JP4176041B2 - 分類装置及び分類方法 - Google Patents

Description

本発明は、分類装置及び分類方法に関するものである。

現在、被検体を撮像して取得した画像を用いて分類を行う装置には様々なものがある。それらは“処理画像内に分類すべき対象が１つしかないもの”と“処理画像内に分類すべき対象が複数あるもの”に分けることができる。具体例として、半導体ウェハの製造工程で用いる欠陥分類装置を考える。

配線パターンの異常や結晶欠陥等の微細な欠陥を対象としたミクロ検査の欠陥分類では、予め検出した欠陥箇所を局所的に拡大撮像し、この画像を用いて対象の欠陥の分類を行うため、前述の“処理画像内に分類すべき対象が１つしかないもの”に相当する。

一方、裸眼レベルの低倍率でウェハ全体の画像を撮像し、解像不良、膜ムラ、キズ、異物といった広範囲の欠陥を対象とするマクロ検査の欠陥分類では、画像内に複数の欠陥が存在することがあり、前述の“処理画像内に分類すべき対象が複数存在する場合”に相当する。

後者のように、被検体をマクロ的に検査、解析することは、局所的な検査、解析では分からない結果を得たり、同一範囲をより高速に処理できる等のメリットがあり、様々な分野で有効な方法である。

本発明人による特開２００３−１６８１１４号公報では、半導体ウェハ等を対象としたマクロ検査の欠陥分類装置に関する構成を開示している。以下、図１８を参照してこの欠陥分類の原理を説明する。被検体表面の全体を撮像することにより取得した検査画像８００（図１８の（Ａ））には、概して、解像不良８０１、ムラ８０２、キズ８０３等が含まれている。このような検査画像８００と、良品画像８５０（図１８の（Ｂ）））とを比較することにより差分画像８６０（図１８の（Ｃ））を得る。この差分画像８６０に対して２値化等の処理を行うことにより欠陥領域８７１〜８７３が抽出された欠陥領域抽出画像８７０が得られる。次に、抽出された各欠陥領域８７１〜８７３の大きさ、形状、配置、輝度などに関する特徴量（図中では仮に特徴量１，２，３，…とする）を算出して図１９（Ａ）に示すような各領域毎の特徴量情報を得る。次に、この情報と図１９（Ｂ）に示すような分類ルール（ここでは、ファジィ理論におけるIF-THENルール）を用いて、各欠陥領域８７１〜８７３を所定の欠陥種（＝カテゴリ）に分類する。その結果として、例えば、
欠陥領域８７１→ムラ（確信度：０．６）
欠陥領域８７２→解像不良（確信度：０．９）
欠陥領域８７３→キズ（確信度：０．８）
のような分類結果が出力される。
特開２００３−１６８１１４号公報

前記した特開２００３−１６８１１４号公報では、画像内（＝１枚のウェハ内）に検出した各欠陥領域の分類結果を個別に出力している。しかしながら、実際に装置を利用する際には、
（１）重要な欠陥種（＝カテゴリ）のみを優先して確認したい
（２）分類結果の信頼性が高い欠陥種（＝カテゴリ）を確認したい
（３）全体としての傾向を確認したい
といった理由により、画像内（ウェハ内）を代表した結果を得たい場合が多々ある。これまで、このような課題に対し有効な解決策を示した分類装置は提案されていない。例えば、特開２００１−２２５４５３号公報に記載の印刷物検査装置には、画像を基に欠陥の種類を判別して、種類に応じた警報音を発する装置の構成が示されているが、２つ以上の欠陥種を検出した際には、複合欠陥であるという警報を発するのみで、欠陥種に関する情報は出力していない。

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、複数の分類対象が存在する画像より、個々の対象の分類結果を代表した分類結果を出力することが可能な分類装置及び分類方法を提案することにある。

上記の目的を達成するために、第１の発明は、分類装置であって、被検体表面を撮像した画像内より欠陥領域である複数の領域を抽出する領域抽出手段と、前記抽出した各領域を所定のカテゴリに分類する分類手段と、前記画像内の各領域の分類結果を基に前記所定のカテゴリから画像全体における代表のカテゴリを決定する代表カテゴリ決定手段と、を備える。

また、第２の発明は、第１の発明に係る分類装置において、前記代表のカテゴリは、画像内での各領域の存在割合を示す値、各領域の分類結果の信頼性を示す値、各カテゴリの優先度のうち、少なくともいずれか１つを用いて決定される。

