JP3834041B2 - 学習型分類装置及び学習型分類方法 - Google Patents

Description

本発明は、学習型分類装置及び学習型分類方法に関するものである。

学習型分類装置としては、特開平８−２１８０３号公報に、画像内より抽出した欠陥部の特徴量を入力パターンとし、その欠陥種を出力するよう学習させたニューラルネットワークを構築して、これにより欠陥を分類する装置の構成が示されている。

また、特開平１１−３４４４５０号公報には、教師データ作成作業を支援する構成や、作成された教師データを基に統計判別分析を用いて欠陥画像を分類する構成等が示されている。なお、教師データとは、分類対象の画像情報あるいは画像より算出した特徴量情報と、その対象の正解クラス(＝正解カテゴリ)の情報をセットにしたもの(同公報の図４参照)である。
特開平８−２１８０３号公報 特開平１１−３４４４５０号公報

特開平１１−３４４４５０号公報では、欠陥を個別に撮像した欠陥画像に対して正解カテゴリを付与しているが、付与作業は画像毎に必要である。このため、統計分類に用いる多数の教師データを作成するには、非常に手間がかかってしまう。また、被写体を比較的低分解能で広範囲に撮影する光学マクロ検査では、１枚の画像内に複数の欠陥種が存在することは頻繁であり、このような場合には、画像単位で１つの正解カテゴリを付与する方法では適切な教師データを作成することはできない。

一方、特開平８−２１８０３号公報では、画像内で抽出した各欠陥部の特徴量と正解欠陥種情報により教師データを構成しており、１枚の画像内に複数の欠陥種が存在する場合にも対応可能であるが、教師データ作成の詳細に関しては、特に述べられておらず、仮に各抽出欠陥に対して個別に正解欠陥種を付与する場合には、前述と同様に作業の煩雑さが残ることとなる。

本発明はこのような課題に着目してなされたものであり、その目的とするところは、複数の分類対象物が存在する画像に対して、効率良く教師データを作成できる学習型分類装置及び学習型分類方法を提供することにある。

上記の目的を達成するために、第１の発明は、学習型分類装置であって、分類対象となる複数の領域が存在する画像より分類対象の領域を抽出する領域抽出手段と、前記抽出した分類対象の領域に対する特徴量を算出する特徴量算出手段と、前記算出した特徴量を基に、前記抽出した分類対象の領域を所定のクラスに分類する分類手段と、前記分類結果のクラスが同じである領域を統合する領域統合手段と、前記統合領域の画像及び前記分類結果を表示する表示手段と、前記分類結果の誤りを修正するための入力手段と、前記統合領域に対する分類結果を、前記統合領域に含まれる各領域に反映して、各領域毎の教師データを作成する教師データ作成手段と、を備える。

また、第２の発明は、第１の発明に係る学習型分類装置において、前記領域統合手段は、誤った統合がなされた領域が前記入力手段により選択された場合に、その統合領域内の複数の領域を特徴空間内で少なくとも２つ以上のクラスタに分割し、各々のクラスタに属する領域毎に再統合する。

また、第３の発明は、第２の発明に係る学習型分類装置において、前記クラスタの作成は、前記入力手段により指定された特徴軸上での距離を用いて行われる。

また、第４の発明は、第１乃至第３のいずれか１つの発明に係る学習型分類装置において、教師データ数の増加に伴うクラス毎の分類正解率の変化より更なる教師データ作成の必要性を判断する判断手段を更に備える。

また、第５の発明は、学習型分類方法であって、領域抽出手段と、特徴量算出手段と、分類手段と、領域統合手段と、表示手段と、入力手段と、教師データ作成手段とを具備する分類装置が教師データを作成する学習型分類方法であって、前記領域抽出手段が、分類対象となる複数の領域が存在する画像より分類対象の領域を抽出するステップと、前記特徴量算出手段が、前記抽出した領域に対する特徴量を算出するステップと、前記分類手段が、前記算出した特徴量を基に前記領域を所定のクラスに分類するステップと、前記領域統合手段が、前記分類結果のクラスが同じである領域を統合するステップと、前記表示手段が、前記統合した領域の画像及び前記分類結果を表示するステップと、前記入力手段が、前記分類結果の誤りを修正するための指示情報を取得するステップと、前記教師データ作成手段が、前記統合領域に対する分類結果を、前記統合領域に含まれる各領域に反映して、各領域毎の教師データを作成するステップと、を行う。

