CN117765014A - 图像边缘检测方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请提供一种图像边缘检测方法、装置、设备以及存储介质，该方法包括：获取基于扫描电子显微镜得到的扫描电镜图像；利用滤波器对所述扫描电镜图像进行滤波，得到滤波图像；将滤波图像经过边缘梯度算子和梯度增幅模型进行处理，得到边缘增强图像；对边缘增强图像进行双阈值判决，得到强边缘图像与弱边缘图像；将强边缘图像与弱边缘图像进行匹配，得到边缘检测图像。如此，可以针对扫描电镜图像的特性进行更为有效的图像边缘检测，获取高质量的边缘检测图像。

Description

图像边缘检测方法、装置、设备以及存储介质

技术领域

本申请涉及图像处理技术领域，尤其涉及一种图像边缘检测方法、装置、电子设备以及计算机可读存储介质。

背景技术

半导体行业的发展关乎整个国家高新技术的发展，使用扫描电子显微镜(Scanning Electron Microscope，SEM)观察半导体晶圆(wafer)的表面图像是其中重要的一环，可以产生高分辨率的表面图像，用于检查晶圆上的缺陷、结构和特征。这些图像可以帮助工程师和科学家了解晶圆的质量和特性，对半导体制造过程进行质量控制，并进行研究和分析，以达到提高良品率的效果。

电镜扫描一般为数控扫描，在此过程中，由于电磁干扰和机械结构几乎不可察的振动，扫描所得的图像一般含有许多随机的噪声和边缘抖动的情况发生。为降低噪声带来的干扰，便于图像的后续处理、识别，一般会采用边缘检测方法对扫描电镜图像进行处理。

其中，Canny边缘检测方法以优异的抗噪声能力和边缘细化能力，成为应用最广泛、也最经典的边缘检测方法。然而，由于晶圆表面结构的特殊性，使用Canny边缘检测方法可能导致扫描电镜图像的边缘检测图像的细节缺失，以至于边缘检测结果不够精准。

发明内容

本申请提供一种图像边缘检测方法、装置、电子设备以及计算机可读存储介质，可以针对扫描电镜图像的特性进行更为有效的图像边缘检测，获取高质量的边缘检测图像。

根据本申请的第一方面，提供一种图像边缘检测方法，该方法包括：获取基于扫描电子显微镜得到的扫描电镜图像；利用滤波器对所述扫描电镜图像进行滤波，得到滤波图像；将滤波图像经过边缘梯度算子和梯度增幅模型进行处理，得到边缘增强图像；对边缘增强图像进行双阈值判决，得到强边缘图像与弱边缘图像；将强边缘图像与弱边缘图像进行匹配，得到边缘检测图像。

根据本申请的第二方面，提供一种图像边缘检测装置，该装置可以包括：扫描图像获取模块，用于获取基于扫描电子显微镜得到的扫描电镜图像；滤波图像得到模块，用于利用滤波器对所述扫描电镜图像进行滤波，得到滤波图像；增强图像得到模块，用于将滤波图像经过边缘梯度算子和梯度增幅模型进行处理，得到边缘增强图像；强弱图像得到模块，用于对边缘增强图像进行双阈值判决，得到强边缘图像与弱边缘图像；边缘图像得到模块，将强边缘图像与所述弱边缘图像进行匹配，得到边缘检测图像。

根据本申请的第三方面，提供一种电子设备，电子设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现上述的任一种图像边缘检测方法的步骤。

根据本申请的第四方面，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现上述的任一种图像边缘检测方法。

综上所述，本申请提供的图像边缘检测方法、装置、电子设备以及计算机可读存储介质至少具有以下有益效果：

通过获取基于扫描电子显微镜得到的扫描电镜图像，从而得到针对晶圆的横向扫描图像。利用滤波器扫描电镜图像进行滤波，得到滤波图像，从而可以通过图像滤波技术消除扫描电镜图像中的部分抖动和噪点，得到比较清晰的扫描电镜图像。将滤波图像经过边缘梯度算子和梯度增幅模型进行处理，得到边缘增强图像，从而通过采用梯度增幅模型处理步骤替代非极大值抑制步骤，进而可以尽可能保留图像的边缘细节，以便后续的边缘检测结果更加准确。对边缘增强图像进行双阈值判决，得到强边缘图像与弱边缘图像；将强边缘图像与弱边缘图像进行匹配，得到边缘检测图像，从而可以将两种图像的有效点相结合，得到更准确的边缘检测图像。如此，可以针对扫描电镜图像的特征进行更为有效的图像边缘检测，获取高质量的边缘检测图像。

附图说明

为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出现有技术提供的一种Canny边缘检测方法的流程示意图；

图2示出现有技术提供的一种扫描电镜图像的示意图；

图3示出现有技术提供的一种扫描电镜图像的Canny边缘检测结果示意图；

图4示出本申请实施例提供的一种图像边缘检测方法的流程示意图；

图5示出本申请实施例提供的一种滤波图像的示意图；

图6示出本申请实施例提供的一种初始边缘图像的示意图；

图7示出本申请实施例提供的一种不同临界值对应的梯度增幅模型处理结果的示意图；

图8示出本申请实施例中一种边缘增强图像的示意图；

图9示出本申请实施例提供的一种强边缘图的示意图；

图10示出本申请实施例提供的一种弱边缘图的示意图；

图11示出本申请实施例提供的一种边缘检测图像的示意图；

图12示出本申请实施例提供的一种减少噪点图像的示意图；

图13示出本申请实施例提供的另一种图像边缘检测方法的流程示意图；

图14示出本申请实施例提供的一种图像边缘检测装置的结构示意图；

图15为本申请的实施例提供的一种电子设备的结构图。

具体实施方式

为了使本申请的上述以及其他特征和优点更加清楚，下面结合附图进一步描述本申请。应当理解，本文给出的具体实施例是出于向本领域的技术人员解释的目的，仅是示例性的，而非限制性的。