また、第３の発明は、第２の発明に係る分類装置において、前記各領域の存在割合を示す値は、画像内における各カテゴリ毎の領域数、各カテゴリ毎の総面積、画像内を任意サイズで区画分割した際の各カテゴリ毎の占有区画数のうち、少なくともいずれか１つによって表される。

また、第４の発明は、第２または第３の発明に係る分類装置において、前記信頼性を示す値は、分類に用いた特徴量空間内の距離を基に算出される。

また、第５の発明は、第２の発明において、前記優先度は、前記欠陥領域の致命度に応じて設定される。

また、第６の発明は、第１〜第５のいずれか１つの発明において、検出した各領域のカテゴリと、画像全体における代表のカテゴリを切り替えて表示可能な表示手段を更に備える。

また、第７の発明は、第６の発明において、前記表示手段でのカテゴリの表示の際に、処理対象の画像を共に表示する。

また、第８の発明は、第７の発明において、前記処理対象の画像に対し、抽出領域または該抽出領域の外形線をカテゴリ毎に色分けして表示する。

また、第９の発明は、分類方法であって、被検体表面を撮像した画像内より欠陥領域である複数の領域を抽出する工程と、前記抽出した各領域を所定のカテゴリに分類する工程と、前記画像内の各領域の分類結果を基に画像全体における代表のカテゴリを決定する工程とを有する。

本発明によれば、画像内における重要なカテゴリのみを優先して確認したり、多数の被検体における傾向を速やかに確認したり、また必要に応じて画像内の個別の分類結果を詳細に確認することができる。

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、本発明を、半導体ウェハやフラットパネルディスプレイ基板を対象としたマクロ検査に用いる欠陥分類装置に適用した場合について説明するが、これに限定されることはなく、例えば、複数種類の細胞を分類し、代表とする結果を表示する用途にも適用可能である。

図１は、本発明の一実施形態に係る欠陥分類装置の構成を示す図である。本欠陥分類装置は、被検体１１２を照明する照明器１０１と、照明器１０１からの照明光の波長を制限する帯域通過フィルタ１０２と、被検体１１２からの反射光を結像させるためのレンズ１０３と、結像した被検体像を電気信号に変換するＣＣＤカメラ１０４と、ＣＣＤカメラ１０４からの信号を画像として取り込むための画像入力ボード１０５と、画像データの保持、及び後述の各手段の処理に用いるためのメモリ１０６と、画像より分類対象となる欠陥領域を抽出する領域抽出手段１０７と、抽出した各欠陥領域を所定の欠陥種（またはグレードなど）に分類する分類手段１０８と、各領域の分類結果を基に画像全体における代表のカテゴリを決定する代表カテゴリ決定手段１０９と、分類の結果を表示するための表示手段１１０と、前述の各手段に必要な諸設定を外部より設定するための入力手段１１１とから構成される。ここで、メモリ１０６はＰＣ１２０内のメモリにより、領域抽出手段１０７と、分類手段１０８と、代表カテゴリ決定手段１０９とはＰＣ１２０内のＣＰＵにより、表示手段１１０はモニタにより、入力手段１１１はキーボード等により具現化される。

以下に、上記した欠陥分類装置の動作を説明する。欠陥分類装置は、照明器１０１からの光を帯域通過フィルタ１０２により波長制限して被検体１１２に照射する。被検体１１２表面から反射する回折光（または干渉光）をレンズ１０３により結像してＣＣＤカメラ１０４により電気信号に変換する。

ここで回折光（または干渉光）を得るのは、半導体ウェハのマクロ検査で対象とする解像不良、膜ムラ、キズ、異物などの欠陥を十分に画像化するためである。例えば、解像不良が生じた箇所は、表面の微細な凹凸パターンにダレが生じるため、照明光に対する回折角が正常部とは異なる。このため回折光を得ることで画像化し易い。

一方、膜ムラは、透過性のあるレジスト素材の厚さが変化するため、レジストの厚さに応じた光量差が得られる干渉光を得ることで画像化し易い。また、キズ、異物などは、表面が削られたり、物が付着するということから回折光、干渉光どちらでも画像化し易い欠陥である。なお、画像化の程度（＝正常部とのコントラストの大きさ）は変化するが、解像不良、膜ムラに対して、それぞれ干渉光、回折光を用いても画像化することは可能である。

