JPH11126257A - 画像特徴抽出装置 - Google Patents
画像特徴抽出装置Info
- Publication number
- JPH11126257A JPH11126257A JP9289756A JP28975697A JPH11126257A JP H11126257 A JPH11126257 A JP H11126257A JP 9289756 A JP9289756 A JP 9289756A JP 28975697 A JP28975697 A JP 28975697A JP H11126257 A JPH11126257 A JP H11126257A
- Authority
- JP
- Japan
- Prior art keywords
- cluster
- area
- image
- image feature
- feature extraction
- 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
Landscapes
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
(57)【要約】
【課題】 例えば半導体ウェハの不良原因を探索するた
めの画像データシステム等に用いられ，入力された画像
の特徴を抽出する従来の画像抽出装置では，入力画像の
特徴と画像全体に含まれる特徴とが比較されるため，あ
る画像の一部のみが似ている画像を検索した場合，意図
した検索結果が得られないという問題があった。 【解決手段】 本発明は，入力された画像を，該画像内
で特徴が類似するクラスタに分割し，このクラスタ毎に
特徴を抽出することによって，ある画像の一部のみが似
ている画像の検索を良好に行うことを図ったものであ
る。
めの画像データシステム等に用いられ，入力された画像
の特徴を抽出する従来の画像抽出装置では，入力画像の
特徴と画像全体に含まれる特徴とが比較されるため，あ
る画像の一部のみが似ている画像を検索した場合，意図
した検索結果が得られないという問題があった。 【解決手段】 本発明は，入力された画像を，該画像内
で特徴が類似するクラスタに分割し，このクラスタ毎に
特徴を抽出することによって，ある画像の一部のみが似
ている画像の検索を良好に行うことを図ったものであ
る。
Description
【０００１】
【発明の属する技術分野】本発明は，画像特徴抽出装置
に係り，詳しくは，画像データベースシステムにおいて
検索時に利用する画像の特徴を抽出するための画像特徴
抽出装置に関するものである。
に係り，詳しくは，画像データベースシステムにおいて
検索時に利用する画像の特徴を抽出するための画像特徴
抽出装置に関するものである。
【０００２】
【従来の技術】例えば半導体装置の製造工程等におい
て，半導体ウェハ上の不良の原因を特定する場合，当該
不良パターンの特徴を抽出し，蓄積されている画像から
類似事例を検索して，その類似事例から原因を探索する
方法が有効である。このような画像データベースシステ
ムにおいては，オペレータが所望する画像を検索するた
めに，当該画像の特徴をどのように抽出するかが重要と
なる。画像の特徴抽出を行う従来の画像特徴抽出装置
は，例えば特開平５−６４３７号公報等に記載されてい
る。上記刊行物に記載の画像特徴抽出装置により，当該
画像について抽出される特徴は，検索のために有効であ
ると考えられる例えば画像の濃度分布，周波数分布，局
所相関等や，対象物の周囲長，面積等の物理的特徴であ
る。これらの物理的特徴ｘ1 ，ｘ2 ，…は次式のように
ベクトル化され保存される。 ｇ＝（ｘ1 ，ｘ2 ，…，ｘn ） この画像特徴抽出装置では，特に，人間に理解しにくい
上記物理的特徴ｇが，メンバーシップ関数を用いて人間
の理解しやすい例えば対象物の形状，大きさ，色合い等
の特徴ｇ’に変換される。従って，変換された特徴ｇ’
を基により人間の感覚に近い類似事例の検索が可能とな
っている。
て，半導体ウェハ上の不良の原因を特定する場合，当該
不良パターンの特徴を抽出し，蓄積されている画像から
類似事例を検索して，その類似事例から原因を探索する
方法が有効である。このような画像データベースシステ
ムにおいては，オペレータが所望する画像を検索するた
めに，当該画像の特徴をどのように抽出するかが重要と
なる。画像の特徴抽出を行う従来の画像特徴抽出装置
は，例えば特開平５−６４３７号公報等に記載されてい
る。上記刊行物に記載の画像特徴抽出装置により，当該
画像について抽出される特徴は，検索のために有効であ
ると考えられる例えば画像の濃度分布，周波数分布，局
所相関等や，対象物の周囲長，面積等の物理的特徴であ
る。これらの物理的特徴ｘ1 ，ｘ2 ，…は次式のように
ベクトル化され保存される。 ｇ＝（ｘ1 ，ｘ2 ，…，ｘn ） この画像特徴抽出装置では，特に，人間に理解しにくい
上記物理的特徴ｇが，メンバーシップ関数を用いて人間
の理解しやすい例えば対象物の形状，大きさ，色合い等
の特徴ｇ’に変換される。従って，変換された特徴ｇ’
を基により人間の感覚に近い類似事例の検索が可能とな
っている。
【０００３】
【発明が解決しようとする課題】ところで，半導体ウェ
ハの不良検査等においては，ある画像に含まれる情報全
てが一致する画像を検索する場合よりも，ある画像に含
まれる一部の情報によって類似事例の検索を行う場合の
方が多い。しかし，従来の画像特徴抽出装置では，特徴
の抽出が画像全体に対して行われるため，ある画像に含
まれる一部の情報が似ている画像を検索する場合にも，