在以下描述中，阐述了许多具体细节以提供对本申请的透彻理解。然而，对于本领域的技术人员来说，明显的是，不需要采用具体细节来实践本申请。在其他情况下，未详细描述众所周知的步骤或操作，以避免模糊本申请。

边缘检测在扫描电镜图像的缺陷检测领域扮演着重要的角色，主要用于以下几个方面：1)缺陷定位和标记：边缘检测可用于定位并标记图像中的缺陷。通过检测缺陷的边缘，操作员或自动化系统可以精确地确定缺陷的位置，使其更容易被进一步分析和处理；2)缺陷分类：缺陷通常具有不同的形状和大小，边缘检测有助于描述缺陷的形状特征。这有助于对缺陷进行分类，以便进行更精确的质量控制；3)减少误报率：边缘检测有助于减少误报率，因为它可以帮助排除一些与缺陷无关的图像细节。这提高了缺陷检测系统的可靠性；4)自动化和高吞吐量：边缘检测技术可与自动化系统集成，从而实现高吞吐量的缺陷检测。

图1示出现有技术提供的一种Canny边缘检测方法的流程示意图，如图1所示，该Canny边缘检测方法可以包括S11，扫描电镜图像通过高斯滤波器进行图像平滑；S12，高斯平滑后的图像通过Sobel边缘算子；S13，梯度图进行非极大值抑制；S14，经过高低阈值判定，得到强边缘和弱边缘两幅图；S15，连接边缘，输出Canny边缘检测结果。

其中，上述Canny边缘检测方法可以有效抑制噪声，得到有效边缘信息。但是由于Canny边缘检测方法中采用非极大值抑制步骤可以检测主要的边缘，而扫描电子图像包括晶圆的许多细微的图像特征和细节，因此，使用Canny边缘检测方法会使得扫描电镜图像的边缘细节丢失。

同时，Canny边缘检测方法对于阈值参数的选择较为敏感。如果阈值选择不合适，会导致强边缘图像与弱边缘图像的误判、边缘断裂以及噪声的强影响。

图2示出现有技术提供的一种扫描电镜图像的示意图，图3示出现有技术提供的一种扫描电镜图像的Canny边缘检测结果示意图。图3所示的边缘检测图像是通过矩阵实验室(MATLAB，Matrix Laboratory)自带的Canny边缘检测得到的。

如图2和图3所示，在扫描电镜图像为噪声较严重，且明暗变化较大的情况下，扫描电镜图像的Canny边缘检测结果显示无法提取到有效图形。

有鉴于此，本申请实施例提出一种图像边缘检测方法、装置、电子设备及计算机可读存储介质，可以针对扫描电镜图像的特性提出一种改进式Canny边缘检测方法，以提高边缘检测结果的准确度，减少噪音对于边缘检测结果的影响。具体地，在滤波阶段采用各向异性滤波器，如此，相对统的高斯滤波器，可以加强在对应方向的滤波系数，以达到消除同一方向的边缘抖动的同时尽可能保留图像的清晰度。还可以通过在Canny边缘检测方法中增加梯度增幅模型，去掉不适合扫描电镜图像的非极大值抑制步骤，从而可以尽可能保留图像细节、提高信噪比、对比度和图像锐度的同时，还能增大噪声和有效图像的亮度差，提高清晰度。并且可以自适应调节高低阈值，减少阈值选择不合适对边缘检测检测结果造成的不良影响。

本申请实施例一方面提供一种图像边缘检测方法。图4示出本申请实施例提供的一种图像边缘检测方法的流程示意图，如图4所示，该图像边缘检测方法可以包括以下几个步骤。

S41，获取基于扫描电子显微镜得到的扫描电镜图像。

这里，扫描电镜图像可以是由扫描电子显微镜横向扫描晶圆得到的图像。也就是说扫描电镜图像可以是晶圆的横向扫描图像，可以如图2所示。

S42，利用滤波器对扫描电镜图像进行滤波，得到滤波图像。

这里，滤波器可以为任意一种图像滤波器，属于一种图像处理算法，可以用消除噪声或者平滑图像等。可选地，滤波器可以为高斯滤波器。需要说明的是，在本申请实施例中，对于滤波器的种类不做限制。

本申请实施例涉及的“滤波图像”可以为扫描电镜图像经过滤波器滤波后得到的图像，即扫描电镜图像滤波后的图像。也就是说，滤波图像可以为消除了一定边缘抖动，保留边缘特征的晶圆图像。

S43，将滤波图像经过边缘梯度算子和梯度增幅模型进行处理，得到边缘增强图像。

这里，边缘梯度算子是可以用于初步检测图像中的边缘。边缘梯度算子可以包括但不限于Sobel算子、Prewitt算子和Canny算子等常用算子。

本申请实施例涉及的“梯度增幅模型”可以是用于提高有效图形的灰度值，以及抑制噪点的灰度值，从而增大噪点与有效图形的亮度差，提高清晰度。其中，有效图形可以为图像中由图形边缘围成的图形。

边缘增强图像可以为有效图形的边缘增强的图像。在本申请实施例中，可以通过边缘梯度算子提取滤波图像中有效图形的边缘，然后通过梯度增幅模型进一步增大有效图形边缘与噪声之间的灰度差，得到边缘增强图像。