また、第６の発明は、第５の発明に係る学習型分類方法において、前記領域統合手段が、前記入力手段で前記取得した指示情報により誤った統合がなされた領域が選択された場合に、その統合領域内の複数の領域を特徴空間内で少なくとも２つ以上のクラスタに分割し、各々のクラスタに属する領域毎に再統合する。

また、第７の発明は、第５の発明に係る学習型分類方法において、前記クラスタは、前記入力手段により指定された特徴軸上での距離を用いて作成される。

また、第８の発明は、第５の発明に係る学習型分類方法において、前記分類装置がさらに判断手段を具備し、前記判断手段が、前記教師データ数の増加に伴うクラス毎の分類正解率の変化より更なる教師データ作成の必要性を判断する。

本発明によれば、教師データ作成というユーザーインタラクティブな作業において、画像内の複数の分類対象領域を適当に自動統合しながら表示し、統合領域に対する修正内容を統合領域内の各領域に反映して教師データを自動作成するようにしたので、個々の領域に対する修正の手間を省き、複数の分類対象物が存在する画像に対して効率良く教師データを作成することができる。

また、本発明によれば、領域再統合のための基準をユーザーが指定することにより、ユーザーの感性に合った領域再統合が行われるため、正確な教師データを効率良く作成することができる。

また、本発明によれば、教師データ作成が必要な領域に集中して修正作業を行うことができるため効率良く教師データを作成することができる。

以下、図面を参照して本発明の実施形態を詳細に説明する。ここでは、本発明の実施形態として半導体マクロ検査(半導体マクロ検査の説明は特願２００１−３７０２１８号を参照)の欠陥分類装置を例に説明する。しかしながら、本発明の学習型分類装置は、検査画像内に複数種の分類対象物（例えば細胞）が存在する場合の、他の分類装置にも適用可能である。

（第１実施形態）
図１は、本発明の第１実施形態に係る欠陥分類装置の構成を示す図であり、欠陥領域抽出手段１０１と、特徴量算出手段１０２と、分類手段１０３と、領域統合手段１０４と、教師データ作成手段１０５と、教師データ蓄積手段１０６と、メモリ１０７と、表示手段１０８と、入力手段１０９とから構成される。ここで、欠陥領域抽出手段１０１と、特徴量算出手段１０２と、分類手段１０３と、領域統合手段１０４と、教師データ作成手段１０５とはＰＣ１００内のＣＰＵにより、教師データ蓄積手段１０６はＰＣ１００内のハードディスクにより、メモリ１０７はＰＣ１００内のメモリにより具現化される。さらに、表示手段１０８はモニタにより、入力手段１０９はマウスやキーボード等により具現化される。

なお、検査画像を取得するための構成は特に限定しないため図示しないが、例えば、被検体をＣＣＤカメラにより撮像し、これを画像入力ボードを通してＰＣ１００内のメモリに取り込むことで実現される。また、分類結果情報の処理に関する構成についても特に限定しないため説明を省略する。

図２は、上記した欠陥分類装置の処理の流れを説明するためのフローチャートである。本欠陥分類装置の処理には、学習時(教師データ作成時)の処理と、検査時の処理の２つの処理の流れがある。学習時(教師データ作成時)の処理は図２ではステップＳ１〜１４により実現され、検査時の処理はステップＳ１〜Ｓ４を繰り返すことにより実現される。

以下、図２に示す処理の流れを図１を参照して説明する。欠陥分類装置は、まず、分類対象である欠陥部を含む検査画像を取得する（ステップＳ１）。次に、欠陥領域抽出手段１０１において、取得した検査画像から分類対象となる欠陥領域を抽出する（ステップＳ２）。ステップＳ２での欠陥領域抽出には、予め参照となる検査対象の良品画像を保持しておき、これと検査画像とを比較することにより異常な輝度を持つ領域を欠陥領域として抽出する方法や、規則正しく並ぶパターンの周期性を利用し、同一パターンを持つ小区画同士を比較することにより異常な輝度を持つ領域を欠陥領域として抽出する方法がある。また、欠陥部が周囲と異なる輝度で撮像されるような場合には、比較対象を必要とせずに２値化処理で抽出する方法もある。