ＣＣＤカメラ１０４からの電気信号は画像入力ボード１０５を通してデジタル化され、演算用のメモリ１０６に取り込まれる。これが被検体の検査画像１３３（図２の（Ａ））となる。次に、領域抽出手段１０７は、取得した検査画像１３３から欠陥領域を抽出する。

抽出の方法としてここでは２通りの方法を示す。第１の方法では、検査画像１３３に対して良品レベルの輝度範囲となる閾値を設定しておき、この閾値を超える輝度を持つ画素の領域を欠陥抽出画像１４０として抽出する（図２の（Ｂ））。ここで、良品レベルの輝度範囲を示す閾値は、ＰＣ１２０内に予め設定しておいても良いし、画像内の輝度ヒストグラムを基に適応的に決定しても良い（東京大学出版会：画像解析ハンドブック：高木幹夫、下田陽久、監修：５０２Ｐ、２値化、を参照）。

第２の方法では、図１８の（Ｂ）に示すような良品ウェハ画像８５０（または図３（Ａ）の上部に示すような、良品となる一定区画の画像１５０）を保持しておき、この画像と図３の（Ａ）に示すような検査画像１３３（または検査画像内の対応区画）を位置合わせし、重なり合う画素間の輝度差を求めて差分画像１６０（図３の（Ｂ））を作成し、この差分画像１６０を用いて上記第１の方法と同様の閾値処理により欠陥領域を抽出する。

このようにして欠陥領域を抽出した後は、分類手段１０８において各欠陥領域を分類する。以下に分類の手順を説明する。

手順１）抽出した各欠陥領域に対する特徴量を算出する。なお、半導体ウェハでは、下地パターンやダイシングラインなどの影響により、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。よって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）などによる領域連結を行い、その後に特徴量を算出する。

図４（Ａ）、（Ｂ）は、モルフォロジー処理（closing処理）を用いた領域連結処理の一例を示している。図４（Ａ）に示される連続解像不良１７０やムラ１７１は領域連結処理により、図４（Ｂ）に示すような連結欠陥領域１７０−１、１７１−１となる。また、特徴量としては、領域単体での大きさ、形状、位置、輝度、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がある。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号公報に開示されている。なお、前述の領域の抽出方法や、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。

手順２）算出した特徴量に対して所定の分類ルールを適用し、各領域のカテゴリを判別する。ここでは、分類ルールとして、ファジィ推論におけるIF-THENルールを用いた例を示す。この場合、
（１）IF（面積＝大 AND 露光区画依存性＝小） THEN（ムラの可能性あり）
ここで露光区画依存性とはウェハ製造におけるステッパ露光時の露光区画位置との関連性を示す特徴量である。

（２）IF（露光区画依存性＝大） THEN（解像不良の可能性高い）
（３）IF（面積＝小 AND 方向性＝大） THEN（キズの可能性高い）
（４）IF（方向性＝大） THEN（キズの可能性あり）
（５）・・・
・・・
のごとく特徴量と欠陥種の間の関係を人の知識などを基にIF-THEN形式で表し、事前に設定しておく。また、上記のルールで用いられる各特徴量の程度に対する“大”、“小”などのラベルと実際の値の関係を、図５に示すような、メンバシップ関数で設定しておき、これらを基に推論を行って各領域の欠陥種を判別する。図５のメンバシップ関数における横軸は面積であり、縦軸は適合度である。適合度とは所定の特徴量が対象のラベルにどの程度合致するかを示す値である。

図６は、メンバシップ関数を用いた分類ルールによる欠陥種判別の原理を説明するための図である。ここでは、上記（１）〜（４）の４つの分類ルールを用いて、領域Ｘ（面積＝ax、露光区画依存性＝sx、方向性＝dx）の欠陥種を判別することを考える。ルール（１）はムラに対する特徴量を示したルールであるが、領域Ｘの面積axは、面積＝大のメンバシップ関数に対して適合度＝0である。つまり面積axは“大”ではないということを示している。よってIF節に示される条件に領域Ｘは合致しないため、領域Ｘがムラであるという可能性はなくなる。

ここで、このような判別結果に対する信頼性を0〜1の数値により示す値として確信度を定義し、IF節への適合度と確信度の間に、THEN節の内容に応じた関係式を設定する。

例えば、THEN節が、“可能性あり”の場合には、その際のIF節への適合度に応じて、確信度が0〜0.5となる線形式を設定し、“可能性高い”の場合には、確信度が0.5〜1.0となる線形式を設定する。