需要说明的是，由于扫描电镜图像包含很多晶圆细节和特征，为了保留较多的边缘细节，因此，采用梯度增幅模型替换非极大值抑制步骤。

S44，对边缘增强图像进行双阈值判决，得到强边缘图像与弱边缘图像。

这里，双阈值判决可以是指对边缘增强图像中每个像素点的灰度值根据双阈值进行判断，确定每个像素点的边缘属性，然后根据每个像素点的边缘属性进行灰度值的设定。像素点的类型可以包括强边缘点、非强边缘点、弱边缘点以及非弱边缘点。

本申请实施例涉及的“强边缘图像”可以是将边缘增强图像中的属于强边缘的像素点的灰度值设置为白色(255)，属于非强边缘的像素点的灰度值设置为黑色(0)形成的二值图像，“弱边缘图像”可以是将边缘增强图像中的属于弱边缘的像素点的灰度值设置为白色(255)，属于非弱边缘的像素点的灰度值设置为黑色(0)形成的二值图像。

S45，将强边缘图像与弱边缘图像进行匹配，得到边缘检测图像。

这里，匹配是将强边缘图像中有效像素点与弱边缘图中的有效像素点进行匹配。其中，有效点可以是指灰度值为255的像素点。

本申请实施例涉及的“边缘检测图像”可以强边缘图像中有效像素点与弱边缘图中的有效像素点经过匹配形成的图像。也就是说，边缘检测图像也为二值图像，是S41中扫描电镜图像的最终边缘检测结果。

在上述实施例中，通过获取基于扫描电子显微镜得到的扫描电镜图像，从而得到针对晶圆的横向扫描图像。利用滤波器扫描电镜图像进行滤波，得到滤波图像，从而可以通过图像滤波技术消除扫描电镜图像中的部分抖动和噪点，得到比较清晰的扫描电镜图像。将滤波图像经过边缘梯度算子和梯度增幅模型进行处理，得到边缘增强图像，从而通过采用梯度增幅模型处理步骤替代非极大值抑制步骤，进而可以尽可能保留图像的边缘细节，以便后续的边缘检测结果更加准确。对边缘增强图像进行双阈值判决，得到强边缘图像与弱边缘图像；将强边缘图像与弱边缘图像进行匹配，得到边缘检测图像，从而可以将两种图像的有效点相结合，得到更准确的边缘检测图像。如此，可以针对扫描电镜图像的特征进行更为有效的图像边缘检测，获取高质量的边缘检测图像。

在实际边缘检测过程中，采用普通的高斯滤波器来消除抖动，若滤波系数设置过高，可能导致图像模糊。若滤波系数过低又无法完全消除抖动。

由此，发明人想到可以利用各向异性高斯滤波器。因此，在一些实施例中，S42，利用滤波器对扫描电镜图像进行滤波，得到滤波图像，可以包括：

利用各向异性高斯滤波器对扫描电镜图像进行滤波，得到滤波图像。

这里，各向异性高斯滤波器是一种特殊的图像处理滤波器，可以用于增强图像的细节和边缘，减少图像中的噪点。它可以通过根据像素之间的差异程度来调整滤波的强度。，从而更好地保留图像的细节。

在各向异性滤波器中，滤波器的强度是根据像素的梯度来确定的。如果像素之间的梯度相差较大，说明存在边缘或细节，滤波器会相对较弱地作用于该区域，以保留这些细节。如果像素之间的梯度相差较小，说明该区域较为平滑，滤波器会相对较强地作用于该区域，以减少噪点。

并且，由于扫描电子显微镜是通过横向扫描晶圆，得到的扫描电镜图像，因此，扫描电镜图像的抖动主要是横向抖动。因此，各向异性高斯滤波器的纵向滤波系数大于横向滤波系数。可选地，各向异性高斯滤波器的纵向滤波系数可以为横向滤波系数的2倍。

需要说明的是，本申请实施例涉及的“各向异性滤波器”可以采用现有的各向异性滤波器模型架构，为简要起见，这里不再赘述。

图5示出本申请实施例提供的一种滤波图像的示意图。相比图2所述的扫描电镜图像，图5示出的滤波图像的抖动减少，并尽可能保留了图2的图像细节。

在上述实施例中，采用各向异性滤波器可以更好地在保持图像细节的同时，有效地抑制噪声，提高滤波后的图像质量，使得图像更加清晰。此外，针对扫描电镜图像主要存在横向抖动，将纵向滤波系数设置于大于横向滤波系数，可以使得滤波图像的水平方向更加平滑，尽可能消除横向抖动。

在一些实施例中，S43，将滤波图像经过边缘梯度算子和梯度增幅模型进行处理，得到边缘增强图像，可以包括：通过边缘梯度算子对滤波图像进行梯度边缘检测，得到初始边缘图像；基于梯度增幅模型对初始边缘图像进行边缘增强处理，得到边缘增强图像。

这里，梯度边缘检测可以为采用边缘梯度算子计算滤波图像中每个像素点的梯度，并根据梯度检测边缘。初始边缘图像可以为基于滤波图像的像素点的梯度值形成的灰度图像。

梯度增幅模型为提高有效图形的灰度值，以及抑制噪点的灰度值的模型。相对初始边缘图像，边缘增强图像的噪点与有效图形的亮度差增大，清晰度提高。

在上述实施例中，边缘梯度算子能够有效地检测出图像中的边缘信息，并且通过滤波处理可以进一步平滑图像并去除噪声，从而提高边缘检测的准确性。基于梯度增幅模型的边缘增强处理能够进一步增强初始边缘图像中的边缘信息，使其更加突出和明显。这种增强处理可以改善边缘的清晰度和细节表现，提高图像的质量和识别率。