欠陥領域を抽出した後は、特徴量算出手段１０２において、各欠陥領域の特徴量を算出する(ステップＳ３)。なお、半導体ウェア等では下地パターンやダイシングライン等の影響により、領域抽出時に同一の欠陥が分割されて抽出される場合がある。このため必要に応じてモルフォロジー処理（（参考）：コロナ社：モルフォロジー：小畑秀文著）等による領域連結を行ってから特徴量を算出する。ここでの特徴量とは、抽出領域単体の大きさ、形状、位置、濃度、テクスチャに関するものや、複数の領域がなす配置構造に関するもの等である。マクロ検査における特徴量に関しては、本発明人による特開２００３−１６８１１４の中で開示している。

なお、領域の抽出方法や、特徴量の算出方法は分類の対象に応じて変更されるものであり、本発明の内容を限定するものではない。

各領域の特徴量を算出した後は、分類手段１０３において、各欠陥領域を所定の欠陥種に分類する(ステップＳ４)。分類の方法としては、予め幾つかの教師データを教師データ蓄積手段１０６に貯えておき、これらの中から特徴空間内で分類対象の欠陥領域に対して近傍となる教師データｋ個を選び、その中で最も多い欠陥種に分類する方法がある(ｋ近傍法)。なお、学習時の初期段階で事前の教師データが全くない場合には、後述のクラスタリング処理と同様の方法で、画面内の欠陥領域を適当にクラス分けし、仮の欠陥種を付けておく（正解欠陥種の情報は以後のユーザー操作により得る）。

検査時には、ステップＳ４によって得られた分類結果の情報を出力し、後段の処理、例えば分類結果に応じた測定処理、修復処理のための入力情報としたり、あるいは記録して後でまとまった単位で結果確認する等を行う。

一方、学習時(教師データ作成時)には、前記のステップＳ４の処理に続いて以下の処理を行う。まず、領域統合手段１０４において、分類手段１０３で同じ欠陥種に分類された欠陥領域を統合する(ステップＳ５)。欠陥領域を統合した後は、表示手段１０８において、統合領域毎に識別可能であるように（色分け等して）表示すると共に、その統合領域の欠陥種を表示する(ステップＳ６)。

図３は、ステップＳ６を実行したときの表示手段１０８の表示画面の一例を示しており、統合領域毎に色分けして表示する表示エリア１５０と、統合領域の欠陥種を表示するための表示エリア１４１とを有する。ここでは、同一の色の表示を同一種類の図柄を施して表現することとする。従って、図３の表示エリア１５０に表示された領域１５１〜１５９のうち、領域１５１〜１５４、１５８、１５９は同一の欠陥種に属するものとして同一の色で統合表示され、領域１５５、１５６は他の同一の欠陥種に属するものとして他の同一の色で統合表示され、領域１５７はさらに他の欠陥種に属するものとしてさらに他の色で表示される。また、表示エリア１４１には、領域１５１〜１５４、１５８、１５９の欠陥種は欠陥Ａ、領域１５５、１５６の欠陥種は欠陥Ｂ、領域１５７の欠陥種は欠陥Ｃに属することが示される。

ここで、ユーザーは表示画面の表示結果に対する判定の正否を判断し(ステップＳ７)、判定が正確であった場合には、入力手段１０９を用いて判定結果がＯＫである旨の指示を行う (ステップＳ８)。ステップＳ８でＯＫが指示された後は、教師データ作成手段１０５において、各統合領域に対する分類結果を、それぞれの統合領域に含まれる各領域の分類結果として、教師データを作成する（ステップＳ９）。図４は、図３に示す表示状態に基づいて作成される教師データを示している。

一方、ステップＳ７において、判定が不正確であった場合には、ユーザーは更に領域の統合結果の妥当性を確認する（ステップＳ１０）。その結果、領域の統合が妥当である場合には、ユーザーは入力手段１０９を用いて判定結果のみを修正する（ステップＳ１１）。図５は、このときの修正用インタフェースの一例を示している。修正後は前述のステップＳ８に移行する。

一方、ステップＳ１０において、領域の統合結果が妥当でない場合には、ユーザーは入力手段１０９を用いて妥当でない統合領域を選択する（ステップＳ１２）。選択の方法には画面内の領域をポインタで指示する等が考えられる。

