件后的当前控制点的最终位置信息；
S34：基于最终位置信息得到校准后的贝塞尔曲线。
可以理解地，通过M个轮廓点和贝塞尔曲线生成预设的损失函数，并基于预设的梯度算法迭代移动初始控制点直到损失函数满足预设条件的设计，由于随机选取的初始控制点无法直接得到与SEM图像的轮廓且得到的轮廓曲线部不光滑，因此需要将初始控制点基于预设的梯度算法按预设方向迭代移动，从而使得后续得到的贝塞尔曲线更加贴近原始轮廓、连续且光滑，也即是本发明通过预设的校准方法校准后的贝塞尔曲线更加光滑且连续，进而能够更好地恢复出SEM图像中完整的轮廓信息。
进一步地，预设的损失函数满足：根据M个轮廓点和贝塞尔曲线之间的距离的平方之和建立预设的损失函数。
进一步地，预设的梯度算法为梯度下降法。
可以理解地，通过使用梯度下降法迭代初始控制点的设计，能够确认每一次迭代后的控制点相对前一次的控制点的移动方向信息和距离信息，方便后续迭代时按照这个方向信息和距离信息去移动控制点，从而进一步地减小了轮廓提取的结果数据量的计算量。
进一步地，根据初始控制点相对下一次迭代后的控制点的方向信息及距离信息确定迭代移动的方向。
可以理解地，通过此设计，可以按照确定的方向信息及距离信息去移动控制点以完成下一轮的迭代过程，能够减小计算量，从而能够更加精准地且快速地确定出SEM图像的轮廓信息。
进一步地，预设条件具体为：损失函数的优化程度变化值小于预设阈值。
需要说明的是，损失函数的优化程度指的是每一次迭代的数值相对于上一次迭代的数值的变化程度，只要在连续若干次的迭代后损失函数的当前数值相对上一次的数值不再明显下降时，就能够达到预设条件即可停止迭代。此外，预设阈值可以根据实际需求进行设定。
示例性的，请参阅图3，首先获取一张待处理的SEM图像，请参阅图4，再通过预设的轮廓提取方法提取出若干个离散的轮廓点，请参阅图5，且图5中的(a)～(c)分别表示：初始时、迭代过程中间、迭代校准结束后控制点对应的曲线。具体地，通过梯度下降法迭代移动N个初始控制点，基于梯度下降法能够确定每一个初始控制点相对下一迭代移动后的每一控制点的移动的方向信息及距离信息，在每一轮迭代过程中，根据前一次获得的方向信息和距离信息去移动每一控制点，且在每一次迭代移动的时候都需要计算损失函数的数值，当迭代至损失函数的数值不再明显下降时，就可以停止迭代，并将此次的贝塞尔曲线作为SEM图像提取出的轮廓信息。可见，通过本发明的轮廓提取方法提取出的轮廓信息能够是一条连续光滑且贴近原轮廓的一条曲线。
进一步地，请参阅图6，从SEM图像中提取出M个离散的轮廓点具体为：
S11：对SEM图像进行像素化处理并得到原始矩阵；
S12：对原始矩阵进行高斯滤波处理后得到图像矩阵并计算图像矩阵中的每一像素点的梯度值；
S13：获取梯度值在预设范围内的所有像素点，并在所选的所有像素点中沿梯度方向寻找峰值点；
峰值点即为从SEM图像中提取出M个离散的轮廓点。
需要说明的是，获取梯度值在预设范围内的所有像素点指的是获取梯度值较大的像素点。通过这样的设计，能够快速地识别出，进而提高后续轮廓点提取的速度以及精确度。
可以理解地，通过该方法去提取SEM图像的轮廓点的设计，能够使得在没有GDS版图文件的情况下，仅仅根据SEM图像就能够快速且精准地提取出M个轮廓点。此外，通过先获取在预设范围内的所有像素点，再在所选的像素点中寻找峰值点，能够使得提取的轮廓点速度更加快速、提取的轮廓点更加准确，从而方便后续的轮廓提取用。
具体地，在所有像素点中沿梯度方向寻找峰值点具体为：将图像矩阵划分为预设大小的分块，找出每个分块内梯度值最大的中间像素点；对所有分块内的中间像素点进行筛选，当中间像素点的梯度值大于预设的梯度阈值时，筛选出对应的关键像素点，并记录关键像素点的坐标和梯度方向；在图像矩阵中从关键像素点的坐标开始，沿关键像素点的梯度方向在预设的寻找范围内找出灰度值最小的像素点，该像素点即为峰值点。
可以理解地，将图像矩阵分块并筛选出可供参考的关键像素点，可以保证后续对峰值点的寻找是从SEM图像中线条的边缘开始，而灰度值最小的像素点即为SEM图像中某个范围内最亮的点(应理解，SEM图像的线条具有一定的宽度，而在宽度方向上最亮的点则最能反应该位置上SEM图像轮廓的局部位置，即将这些最亮的点依次相连就可能够获得最大限度保留原图像细节的SEM图像轮廓)，沿着梯度方向寻找可准确、快速地找到所需的峰值点。可见上述的方式，实现简单，可靠性强，找出的峰值点可准确地反映SEM图像的轮廓点信息。此外，预设的寻找范围为30～50个像素点。
示例性的，先随机获取一张待处理的SEM图像(如图7所示)，然后再对SEM图像进行像素化处理(如图8中的(a)所示)，再对原始矩阵进行高斯滤波处理后得到图像矩阵并计算图像矩阵中的每一像素点的梯度值，其次再获取梯度值在预设范围内的所有像素点(如图8中的(b)所示)，并在所选的所有像素点中沿梯度方向寻找峰值点(如图8中的(c)中的两线条中间的像素点)。可见，通过此方式获取的轮廓点能够更加精准，方便后续进行轮廓提取。