在一些实施例中，通过边缘梯度算子对滤波图像进行梯度边缘检测，得到初始边缘图像，可以包括：滤波图像与边缘梯度算子进行卷积操作，得到滤波图像的横向梯度信息以及纵向梯度信息；将横向梯度信息以及纵向梯度信息进行加和运算，得到加和信息；基于加和信息得到初始边缘图像。

这里，边缘梯度算子主要用于获取滤波图像的一阶导数，可以包括但不限于Sobel算子、Prewitt算子和Canny算子等常用算子。例如，Sobel算子可以表示为以下两个矩阵

在本申请实施例中，横向梯度信息可以包括横向梯度幅值。纵向梯度信息可以为纵向梯度幅值。利用边缘梯度算子中的矩阵分别与滤波图像做横向和纵向的卷积运算，从而分别得到滤波图像的横向梯度幅值以及纵向梯度幅值。然后将两个方向的梯度幅值做加和计算，然后将加和结果映射至灰度图中，即通过梯度值与灰度值的映射公式转换为灰度值，从而得到与滤波图像初始边缘图像。

其中，梯度值与灰度值的映射公式可以表示如下。

灰度值 ＝ round(G * 255 / max(G)) (1)

这里，round表示四舍五入函数，G表示加和结果，max(G)表示加和结果中的最大值。

图6示出本申请实施例提供的一种初始边缘图像的示意图。如图6所示，初始边缘图像相比滤波图像，有效图形的边缘更加清楚。

在一些实施例中，基于梯度增幅模型对初始边缘图像进行边缘增强处理，得到边缘增强图像，可以包括：针对初始边缘图像中每个像素点，比较像素点的灰度值与临界值的大小；根据比较结果，从梯度增幅模型中确定每个像素点的目标梯度增幅子模型；基于每个像素点的目标梯度增幅子模型，对每个像素点的灰度值进行增强处理或者抑制处理，得到边缘增强图像。

这里，梯度增幅模型可以包括两个不同的梯度增幅子模型。一个梯度增幅子模型可以用于增强有效点的灰度值，另一个梯度增幅子模型可以用于抑制噪点的灰度值。目标梯度增幅子模型可以为两个梯度增幅子模型中任意一个。

临界值可以为大致区分有效像素点和噪点的灰度值。临界值可以根据用户经验设置，也可以根据图像特性自适应选择。比较结果可以为像素点的灰度值大于临界值的大小比较结果，可以包括像素点的灰度值大于临界值，以及像素点的灰度值不大于临界值。

在本申请实施例中，针对初始边缘图像中第一个像素点，比较这个像素点的灰度值与临界值的大小。根据像素点的灰度值与临界值的比较结果，从两个不同的梯度增幅子模型选择合适自身特征的目标梯度增幅子模型。然后通过目标梯度增幅子模型对这个像素点的灰度值进行增强处理或者抑制处理，从而重新确定第一个像素点的新灰度值，并按照新灰度值重新设置第一个像素点。依次类推，遍历初始边缘图像中每个像素点，重复上述操作，直到图中最后一个像素点完成重新设置，从而可以得到相比初始边缘图像具有更清晰、更突出的边缘信息以及噪点减少的边缘增强图像。

在上述实施例中，通过使用梯度增幅模型来动态地调整每个像素点的灰度值，从而改进了初始边缘图像的质量。相比采用非极大值抑制，采用与每个像素对应的目标梯度增幅子模型，可以更好的保留图像的细节以及特征。

在一些实施例中，梯度增幅模型包括梯度增强子模型和梯度抑制子模型。根据比较结果，从梯度增幅模型中确定每个像素点的目标梯度增幅子模型，包括：在像素点的灰度值大于临界值的情况下，将梯度增强子模型作为像素点的目标梯度增幅子模型；在像素点的灰度值不大于临界值的情况下，将梯度抑制子模型作为像素点的目标梯度增幅子模型。

这里，两个梯度增幅子模型可以分别为增强子模型和梯度抑制子模型。梯度增强子模型可以用于增强像素点的灰度值。梯度抑制子模型可以用于抑制像素点的灰度值。

可选地，梯度增幅模型可以为连续分段函数。连续分段函数可以包括两段分段函数构成，在临界值处分段，能够保持函数连续，又尽可能保持了函数的平滑。

连续分段函数的每个分段函数可以表示一个梯度增幅子模型。连续分段函数可以表示为以下公式。

其中，g表示初始边缘图像中像素点(x，y)的灰度值，G表示像素点(x，y)重新确定的灰度值。th表示临界值。

在本申请实施例中，在像素点的灰度值不大于临界值时，可以采用第一个分段函数(即梯度抑制子模型)对像素点的灰度值进行抑制。在像素点的灰度值大于临界值时，可以采用第二个分段函数(即梯度增强子模型)对像素点的灰度值进行增强。

在上述实施例中，通过梯度增强子模型和梯度抑制子模型可以拉大了噪点和有效点的灰度跨度，可以使后续的双阈值选择有更高的容错空间。

需要说明的是，临界值的选择对于梯度增幅模型的边缘增强处理能力存在一定的影响。图7示出本申请实施例提供的一种不同临界值对应的梯度增幅模型处理结果的示意图。图7中的横坐标表示初始边缘图像中像素点的灰度值(即原灰度值)。图7中的纵坐标表示经过梯度增幅模型处理后得到的像素点的灰度值(即处理后的灰度值)。如图7所示，不同临界值对于噪点的抑制效果以及有效点的增强效果也不同。