妥当でない統合領域が選択された後は、領域統合手段１０４において、選択された統合領域内の各領域を特徴空間内でクラスタリングする(ステップＳ１３)。図６は、図３に斜線で示される統合領域内の各領域１５１〜１５４、１５８，１５９を特徴空間内でクラスタリングした例を示している。ここで、各領域は、特徴空間内では、その特徴量の値に対応した点で示される。

クラスタリングの手法に関しては、様々な方法があるが、ここでは一般的な融合法によるクラスタリング処理の流れを図７に示す。まず、クラスタリング処理停止判断用の最小クラスタ間距離Ｄを決定する（ステップＳ２０）。次に、クラスタ間の距離行列を算出する（ステップＳ２１）。次に、クラスタ間距離の最小値が最小クラスタ間距離Ｄよりも小さいかどうかを判断し（ステップＳ２２）、ＮＯの場合には最小クラスタ間距離のクラスタ対を融合して新たなクラスタとし（ステップＳ２３）、ステップＳ２１に戻って処理を継続する。そしてステップＳ２２の判断がＹＥＳになったときに処理を終了する。

なお、ステップＳ２０で決定したクラスタリング処理停止判断用の最小クラスタ間距離Ｄは、初期状態(統合領域内の各領域に対応する点が特徴空間内に存在している状態)における各点間距離の平均値に適当な係数を乗じて算出したり、初期状態における主成分方向の分散値に適当な係数を乗じて算出する等が考えられる。また、処理停止の判断にクラスタ数を用いてもよい。例えば２つのクラスタになるまで続けてその後処理を停止する等である。

ステップＳ１３でのクラスタリング処理の後は各領域をクラスタ毎に再統合する(ステップＳ１４)。再統合の後は、前述のステップＳ６に戻って処理を続ける。再統合により新たにできた統合領域に対する分類結果は未定なので、ステップＳ７の判断はＮＯとなりステップＳ１０に進む。ステップＳ１０で統合結果が妥当であればステップＳ１１、Ｓ８、Ｓ９を実行した後、処理が終了となる。

一方、ステップＳ１０の判断が妥当でない場合にはステップＳ１２、Ｓ１３、Ｓ１４、Ｓ６を順に実行し、より細かい設定がなされる。但し、最初から全ての領域を設定するわけではないので、手間は省かれる。

図８は、図３での欠陥Ａの領域統合結果が妥当でないとして、ステップＳ１２〜Ｓ１４、Ｓ６を実行したときの表示手段１０８の表示画面の一例を示している。表示エリア１６０には図６のクラスタリング結果に基づく再統合の結果が表示されている。つまり、図３で欠陥Ａとして統合表示されていた領域“１５１〜１５４、１５８、１５９”は、新たに“１５１〜１５３”、“１５４、１５９”、“１５８”の異なる３つの統合領域として、各々の色で表示されている。

また、表示エリア１６１、１６２には結果修正の例が示されており、表示エリア１６１の表示は修正前の内容であり、表示エリア１６２の表示は修正後の内容である。表示エリア１６２の表示が示すように、修正後は、領域１５１〜１５３の欠陥種は欠陥Ａ、領域１５５、１５６の欠陥種は欠陥Ｂ、領域１５７の欠陥種は欠陥Ｃ、領域１５８の欠陥種は欠陥Ｄ、領域１５４、１５９の欠陥種は欠陥Ｅに属することが示される。図９は、図８に示す表示状態に基づいて作成される教師データを示している。

上記した第１実施形態によれば、教師データ作成というユーザーインタラクティブな作業において、画像内の複数の分類対象領域を適当に自動統合しながら表示し、統合領域に対する修正内容を統合領域内の各領域に反映して教師データを自動作成することにより、個々の領域に対する修正の手間を省き、効率良く教師データを作成することができる。

（第２実施形態）
以下に本発明の第２実施形態を説明する。第２実施形態の欠陥分類装置は、第１実施形態の欠陥分類装置において、図２のステップＳ１２で妥当でない統合領域を選択する際に、領域再統合のためのクラスタリングに用いる特徴軸を指定可能にしたことを特徴とする。