結果として、領域Ｘはルール（２）より、解像不良である確信度＝0.6、ルール（３）、（４）より、キズである確信度＝0.7となる。なお、IF節全体の適合度として、各特徴量における適合度の最小値を使用したり、欠陥種毎に重複するルールの確信度で最大値を使用するのは一例であり、他の方法も考えられる。

以上、最終的に領域Ｘはキズ（確信度：0.7）と判別される。なお、全欠陥種の確信度の総和＝１と成るように計算し直して、ムラ＝0/（0+0.6+0.7）＝0、解像不良＝0.6/（0+0.6+0.7）＝0.46、キズ＝0.7/（0+0.6+0.7）＝0.54、これら値を最終的な確信度とする方法も考えられる。

上記手順２）の推論を用いる以外の方法として、教師データを用いて分類する方法を手順２'）に示す。

手順２'）算出した特徴量に対し、特徴量空間内での教師データとの関係を基に、各領域の欠陥種を判別する。教師データとは、特徴量と正解欠陥種の情報をセットにしたものであり、事前に用意しておく。

図７は、教師データを用いて分類を行う方法の一つであるｋ近傍法による欠陥種判別の原理を説明するための図である。図７の○、△、□は、それぞれムラ、キズ、解像不良の教師データの特徴量空間内での位置を示している。これに対しＰは分類対象の領域の特徴量空間内での位置である。

ｋ近傍法とは、対象領域Ｐに最も近いｋ個（例では５個（事前設定））の教師データの中で最も多い欠陥種を対象領域の欠陥種とする方法である。例ではキズ３個＞解像不良１個＞ムラ１個で、キズが最も多いので対象領域＝キズと判別する。この方法の場合、特徴空間（Ｎ次元）内での２点（ｘ_i ：教師データ、ｘ_j ：分類対象）間の距離計算が必要となるが、距離計算法として下記に挙げるもの等がある。

また、ｋ近傍法以外の方法として、図８に示すように、各欠陥種毎の教師データ分布の代表点（例えば中心）との距離に基づいて分類する方法がある。この場合、代表点における特徴量ｌ（エル）（1≦ｌ（エル）≦N）の値μ^l を下記の式により算出し、上記の距離計算を行い、最も距離が近い欠陥種に分類する。

なお、上記のｋ近傍法、代表点距離比較法ともに、特徴量数（次元数）が増えるほど計算負荷が大きくなるため、事前に、教師データを主成分分析などして分類に必要な特徴量の算出法を決定し、これに基づく特徴量削減処理を行ってから距離計算を行っても良い。

各欠陥領域を分類した後は、代表カテゴリ決定手段１０９において画像を代表する欠陥種（＝カテゴリ）を決定する。代表欠陥種の決定のために、まずは画像内の欠陥領域の分類結果のデータを得る。

図９はこの領域別分類結果データの表である。表中の占有区画数とは、画像内を任意のサイズの区画で分割した際に、欠陥領域が重なる区画の個数である。占有区画数を用いる効果については後述する。

また、信頼性指標値は、分類手段１０８の手順２）で示した推論による分類を行った場合には、判別の際の確信度の値とする。また、手順２'）に示したｋ近傍法を用いた場合には、近傍ｋ個のうち、対象領域の欠陥種と同じ欠陥種である（複数の）教師データの平均距離とする。欠陥種分布の代表点との距離比較を用いた場合には、最も距離が近かった代表点（当然、対象領域の判別欠陥種と同様の欠陥種分布の代表点である）との距離とする。なお、確信度を用いた場合には大きいほど結果の信頼性があり、特徴量空間内の距離を用いた場合には小さいほど信頼性がある。

更に、この結果に基づいて画像内の欠陥種毎の分類結果データを得る。図１０はこの分類結果データの表である。表中の優先度は、分類装置の利用者から見た場合の欠陥種の優先レベルを示すもので事前に設定しておく。通常、致命度の高い欠陥種ほど優先される。（図１０では、数値が大きいほど優先とする。）
以下に、上記の分類結果データを基に代表欠陥種を求める方法を説明する。まず基本的な操作として、
“領域数判断“：画像内で領域数が最も多い欠陥種を代表とする。例：欠陥種Ａ
“総面積判断“：画像内で総面積が最も大きい欠陥種を代表とする。例：欠陥種Ｃ
“総区画数判断“：画像内で占有区画数が最も多い欠陥種を代表とする。例：欠陥種Ｂ
“優先度判断“：画像内で優先度が最も高い欠陥種を代表とする。例：欠陥種Ｂ
を用意する。