需要说明的是，图7中的原始值是指将梯度增幅模型设置为失效，初始边缘图像中像素点的灰度值不做任何改变。

由于临界值需要选定为初始边缘图像中噪点的最大灰度值或有效点的最小灰度值附近，但是由于每张图的有效图形位置和亮暗情况都不同，因此，需要根据图像自身特征选择合适的临界值。在一些实施例中，在针对初始边缘图像中每个像素点，比较像素点的灰度值与临界值的大小之前，基于梯度增幅模型对初始边缘图像进行边缘增强处理，得到边缘增强图像，还可以包括：从初始边缘图像中筛选预设数量的噪声块；确定每个噪声块的灰度值的中位数；对预设数量的灰度值的中位数进行均值计算，得到临界值。

这里，噪声块的大小可以不做限制，但是每个噪声块的大小一致。可选地，噪声块可以为5x5的图像块。预设数量不少于5个。可选地，预设数量可以为10个。

在本申请实施例中，从初始边缘图像中筛选预设数量的噪声块方法很多。例如，从初始边缘图像中随机选取预设数量的图像块，确定每个图像块的最大灰度值是否超过100，如果存在超过100的图像块，则舍弃这些图像块，从初始边缘图像中重新选择新的图像块，直到所选择出的图像块的数量满足预设数量，则停止选择操作，并将每个选择出的图像块作为噪声块。

本申请实施例涉及的“噪声块的灰度值的中位数”，可以为将噪声块的所有像素点的灰度值按照大小排序后，位于中间位置的灰度值。在本申请实施例中，可以确定预设数量的中位数。

本申请实施例涉及的“均值计算”，可以为将预设数量的中位数进行累加，得到中位数的累加和，然后中位数的累加和除以预设数量，从而得到临界值。

在上述实施例中，可以动态地筛选和确定噪声块，并根据这些噪声块的灰度值的中位数计算出一个合适的临界值，以使梯度增幅模型能够更好地处理初始边缘图像，以提高边缘增强图像的质量。

在一个示例中，采用10个5x5的噪声块确定临界值以及公式(2)作为梯度增幅模型。图8示出本申请实施例中一种边缘增强图像的示意图。图6经过梯度增幅模型处理后可以得到图8。对比图6和图8可以看出，图8中的噪点得到有效抑制，且有效图形更加清晰可见。

在一些实施例中，双阈值包括第一阈值和第二阈值，且第一阈值大于第二阈值。S44，对边缘增强图像进行双阈值判决，得到强边缘图像与弱边缘图像，可以包括：

基于第一阈值，对边缘增强图像进行二值化处理，得到强边缘图像；

基于第二阈值，对边缘增强图像进行二值化处理，得到弱边缘图像。

这里，第一阈值可以称为高阈值，第二阈值可以称为低阈值。例如第一阈值可以为200，第二阈值可以为50。

需要说明的是，第一阈值和第二阈值可以根据用户经验，也可以边缘增强图像进行自适应调节。在本申请实施例中，对于双阈值的设定不做限制。

本申请实施例涉及的“二值化处理”可以是指将边缘增强图像转化为二值图像，即像素点的灰度值为0(黑)或255(白)的图像。

在本申请实施例中，基于第一阈值，对边缘增强图像进行二值化处理，得到强边缘图像，可以理解为比较边缘增强图像中像素点的灰度值与第一阈值的大小，如果像素点的灰度值大于第一阈值，可以将这个像素点认为是强边缘点，将这个像素点的灰度值设置为255。如果像素点的灰度值小于第一阈值，可以将这个像素点认为是非强边缘点，将这个像素点的灰度值设置为0。依次遍历边缘增强图像中每个像素点，从而得到强边缘图像。

基于第二阈值，对边缘增强图像进行二值化处理，得到弱边缘图像，可以理解为比较边缘增强图像中像素点的灰度值与第二阈值的大小，如果像素点的灰度值大于第二阈值，可以将这个像素点认为是弱边缘点，将这个像素点的灰度值设置为255。如果像素点的灰度值小于第而阈值，可以将这个像素点认为是非弱边缘点，将这个像素点的灰度值设置为0。依次遍历边缘增强图像中每个像素点，从而得到弱边缘图像。

在上述实施例中，通过第一阈值和第二阈值对边缘增强图像分别进行二值化处理，可以精准得到强边缘图像和弱边缘图像。

在一些实施例中，在S44，对边缘增强图像进行双阈值判决，得到强边缘图像与弱边缘图像之前，该图像边缘检测方法可以包括：

将边缘增强图像按照双阈值自适应算法进行计算，得到第一阈值和所述第二阈值。

这里，双阈值自适应算法有多种，例如Otsu算法和自适应双阈值法。其中，自适应双阈值法是一种根据图像局部特性自适应确定阈值的方法，它通常根据边缘增强图像的局部灰度分布来确定第一阈值和第二阈值。

Otsu算法一种通过计算最大类间方差来自动确定阈值的算法。最大类间方差法是一种基于全局的二值化算法，它是根据图像的灰度特性，将图像分为前景和背景两个部分。当取最佳阈值时，两部分之间的差别应该是最大的。在OTSU算法中所采用的衡量差别的标准就是较为常见的最大类间方差。前景和背景之间的类间方差如果越大，就说明图像的两个部分之间的差别越大。

具体地，设置一个将边缘增强图像中前景与背景的分割阈值T，前景点数占图像比例为w₀，均灰度为u₀；背景点数占图像比例为w₁，平均灰度为u₁，图像的总平均灰度为u，前景和背景图象的方差为g。Otsu算法的计算步骤可以表示如下。

u＝w₀×u₀+w₁×u₁ (3)

g＝(u-u₀)²×w₀+(u-u₁)²×w₁ (4)

联立上述两式，得到方差计算公式如下所示。

g＝w₀×w₁×(u₀-u₁)² (5)