请参阅图9，本发明的第二实施例提供一种SEM图像的轮廓提取装置2，应用于本发明的第一实施例的一种SEM图像的轮廓提取方法1，SEM图像的轮廓提取装置2包括：
提取模块21：用于从SEM图像中提取出M个离散的轮廓点，其中M为整数；
计算模块22：用于基于N个初始控制点得到初始贝塞尔曲线，其中N为整数且N小于等于M；
校准模块23：用于对N个初始控制点进行校准使初始贝塞尔曲线与M个轮廓点逐渐贴合得到校准后的贝塞尔曲线；
输出模块24：用于输出校准后的贝塞尔曲线。
可以理解地，本发明的第二实施例的一种SEM图像的轮廓提取装置具有与本发明的第一实施例的一种SEM图像的轮廓提取方法相同的有益效果，在此不再赘述。
本发明的第三实施例一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，处理器执行上述计算机程序以实现本发明的第一实施例的SEM图像的轮廓提取方法的步骤。
可以理解地，本发明的第三实施例一种计算机设备具有与本发明的第一实施例的一种SEM图像的轮廓提取方法相同的有益效果，在此不再赘述。
本发明的第四实施例一种存储介质，包括处理器，存储介质被处理器执行时实现如本发明的第一实施例的一种SEM图像的轮廓提取方法。
可以理解地，本发明的第四实施例一种存储介质具有与本发明的第一实施例的一种SEM图像的轮廓提取方法相同的有益效果，在此不再赘述。
与现有技术相比，本发明提供的一种SEM图像的轮廓提取方法具有以下优点：
1、本发明的实施例提供的SEM图像的轮廓提取方法，由于贝塞尔曲线是一种可导的数学曲线，因此其可以用有限的初始控制点来描述一段连续光滑的曲线。所以本发明先从SEM图像中提取出M个离散的轮廓点，再随机选取N个初始控制点计算获得初始贝塞尔曲线；然后再将N个初始控制点基于预设的校准方法进行校准，从而使得初始贝塞尔曲线与M个轮廓点贴合以得到校准后的贝塞尔曲线，通过这样的设计能够更好地以及更精准地表示出SEM图像的轮廓信息。此外，由于本发明将校准后的贝塞尔曲线表示为SEM图像中的轮廓，因此本发明得到的SEM图像轮廓提取的结果数据量较小。由此可见，通过此方法提取出的SEM图像的轮廓更加完整且精准、提取的结果数据量较小以及提取的轮廓连续光滑。
2、本发明的实施例提供的SEM图像的轮廓提取方法，通过M个轮廓点和贝塞尔曲线生成预设的损失函数，并基于预设的梯度算法迭代移动初始控制点直到损失函数满足预设条件的设计，由于随机选取的初始控制点无法直接得到与SEM图像的轮廓且得到的轮廓曲线部光滑，因此需要将初始控制点基于预设的梯度算法按预设方向迭代移动，从而使得后续得到的贝塞尔曲线更加连续且光滑，也即是本发明通过预设的校准方法校准后的贝塞尔曲线更加光滑且连续，进而能够更好地恢复出SEM图像中完整的轮廓信息。
3、本发明的实施例提供的SEM图像的轮廓提取方法，通过根据M个轮廓点和贝塞尔曲线之间的距离的平方之和建立预设的损失函数的设计，能够使得校准更加精确。
4、本发明的实施例提供的SEM图像的轮廓提取方法，通过使用梯度下降法迭代初始控制点的设计，能够确认迭代后的控制点的移动方向信息和距离信息。
5、本发明的实施例提供的SEM图像的轮廓提取方法，根据初始控制点相对下一次迭代后的控制点的方向信息及距离信息确定迭代移动的方向。通过此设计，可以按照确定的位置信息去移动控制点以完成下一轮的迭代过程，能够减小计算量，从而能够更加精准地且快速地确定出SEM图像的轮廓信息。
6、本发明的实施例提供的SEM图像的轮廓提取方法，通过该方法去提取SEM图像的轮廓点的设计，能够使得在没有GDS版图文件的情况下，仅仅根据SEM图像就能够快速且精准地提取出M个轮廓点。
7、本发明的实施例提供的SEM图像的轮廓提取装置，具有与本发明的SEM图像的轮廓提取方法相同的有益效果，在此不再赘述。
8、本发明的实施例提供的计算机设备，具有与本发明的SEM图像的轮廓提取方法相同的有益效果，在此不再赘述。
9、本发明的实施例提供的存储介质，具有与本发明的SEM图像的轮廓提取方法相同的有益效果，在此不再赘述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在本发明的各种实施例中，应理解，上述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在本发明的附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方案中，方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行的执行，它们有时也可以按相反的顺序执行，在此基于涉及的功能而确定。需要特别注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内所作的任何修改，等同替换和改进等均应包含本发明的保护范围之内。