これらの各判断は、入力手段１１１を用いて順序付けられるようにしておき、例えば “優先度判断”→“総区画数判断”→“総面積判断”→“領域数判断”のように順序付けて設定した場合には、画像内の結果より、まず“優先度判断“による代表欠陥種の決定を行い、代表が決定すれば処理を終了し、比較要素（ここでは優先度）が同値の場合には、順に次の判断を行って決定する。設定した内容は名称付けて保存可能とし、以後は入力手段１１１を用いて選択的に使用可能とする。

以下に、占有区画数を用いた場合の効果について説明する。例えば図１１（Ａ）に示すように、キズ２００が画像内に多数散在し、ムラ２０１が一部に存在するような画像を考える。この場合、人はキズ２００が画像内を代表する欠陥種だと捉える。また、“領域数判断”においても、キズ２００が代表の欠陥種であると判断されるので正しい判断結果が得られる。一方、図１１（Ｂ）に示すような画像を処理すると、人はムラ２０１が代表の欠陥種であると判断できるが、“領域数判断”ではムラ２０１が画像の大半を占めているのにもかかわらず、代表の欠陥種はキズ２００であると判断してしまう。

一方、“領域面積判断”を用いたとすると、図１１（Ｂ）の画像に対してはムラ２０１が代表の欠陥種であると正しく判断できるが、図１１（Ａ）の画像に対してもムラ２０１が代表の欠陥種であると判断してしまい、やはり人の判断と異なる結果になってしまう。

そこでこのような欠陥種間の大きさの差を吸収する必要がある場合に占有区画数を用いる。図１２（Ａ）、（Ｂ）は、図１１（Ａ）のキズ２００、ムラ２０１による占有区画の状況を示す図である。図１２（Ａ）では区画サイズを半導体ウェハの露光区画サイズとし、図１２（Ｂ）では区画サイズを1/4露光区画サイズとしているが、これは予め任意に設定することが可能である。このような占有区画数に基づく比較を行うことにより、図１２（Ａ）の画像に対してはキズが代表の欠陥種であると判断され、図１１（Ｂ）の画像に対してはムラが代表の欠陥種であると判断されることになり、より自然な代表欠陥種を決定することができる。

以下に、信頼性指標値を考慮する方法を示す。分類結果の信頼性が高い領域に絞って判断する方が、より正確な判断となる。そこで画像内の各領域に対する信頼性指標値の分布を基に信頼性の高いものを選択して上記の各判断を行う。図１３は、図９の領域別分類結果データの表において、結果の信頼性が高い領域を選択し、斜線を施したものである。図１４は、図１３で選択された領域を基にした欠陥種別分類結果データの表である。

信頼性の高いものの選択には、以下に示す方法がある。まず、信頼性指標値を２分する閾値Ｔｈを考え、この閾値Ｔｈを予め設定した下限値〜上限値の間で変動させながら、順次、Ｔｈ未満の指標値集団Ｌと、Ｔｈ以上の指標値集団Ｕの分離指標Ｅ（以下の（６）式で求められる）を求める。次に、求めた分離指標Ｅの値が基も大きくなるＴｈで信頼性指標値を２分し、信頼性の高いものを選択する。

上記した信頼性指標値の考慮に関しても入力手段１１１を用いて設定する。

代表欠陥種が決定された後は、表示手段１１０により代表欠陥種（＝カテゴリ）の情報を表示する。

図１５は、代表欠陥種の表示画面の一例を示している。図１５の検査情報表示部３００には、各slot01〜slot25毎の代表欠陥種の情報（キズ、ムラ、解像不良等）が表示されている。また、この分類結果と検査画像との対応を確認し易くするために、検査画像表示部３０１には各slotの縮小検査画像が表示されている。

また、入力手段１１１を用いて、表示手段１１０内の、より詳細内容を確認したい対象を指定することにより、指定対象内の各領域の欠陥種情報を表示する。図１６は、図１５の表示画面においてslot03を指定し、slot03内の詳細な分類結果を表示させた例を示している。この際は、異物３１１、キズ３１２、ムラ３１３の抽出領域または抽出領域の外形線を欠陥種（＝カテゴリ）別に色分けして表示すると、分類結果を速やかに確認することができる。