在0～100的范围内遍历分割阈值，找出使方差g最大的阈值T_best，将其作为第二阈值，将T_best的1.5倍作为第一阈值，即可得到较合适的自适应阈值。

图9示出本申请实施例提供的一种强边缘图的示意图，图10示出本申请实施例提供的一种弱边缘图的示意图。如图9和图10所示，当基于双阈值自适应算法选取合适的第一阈值时，应恰好能够过滤掉噪点，但有效图形的部分细节也会被过滤掉。当基于双阈值自适应算法选取合适的第二阈值选取合适时，应能够保留几乎全部的有效图形细节，但这样也相应的会保留很多噪点。

在上述实施例中，相比于用户设置第一阈值和第二阈值，基于双阈值自适应算法可以根据图像本身特征确定出合适的第一阈值和合适的第二阈值，从而可以确定出质量较好的强边缘图和弱边缘图。

在一些实施例中，S45，将强边缘图像与弱边缘图像进行匹配，得到边缘检测图像，可以包括：针对强边缘图像中每个有效像素点，在弱边缘图像中确定与每个有效像素点的位置的邻域内的连通像素点；将每个有效像素点的连通像素点对应添加至强边缘图像中，得到边缘检测图像。

这里，有效像素点可以是指强边缘图像中灰度值为255的像素点，也就是白色像素点。邻域可以是指八连通邻域，具体可以是包括有效像素点的对应位置的上、下、左、右、左上、右上、左下以及右下，即包括紧邻的位置和斜向相连的位置。

有效像素点的位置可以为基于强边缘图上的有效像素点位置映射在弱边缘图上的位置。也就是说，如果有效像素点在强边缘图像上的位置为(x，y)，那该有效像素点在弱边缘图像上的位置也为(x，y)。

连通像素点可以是指位于邻域内灰度值为255的像素点。需要说明的是，连通像素点对应添加至强边缘图像中，可以成为强边缘图像中的有效像素点。

在本申请实施例中，扫描强边缘图像上的一个有效像素点，确定该有效像素点在强边缘图上的位置，用八连通邻域的方法检测弱边缘图上有效像素点的位置是否有像素点连通，若有像素点连通，将该像素点称为连通像素点，并将连通像素点添加到强边缘图中，即将强边缘图中连通像素点的位置上的像素点的灰度值设置为255，从而该重新设置灰度值的像素点作为强边缘图的新增有效像素点。针对新增有效像素点重复上述步骤，直到没有连通像素点产生为止。遍历强边缘图像上的每个有效像素点，从而得到边缘检测图像。

图11示出本申请实施例提供的一种边缘检测图像的示意图。对比图9和图11可以看出，图11示出的边缘检测图像的有效图形相比图9示出的强边缘图像的有效图形相对比较完整。

此外，将弱边缘图像与边缘检测图像进行差值运算，可以得到经过匹配步骤后减少噪点图像。图12示出本申请实施例提供的一种减少噪点图像的示意图。如图12所示，减少噪点图上存在很多噪点，也就是说，边缘检测图像相比弱边缘图像减少了很多噪点。

在上述实施例中，使用邻域检测法在弱边缘图检测到有效像素点的连通像素点，并将连通像素点增加到强边缘图中，从而可以在检测到强边缘图中的孤立点时，使用弱边缘图对应位置的图形进行连接补全，而噪点由于与强边缘图没有连接关系而会被舍弃，如此，可以达到取强边缘图像和弱边缘图像二者优点而避开各自缺点的效果，进一步提高边缘检测结果的准确性以及边缘检测图像的质量。

为了进一步深刻了解本申请实施例提供的图像边缘检测方法，本申请实施例另一方面提供另一种图像边缘检测方法。图13示出本申请实施例提供的另一种图像边缘检测方法的流程示意图，如图13所示，该图像边缘检测方法可以包括以下几个步骤。

S1301，获取原始图像(即扫描电镜图像)。

S1302，通过各向异性高斯滤波器对原始图像进行滤波处理，得到滤波图像。

S1303，通过Sobel算子(即边缘梯度算子)对滤波图像进行梯度边缘检测，得到初始边缘图像。

S1304，基于梯度增幅模型对初始边缘图像进行处理，得到边缘增强图像。

S1305，基于高低阈值(即第一阈值和第二阈值)对边缘增强图像进行判决处理，得到强边缘图像和弱边缘图像。

S1306，基于八邻域联通方法将强边缘图像与弱边缘图像进行匹配，得到边缘检测图像。

在上述实施例中，通过各向异性高斯滤波器进行滤波，可以相比于传统的高斯滤波器，可以加强在对应方向的滤波系数，以达到消除同一方向的边缘抖动的同时尽可能保留图像的清晰度的目的。采用梯度增幅模型去替换不适合扫描电镜图像的非极大值抑制的步骤，可以尽可能保留了图像细节，并且可以更好地抑制噪声，增强二值化前的信噪比和对比度，能够为后续双阈值的选择提供更高的容错空间。