Claims (10)
1.一种SEM图像的轮廓提取方法，其特征在于：所述SEM图像的轮廓提取方法包括以下步骤：
从所述SEM图像中提取出M个离散的轮廓点，其中M为整数；
随机选取N个初始控制点，基于N个所述初始控制点得到初始贝塞尔曲线，其中N为整数且N小于等于M；
对N个所述初始控制点进行校准以使所述初始贝塞尔曲线与M个所述轮廓点逐渐贴合得到校准后的贝塞尔曲线；
将校准后的贝塞尔曲线作为所述SEM图像提取的轮廓信息输出。
2.如权利要求1所述的SEM图像的轮廓提取方法，其特征在于：对N个所述初始控制点进行校准以使所述贝塞尔曲线与所述轮廓点逐渐贴合具体包括步骤：
根据M个所述轮廓点和所述贝塞尔曲线生成预设的损失函数；
基于预设的梯度算法迭代移动所述初始控制点直至所述损失函数满足预设条件；
获取满足预设条件后的当前控制点的最终位置信息；
基于所述最终位置信息得到校准后的贝塞尔曲线。
3.如权利要求2所述的SEM图像的轮廓提取方法，其特征在于：所述预设的损失函数满足：根据M个所述轮廓点和贝塞尔曲线之间的距离的平方之和建立所述预设的损失函数。
4.如权利要求2所述的SEM图像的轮廓提取方法，其特征在于：所述预设的梯度算法为梯度下降法。
5.如权利要求2所述的SEM图像的轮廓提取方法，其特征在于：根据所述初始控制点相对下一次迭代后的控制点的方向信息及距离信息确定迭代移动的方向。
6.如权利要求2所述的SEM图像的轮廓提取方法，其特征在于：所述预设条件具体为：所述损失函数的优化程度变化值小于预设阈值。
7.如权利要求1所述的SEM图像的轮廓提取方法，其特征在于：从所述SEM图像中提取出M个离散的轮廓点具体为：
对所述SEM图像进行像素化处理并得到原始矩阵；
对原始矩阵进行高斯滤波处理后得到图像矩阵并计算所述图像矩阵中的所有像素点的梯度值；
获取梯度值在预设范围内的所有像素点，并在所选的所有像素点中沿梯度方向寻找峰值点；
所述峰值点即为从SEM图像中提取出M个离散的轮廓点。
8.一种SEM图像的轮廓提取装置，应用于权利要求1-7任一项所述的一种SEM图像的轮廓提取方法，其特征在于：所述SEM图像的轮廓提取装置包括：
提取模块：用于从所述SEM图像中提取出M个离散的轮廓点，其中M为整数；
计算模块：用于基于N个所述初始控制点得到初始贝塞尔曲线，其中N为整数且N小于等于M；
校准模块：用于对N个所述初始控制点进行校准使所述初始贝塞尔曲线与M个所述轮廓点逐渐贴合得到校准后的贝塞尔曲线；
输出模块：用于输出校准后的贝塞尔曲线。
9.一种计算机设备，其特征在于：包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行上述计算机程序以实现如权利要求1-7任一项所述的SEM图像的轮廓提取方法的步骤。
10.一种存储介质，其特征在于：包括处理器，所述存储介质被处理器执行时实现如权利要求1-7任一项所述的一种SEM图像的轮廓提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211291246.XA CN115841496A (zh) | 2022-10-20 | 2022-10-20 | Sem图像的轮廓提取方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211291246.XA CN115841496A (zh) | 2022-10-20 | 2022-10-20 | Sem图像的轮廓提取方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115841496A true CN115841496A (zh) | 2023-03-24 |
Family
ID=85576439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211291246.XA Pending CN115841496A (zh) | 2022-10-20 | 2022-10-20 | Sem图像的轮廓提取方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115841496A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117115194A (zh) * | 2023-10-20 | 2023-11-24 | 华芯程(杭州)科技有限公司 | 基于电子显微镜图像的轮廓提取方法、装置、设备及介质 |
-
2022