図１０は、統合領域の選択及び特徴軸の指定を行う際の画面の一例を示している。図３と同様に、表示画面は統合領域毎に色分けして表示する表示エリア１７０と、統合領域の欠陥種を表示するための表示エリア１７１とを有する。図１０に表示された領域１５１〜１５９に関する説明は図３と同様であるため、説明を省略する。表示エリア１７１も図３の表示エリア１４１と同様であるため、説明を省略する。

ここで、特徴軸を指定することで領域の再統合の仕方を制御することができる。例えば、図１０に示される領域１５１〜１５４、１５８、１５９の統合が誤っており、特に面積による差をユーザーが優先的に考えたとすると、選択メニュー１７２から「面積」をクラスタリングに用いる軸として選択することになる。これにより、クラスタリングにおける距離計算は、この面積値を示す軸に沿って行われるため、図１１に示すようなクラスタリング結果となる。また、図１２は、このクラスタリング結果を基に欠陥領域の再統合を行った結果を表示エリア１８０、１８１に表示したようすを示している。

表示エリア１８０には図１１のクラスタリング結果に基づく再統合の結果が表示されている。つまり、図３で欠陥Ａとして統合表示されていた領域“１５１〜１５４、１５８、１５９”は、新たに“１５１〜１５３”、“１５４、１５８、１５９”の異なる２つの統合領域として、各々の色で表示されている。また、表示エリア１８１には、領域１５１〜１５３の欠陥種は欠陥Ａ、領域１５５、１５６の欠陥種は欠陥Ｂ、領域１５７の欠陥種は欠陥Ｃ、領域１５４、１５８、１５９の欠陥種は欠陥Ｄに属することが示されている。

また、ユーザーが区画位置依存性(ステッパを用いて順次露光を行う半導体ウェハでは、ステッパの露光区画位置に依存する欠陥などがある。詳細は特願２００１−３７０２１８号参照)による差を優先的に考えた場合には、図１３に示すような、異なったクラスタリング結果が得られる。このようにユーザーの特徴軸指定により再統合の仕方を変更することで、教師データ作成を支援する。

上記した第２実施形態によれば、領域再統合のための基準をユーザーが指定することにより、ユーザーの感性に合った領域再統合が行われるため、正確な教師データを効率良く作成することができる。

（第３実施形態）
以下に本発明の第３実施形態を説明する。図１４は、第３実施形態の欠陥分類装置の構成を示している。第３実施形態の欠陥分類装置は、第１実施形態の欠陥分類装置の構成に加えて、教師データ数の増加に伴うクラス毎の分類正解率の変化より更なる教師データ作成の必要性を判断する判断手段１１２を備えていることを特徴とする。

判断手段１１２は、教師データの作成時、最初に分類装置が判定した結果と、ユーザーが修正した後の結果を基に、各欠陥種毎の分類正解率を算出する。例えば図３に示される結果が分類装置によるもので、その後ユーザーの修正により図８の結果が得られたとすると、各欠陥種の正解率は以下のように算出される。但しここでは正解率を、（正解した個数)/(実際の個数)で表現するものとする。

・ 欠陥Ａ＝3/3＝100％
・ 欠陥Ｂ＝1/1＝100％
・ 欠陥Ｃ＝2/2＝100％
・ 欠陥Ｄ＝0/1＝0％
・ 欠陥Ｅ＝0/1＝0％
教師データ作成作業が繰り返される過程において、この正解率を常に算出し、その変化を記録していくと、十分な教師データが得られた欠陥種に対しては正解率が安定して高い数値をとるようになる。そこで分類正解率に、ある閾値を設け、この値を継続して超える正解率が維持される欠陥種に関しては、教師データが十分であると判断し、統合結果表示の際、表示しないようにする（または表示の仕方を他の領域と変える）。これによりユーザーは正解率が低い欠陥種に集中して修正作業を行うことができる。