此外，相比现有边缘检测方法，本申请实施例提供的图像边缘检测方法能够针对扫描电镜图像进行有效且准确地边缘检测，得到质量更高的图像边缘检测图像。

本申请实施例又一方面提供一种图像边缘检测装置。图14示出本申请实施例提供的一种图像边缘检测装置的结构示意图。如图14所示，图像边缘检测装置可以包括以下几个模块。

扫描图像获取模块1401，用于获取基于扫描电子显微镜得到的扫描电镜图像。

滤波图像得到模块1402，用于利用滤波器对扫描电镜图像进行滤波，得到滤波图像。

增强图像得到模块1403，用于将滤波图像经过边缘梯度算子和梯度增幅模型进行处理，得到边缘增强图像。

强弱图像得到模块1404，用于对边缘增强图像进行双阈值判决，得到强边缘图像与弱边缘图像。

边缘图像得到模块1405，将强边缘图像与弱边缘图像进行匹配，得到边缘检测图像。

在上述实施例中，通过获取基于扫描电子显微镜得到的扫描电镜图像，从而得到针对晶圆的横向扫描图像。利用滤波器扫描电镜图像进行滤波，得到滤波图像，从而可以通过图像滤波技术消除扫描电镜图像中的部分抖动和噪点，得到比较清晰的扫描电镜图像。将滤波图像经过边缘梯度算子和梯度增幅模型进行处理，得到边缘增强图像，从而通过采用梯度增幅模型处理步骤替代非极大值抑制步骤，进而可以尽可能保留图像的边缘细节，以便后续的边缘检测结果更加准确。对边缘增强图像进行双阈值判决，得到强边缘图像与弱边缘图像；将强边缘图像与弱边缘图像进行匹配，得到边缘检测图像，从而可以将两种图像的有效点相结合，得到更准确的边缘检测图像。如此，可以针对扫描电镜图像的特征进行更为有效的图像边缘检测，获取高质量的边缘检测图像。

在一些实施例中，增强图像得到模块1403可以包括：初始图像得到子模块和增强处理子模块。

初始图像得到子模块，用于通过边缘梯度算子对滤波图像进行梯度边缘检测，得到初始边缘图像。

增强处理子模块，用于基于梯度增幅模型对初始边缘图像进行边缘增强处理，得到边缘增强图像。

在一些实施例中，增强处理子模块可以包括比较单元、目标模型确定单元以及灰度处理单元。

比较单元，用于针对初始边缘图像中每个像素点，比较像素点的灰度值与临界值的大小。

目标模型确定单元，用于根据比较结果，从梯度增幅模型中确定每个像素点的目标梯度增幅子模型。

灰度处理单元，用于基于每个像素点的目标梯度增幅子模型，对每个像素点的灰度值进行增强处理或者抑制处理，得到边缘增强图像。

在一些实施例中，梯度增幅模型包括梯度增强子模型和梯度抑制子模型。目标模型确定单元具体用于在像素点的灰度值大于临界值的情况下，将梯度增强子模型作为像素点的目标梯度增幅子模型；在像素点的灰度值不大于临界值的情况下，将梯度抑制子模型作为像素点的目标梯度增幅子模型。

在一些实施例中，该增强处理子模块可以包括：噪声块筛选单元、中位数确定单元、临界值得到单元。

噪声块筛选单元，用于在针对初始边缘图像中每个像素点，比较像素点的灰度值与临界值的大小之前，从初始边缘图像中筛选预设数量的噪声块。

中位数确定单元，用于确定每个噪声块的灰度值的中位数。

临界值得到单元，用于对预设数量的灰度值的中位数进行均值计算，得到临界值。

在一些实施例中，滤波图像得到模块1402可以具体可以用于利用各向异性高斯滤波器对所述扫描电镜图像进行滤波，得到滤波图像，所述各向异性高斯滤波器的纵向滤波系数大于横向滤波系数。

在一些实施例中，双阈值包括第一阈值和第二阈值，且所述第一阈值大于所述第二阈值。强弱图像得到模块1404可以包括：强图像得到子模块和弱图像得到子模块。

强图像得到子模块，用于基于第一阈值，对边缘增强图像进行二值化处理，得到强边缘图像。

弱图像得到子模块，用于基于第二阈值，对边缘增强图像进行二值化处理，得到弱边缘图像。

在一些实施例中，图像边缘检测装置还可以包括：阈值得到模块。

阈值得到模块，可以用于将边缘增强图像按照双阈值自适应算法进行计算，得到第一阈值和所述第二阈值。

在一些实施例中，边缘图像得到模块1405可以包括：连通确定子模块以及边缘图像得到子模块。

连通确定子模块，用于针对强边缘图像中每个有效像素点，在弱边缘图像中确定与每个有效像素点的位置的邻域内的连通像素点。

边缘图像得到子模块，用于将每个有效像素点的连通像素点对应添加至强边缘图像中，得到边缘检测图像。

应理解，本文中前述关于本申请的方法所描述的具体特征、操作和细节也可类似地应用于本申请的装置和系统，或者，反之亦然。另外，上文描述的本申请的方法的每个步骤可由本申请的装置或系统的相应部件或单元执行。

应理解，本申请的装置的各个模块/单元可全部或部分地通过软件、硬件、固件或其组合来实现。各模块/单元各自可以硬件或固件形式内嵌于电子设备的处理器中或独立于处理器，也可以软件形式存储于电子设备的存储器中以供处理器调用来执行各模块/单元的操作。各模块/单元各自可以实现为独立的部件或模块，或者两个或更多个模块/单元可实现为单个部件或模块。

本申请实施例又一方面，提供了一种电子设备。图15示出本申请实施例提供的一种电子设备的结构示意图。如图15所示，电子设备1500包括处理器1501以及存储有计算机程序指令的存储器1502。其中，处理器1501执行计算机程序指令时实现上述的图像边缘检测方法的各步骤。该电子设备1500可以广义地为服务器、终端，或任何其他具有必要的计算和/或处理能力的电子设备。

在一个实施例中，该电子设备1500可包括通过系统总线连接的处理器、存储器、网络接口、通信接口等。该电子设备1500的处理器可用于提供必要的计算、处理和/或控制能力。该电子设备1500的存储器可包括非易失性存储介质和内存储器。该非易失性存储介质可存储有操作系统、计算机程序等。该内存储器可为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备1500的网络接口和通信接口可用于与外部的设备通过网络连接和通信。该计算机程序被处理器执行时执行本申请的图像边缘检测方法的步骤。