- 2022-10-20 CN CN202211291246.XA patent/CN115841496A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117115194A (zh) * | 2023-10-20 | 2023-11-24 | 华芯程(杭州)科技有限公司 | 基于电子显微镜图像的轮廓提取方法、装置、设备及介质 |
| CN117115194B (zh) * | 2023-10-20 | 2024-01-30 | 华芯程(杭州)科技有限公司 | 基于电子显微镜图像的轮廓提取方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110738207B (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
| CN114782691B (zh) | 基于深度学习的机器人目标识别与运动检测方法、存储介质及设备 | |
| CN109064514B (zh) | 一种基于投影点坐标回归的六自由度位姿估计方法 | |
| CN111091567B (zh) | 医学图像配准方法、医疗设备及存储介质 | |
| CN107133966B (zh) | 一种基于采样一致性算法的三维声纳图像背景分割方法 | |
| CN110874563A (zh) | 通过cnn的多个图像输出的提供集成的特征图的方法及装置 | |
| CN110874566B (zh) | 生成数据集的方法及装置、利用其的学习方法及学习装置 | |
| KR101618996B1 (ko) | 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치 | |
| CN108305268B (zh) | 一种图像分割方法及装置 | |
| KR20200063368A (ko) | 대응점 일관성에 기반한 비지도 학습 방식의 스테레오 매칭 장치 및 방법 | |
| CN115841496A (zh) | Sem图像的轮廓提取方法、装置、计算机设备及存储介质 | |
| CN107945120B (zh) | 基于样本块的旋转及缩放图像修复方法 | |
| CN113450269A (zh) | 一种基于3d视觉的点云关键点提取方法 | |
| JP2020098455A (ja) | 物体識別システム、物体識別方法、並びに、画像識別プログラム | |
| CN115655263A (zh) | 一种基于姿态信息的星点提取方法 | |
| CN116266387A (zh) | 基于重参数化残差结构和坐标注意力机制的yolov4的图像识别算法及系统 | |
| CN114119962A (zh) | 一种图像关键点的检测方法、装置、电子设备及存储介质 | |
| CN110728359B (zh) | 搜索模型结构的方法、装置、设备和存储介质 | |
| CN115661340B (zh) | 一种基于源信息融合的三维点云上采样方法与系统 | |
| CN113129332A (zh) | 执行目标对象跟踪的方法和装置 | |
| JP2005165969A (ja) | 画像処理装置、及び方法 | |
| JP5945823B2 (ja) | 画像処理方法および画像処理装置 | |
| Merchán et al. | 3D complex scenes segmentation from a single range image using virtual exploration | |
| CN113160180A (zh) | 一种基于深度学习的磁共振图像相位复原方法 | |
| Sarmadian et al. | Optimizing the snake model using honey-bee mating algorithm for road extraction from very high-resolution satellite images |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100176 building 12, yard 156, Jinghai 4th Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Dongfang Jingyuan Microelectronics Technology (Beijing) Co.,Ltd. Address before: 100176 building 12, yard 156, Jinghai 4th Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant before: DONGFANG JINGYUAN ELECTRON Ltd. |