図１７は、上記した本実施形態の処理の流れを説明するためのフローチャートである。まず、被検体をＣＣＤカメラにより撮像することにより検査画像を取得する（ステップＳ１）。次に、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）。次に、抽出した各欠陥領域の特徴量を抽出し（ステップＳ３）、抽出した特徴量を基に各欠陥領域を所定のカテゴリに分類する（ステップＳ４）。次に、分類結果の信頼性が高い領域を選択する（ステップＳ５）。次に、各領域の情報（カテゴリ、面積、占有区画数）を基に、画像内での各カテゴリの存在割合値を算出する（ステップＳ６）。次に、各カテゴリの優先度、各カテゴリの存在割合値を基に画像を代表するカテゴリを決定する（ステップＳ７）。次に、画像を代表するカテゴリ及び検査画像や、各領域のカテゴリ及び欠陥領域の外形を表示する（ステップＳ８）。

本発明の一実施形態に係る欠陥分類装置の構成を示す図である。 欠陥領域抽出の第１の方法を説明するための図である。 欠陥領域抽出の第２の方法を説明するための図である。 モルフォロジー処理（closing処理）を用いた領域連結処理の一例を示す図である。 メンバシップ関数の一例を示す図である。 メンバシップ関数を用いた分類ルールによる欠陥種判別の原理を説明するための図である。 ｋ近傍法による欠陥種判別の原理を説明するための図である。 教師データ分布の代表点との距離による欠陥種判別の原理を説明するための図である。 領域別の分類結果データの表を示す図である。 欠陥種別の分類結果データの表を示す図である。 検査画像に対する人の判断結果と、領域数による判断結果または領域面積による判断結果との差について説明するための図である。 図１１（Ａ）のキズ２００、ムラ２０１による占有区画の状況を示す図である。 領域別分類結果データの表において信頼性指標値が高い領域を選択した結果を示す図である。 図１３で選択された領域を基にした欠陥種別分類結果データの表である。 代表欠陥種情報と検査画像とを表示した表示画面である。 図１５のslot03の詳細な分類結果を表示した表示画面である。 本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。 従来の欠陥分類方法の原理を説明するための図である。 各欠陥領域ごとに算出した特徴量および分類ルール例を示す図である。

符号の説明

１０１…照明器、１０２…フィルタ、１０３…レンズ、１０４…ＣＣＤカメラ、１０５…画像入力ボード、１０６…メモリ、１０７…領域抽出手段、１０８…分類手段、１０９…代表カテゴリ決定手段、１１０…表示手段、１１１…入力手段。

Claims (9)

1. 被検体表面を撮像した画像内より欠陥領域である複数の領域を抽出する領域抽出手段と、
   前記抽出した各領域を所定のカテゴリに分類する分類手段と、
   前記画像内の各領域の分類結果を基に前記所定のカテゴリから画像全体における代表のカテゴリを決定する代表カテゴリ決定手段と、
   を備えることを特徴とする分類装置。
2. 前記代表のカテゴリは、画像内での各領域の存在割合を示す値、各領域の分類結果の信頼性を示す値、各カテゴリの優先度のうち、少なくともいずれか１つを用いて決定されることを特徴とする請求項１記載の分類装置。
3. 前記各領域の存在割合を示す値は、画像内における各カテゴリ毎の領域数、各カテゴリ毎の総面積、画像内を任意サイズで区画分割した際の各カテゴリ毎の占有区画数のうち、少なくともいずれか１つによって表されることを特徴とする請求項２記載の分類装置。
4. 前記信頼性を示す値は、分類に用いた特徴量空間内の距離を基に算出されることを特徴とする請求項２または３記載の分類装置。
5. 前記優先度は、前記欠陥領域の致命度に応じて設定されることを特徴とする請求項２記載の分類装置。
6. 検出した各領域のカテゴリと、画像全体における代表のカテゴリを切り替えて表示可能な表示手段を更に備えることを特徴とする請求項１〜５のいずれか１つに記載の分類装置。
7. 前記表示手段でのカテゴリの表示の際に、処理対象の画像を共に表示することを特徴とする請求項６記載の分類装置。
8. 前記処理対象の画像に対し、抽出領域または該抽出領域の外形線をカテゴリ毎に色分けして表示することを特徴とする請求項７記載の分類装置。
9. 被検体表面を撮像した画像内より欠陥領域である複数の領域を抽出する工程と、
   前記抽出した各領域を所定のカテゴリに分類する工程と、
   前記画像内の各領域の分類結果を基に画像全体における代表のカテゴリを決定する工程とを有することを特徴とする分類方法。

Images