本申请提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现上述的图像边缘检测方法。

本领域的技术人员可以理解，本申请的方法步骤可以通过计算机程序来指示相关的硬件如电子设备1500或处理器完成，计算机程序可存储于非暂时性计算机可读存储介质中，该计算机程序被执行时导致本申请的步骤被执行。根据情况，本文中对存储器、存储或其它介质的任何引用可包括非易失性或易失性存储器。非易失性存储器的示例包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘等。易失性存储器的示例包括随机存取存储器(RAM)、外部高速缓冲存储器等。

以上描述的各技术特征可以任意地组合。尽管未对这些技术特征的所有可能组合进行描述，但这些技术特征的任何组合都应当被认为由本说明书涵盖，只要这样的组合不存在矛盾。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (12)

1.一种图像边缘检测方法，其特征在于，包括：

获取基于扫描电子显微镜得到的扫描电镜图像；

利用滤波器对所述扫描电镜图像进行滤波，得到滤波图像；

将所述滤波图像经过边缘梯度算子和梯度增幅模型进行处理，得到边缘增强图像；

对所述边缘增强图像进行双阈值判决，得到强边缘图像与弱边缘图像；

将所述强边缘图像与所述弱边缘图像进行匹配，得到边缘检测图像。

2.根据权利要求1所述的图像边缘检测方法，其特征在于，所述将所述滤波图像经过边缘梯度算子和梯度增幅模型进行处理，得到边缘增强图像，包括：

通过所述边缘梯度算子对所述滤波图像进行梯度边缘检测，得到初始边缘图像；

基于所述梯度增幅模型对所述初始边缘图像进行边缘增强处理，得到边缘增强图像。

3.根据权利要求2所述的图像边缘检测方法，其特征在于，所述基于所述梯度增幅模型对所述初始边缘图像进行边缘增强处理，得到所述边缘增强图像，包括：

针对所述初始边缘图像中每个像素点，比较所述像素点的灰度值与临界值的大小；

根据比较结果，从所述梯度增幅模型中确定每个像素点的目标梯度增幅子模型；

基于所述每个像素点的目标梯度增幅子模型，对每个所述像素点的灰度值进行增强处理或者抑制处理，得到所述边缘增强图像。

4.根据权利要求3所述的图像边缘检测方法，其特征在于，所述梯度增幅模型包括梯度增强子模型和梯度抑制子模型，所述根据比较结果，从所述梯度增幅模型中确定每个像素点的目标梯度增幅子模型，包括：

在所述像素点的灰度值大于临界值的情况下，将所述梯度增强子模型作为所述像素点的目标梯度增幅子模型；

在所述像素点的灰度值不大于临界值的情况下，将所述梯度抑制子模型作为所述像素点的目标梯度增幅子模型。

5.根据权利要求3所述的图像边缘检测方法，其特征在于，在所述针对所述初始边缘图像中每个像素点，比较所述像素点的灰度值与临界值的大小之前，还包括：

从所述初始边缘图像中筛选预设数量的噪声块；

确定每个噪声块的灰度值的中位数；

对预设数量的灰度值的中位数进行均值计算，得到临界值。

6.根据权利要求1至5任一项所述的图像边缘检测方法，其特征在于，所述利用滤波器对所述扫描电镜图像进行滤波，得到滤波图像，包括：

利用各向异性高斯滤波器对所述扫描电镜图像进行滤波，得到滤波图像，所述各向异性高斯滤波器的纵向滤波系数大于横向滤波系数。

7.根据权利要求1至5任一项所述的图像边缘检测方法，其特征在于，双阈值包括第一阈值和第二阈值，且所述第一阈值大于所述第二阈值，所述对所述边缘增强图像进行双阈值判决，得到强边缘图像与弱边缘图像，包括：

基于所述第一阈值，对所述边缘增强图像进行二值化处理，得到强边缘图像；

基于所述第二阈值，对所述边缘增强图像进行二值化处理，得到弱边缘图像。

8.根据权利要求7所述的图像边缘检测方法，其特征在于，在对所述边缘增强图像进行双阈值判决，得到强边缘图像与弱边缘图像之前，还包括：

将所述边缘增强图像按照双阈值自适应算法进行计算，得到所述第一阈值和所述第二阈值。

9.根据权利要求1所述的图像边缘检测方法，其特征在于，将所述强边缘图像与所述弱边缘图像进行匹配，得到边缘检测图像，包括：

针对所述强边缘图像中每个有效像素点，在所述弱边缘图像中确定与所述每个有效像素点的位置的邻域内的连通像素点；

将所述每个有效像素点的连通像素点对应添加至所述强边缘图像中，得到边缘检测图像。

10.一种图像边缘检测装置，其特征在于，包括：

扫描图像获取模块，用于获取基于扫描电子显微镜得到的扫描电镜图像；

滤波图像得到模块，用于利用滤波器对所述扫描电镜图像进行滤波，得到滤波图像；

增强图像得到模块，用于将所述滤波图像经过边缘梯度算子和梯度增幅模型进行处理，得到边缘增强图像；

强弱图像得到模块，用于对所述边缘增强图像进行双阈值判决，得到强边缘图像与弱边缘图像；

边缘图像得到模块，将所述强边缘图像与所述弱边缘图像进行匹配，得到边缘检测图像。

11.一种电子设备，其特征在于，所述电子设备包括处理器、存储有计算机程序指令的存储器，其中，处理器执行计算机程序指令时，实现如权利要求1至9中任一项所述的图像边缘检测方法的步骤。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有图像边缘检测程序，其中，所述图像边缘检测程序被处理器执行时，实现如权利要求1至9中任一项所述的图像边缘检测方法的步骤。