上記した第３実施形態によれば、教師データ作成が必要な領域に集中して修正作業を行うことができるため効率良く教師データを作成することができる。

本発明の第１実施形態に係る欠陥分類装置の構成を示す図である。 第１実施形態の欠陥分類装置の処理の流れを説明するためのフローチャートである。 ステップＳ６を実行したときの表示手段１０８の表示画面の一例を示す図である。 図３に示す表示状態に基づいて作成される教師データを示す図である。 分類結果の修正用インタフェースの一例を示す図である。 図３に欠陥Ａで示される統合領域内の各領域を特徴空間内でクラスタリングした例を示す図である。 融合法によるクラスタリング処理の流れを示す図である。 ステップＳ１４後のステップＳ６を実行したときの表示手段１０８の表示画面の一例を示す図である。 図８に示す表示状態に基づいて作成される教師データを示す図である。 統合領域の選択及び特徴軸の指定を行う際の画面の一例を示す図である。 図１０に欠陥Ａで示される統合領域に含まれる各領域を特徴軸１（面積）でクラスタリングした例を示す図である。 図１１に示すクラスタリング結果に基づく再統合の一例を示す図である。 図１０に欠陥Ａで示される統合領域に含まれる各領域を特徴軸２でクラスタリングした例を示す図である。 本発明の第３実施形態に係る欠陥分類装置の構成を示す図である。

符号の説明

１００…ＰＣ、１０１…欠陥領域抽出手段、１０２…特徴量算出手段、１０３…分類手段、１０４…領域領域統合手段、１０５…教師データ作成手段、１０６…教師データ蓄積手段、１０７…メモリ、１０８…表示手段（モニタ）、１０９…入力手段（マウス、キーボード）。

Claims (8)

1. 分類対象となる複数の領域が存在する画像より分類対象の領域を抽出する領域抽出手段と、
   前記抽出した分類対象の領域に対する特徴量を算出する特徴量算出手段と、
   前記算出した特徴量を基に、前記抽出した分類対象の領域を所定のクラスに分類する分類手段と、
   前記分類結果のクラスが同じである領域を統合する領域統合手段と、
   前記統合領域の画像及び前記分類結果を表示する表示手段と、
   前記分類結果の誤りを修正するための入力手段と、
   前記統合領域に対する分類結果を、前記統合領域に含まれる各領域に反映して、各領域毎の教師データを作成する教師データ作成手段と、
   を備えることを特徴とする学習型分類装置。
2. 前記領域統合手段は、誤った統合がなされた領域が前記入力手段により選択された場合に、その統合領域内の複数の領域を特徴空間内で少なくとも２つ以上のクラスタに分割し、各々のクラスタに属する領域毎に再統合することを特徴とする請求項１に記載の学習型分類装置。
3. 前記クラスタの作成は、前記入力手段により指定された特徴軸上での距離を用いて行われることを特徴とする請求項２に記載の学習型分類装置。
4. 教師データ数の増加に伴うクラス毎の分類正解率の変化より更なる教師データ作成の必要性を判断する判断手段を更に備えることを特徴とする請求項１乃至３のいずれか１つに記載の学習型分類装置。
5. 領域抽出手段と、特徴量算出手段と、分類手段と、領域統合手段と、表示手段と、入力手段と、教師データ作成手段とを具備する分類装置が教師データを作成する学習型分類方法であって、
   前記領域抽出手段が、分類対象となる複数の領域が存在する画像より分類対象の領域を抽出するステップと、
   前記特徴量算出手段が、前記抽出した領域に対する特徴量を算出するステップと、
   前記分類手段が、前記算出した特徴量を基に前記領域を所定のクラスに分類するステップと、
   前記領域統合手段が、前記分類結果のクラスが同じである領域を統合するステップと、
   前記表示手段が、前記統合した領域の画像及び前記分類結果を表示するステップと、
   前記入力手段が、前記分類結果の誤りを修正するための指示情報を取得するステップと、
   前記教師データ作成手段が、前記統合領域に対する分類結果を、前記統合領域に含まれる各領域に反映して、各領域毎の教師データを作成するステップと、
   を行うことを特徴とする学習型分類方法。
6. 前記領域統合手段が、前記入力手段で前記取得した指示情報により誤った統合がなされた領域が選択された場合に、その統合領域内の複数の領域を特徴空間内で少なくとも２つ以上のクラスタに分割し、各々のクラスタに属する領域毎に再統合することを特徴とする請求項５に記載の学習型分類方法。
7. 前記クラスタは、前記入力手段により指定された特徴軸上での距離を用いて作成されることを特徴とする請求項５に記載の学習型分類方法。
8. 前記分類装置がさらに判断手段を具備し、前記判断手段が、前記教師データ数の増加に伴うクラス毎の分類正解率の変化より更なる教師データ作成の必要性を判断することを特徴とする請求項５記載の学習型分類方法。

Images