入力された画像にほぼ全体が似ているものを検索してし
まい，意図した結果が得られないという問題があった。
本発明は，このような従来の技術における課題を解決す
るために，画像特徴抽出装置を改良し，ある画像の一部
の特徴でも似ている画像検索を可能とする画像データベ
ースシステムを作成するための画像特徴抽出装置を提供
することを目的とするものである。
ハの不良検査等においては，ある画像に含まれる情報全
てが一致する画像を検索する場合よりも，ある画像に含
まれる一部の情報によって類似事例の検索を行う場合の
方が多い。しかし，従来の画像特徴抽出装置では，特徴
の抽出が画像全体に対して行われるため，ある画像に含
まれる一部の情報が似ている画像を検索する場合にも，
入力された画像にほぼ全体が似ているものを検索してし
まい，意図した結果が得られないという問題があった。
本発明は，このような従来の技術における課題を解決す
るために，画像特徴抽出装置を改良し，ある画像の一部
の特徴でも似ている画像検索を可能とする画像データベ
ースシステムを作成するための画像特徴抽出装置を提供
することを目的とするものである。
【０００４】
【課題を解決するための手段】上記目的を達成するため
に本発明は，入力された画像の特徴を抽出する画像特徴
抽出装置であって，上記画像を所定のエリアに分割し，
特徴抽出を行うエリア群を選定するエリア群選定手段
と，上記エリア群選定手段により選定されたエリア群に
含まれる各エリアが相互の類似関係に基づいて統合され
た評価クラスタを作成する評価クラスタ作成手段と，上
記評価クラスタ作成手段により作成された各評価クラス
タについてそれぞれ特徴を抽出する特徴抽出手段とを具
備してなる画像特徴抽出装置として構成されている。上
記画像特徴抽出装置によれば，画像に含まれる一部の特
徴をその類似範囲を取り出して保存することができ，こ
れらクラスタ毎に求められた特徴に基づいて所望の類似
事例を容易に検索することが可能である。上記画像特徴
抽出装置において，上記評価クラスタ作成手段は，例え
ば上記各エリアが相互の類似関係に基づいて階層的に統
合されたクラスタを作成するクラスタ作成手段と，上記
クラスタ作成手段により作成されたクラスタを所定の基
準に従って最上層から分割し再び統合することによって
上記評価クラスタを作成するクラスタ分割再統合手段と
を具備する。この場合，一度作成されたクラスタを分割
・再統合するので，各クラスタの類似度判定の際に生じ
る誤差を防止することができる。
に本発明は，入力された画像の特徴を抽出する画像特徴
抽出装置であって，上記画像を所定のエリアに分割し，
特徴抽出を行うエリア群を選定するエリア群選定手段
と，上記エリア群選定手段により選定されたエリア群に
含まれる各エリアが相互の類似関係に基づいて統合され
た評価クラスタを作成する評価クラスタ作成手段と，上
記評価クラスタ作成手段により作成された各評価クラス
タについてそれぞれ特徴を抽出する特徴抽出手段とを具
備してなる画像特徴抽出装置として構成されている。上
記画像特徴抽出装置によれば，画像に含まれる一部の特
徴をその類似範囲を取り出して保存することができ，こ
れらクラスタ毎に求められた特徴に基づいて所望の類似
事例を容易に検索することが可能である。上記画像特徴
抽出装置において，上記評価クラスタ作成手段は，例え
ば上記各エリアが相互の類似関係に基づいて階層的に統
合されたクラスタを作成するクラスタ作成手段と，上記
クラスタ作成手段により作成されたクラスタを所定の基
準に従って最上層から分割し再び統合することによって
上記評価クラスタを作成するクラスタ分割再統合手段と
を具備する。この場合，一度作成されたクラスタを分割
・再統合するので，各クラスタの類似度判定の際に生じ
る誤差を防止することができる。
【０００５】また，上記エリア群選定手段は，各エリア
を所定の指標によりレベル分けするレベル分け手段を含
んでおり，例えば半導体ウェハ上の欠陥の度合いに従っ
てレベル分けを行って，所望の領域の特徴だけを抽出す
ることができる。また，上記エリア群選定手段が，上記
レベル分け手段のレベル区分を再統合するレベル再統合
手段を更に含む場合，レベル判定に依存する誤差を解消
して特徴を抽出することができる。また，上記評価クラ
スタの大きさを，上記画像及びエリアの大きさに基づい
て規格化すれば，画像の大きさに関わらず特徴を抽出す
ることができる。また，上記クラスタ作成手段により作
成されるクラスタの類似度は，例えば統合後のクラスタ
に属するエリア自身の面積と，統合後のクラスタに属す
るエリア全てを含む凸多角形の面積とに基づいて定めら
れる。このように面積を用いて各クラスタの類似度を判
定する場合，人間の感覚に近い特徴抽出が可能となる。
また，上記クラスタ分割再統合手段において，分割前の
クラスタの面積，分割前のクラスタに属するエリア自身
の面積，及び分割前のクラスタに属するエリア全てを含
む凸型多角形の面積に基づいて，当該クラスタが分割さ
れるか否かが定めれば，人間の感覚に近い分割を行うこ
とができる。また，上記クラスタ分割再統合手段におい
て，例えば分割前のクラスタに属する各エリアの接触度
合いを表すエントロピーに基づいて，当該クラスタが分
割されるか否かを定めれば，一様に分布するクラスタを
抽出することができる。また，上記凸型多角形をその重
心を頂点とする３角形に分割し，各３角形の面積を評価
することによって上記凸型多角形自身の面積を定めれ
ば，凹型のクラスタを評価する場合の判定誤差を低減す
ることができる。また，各評価クラスタについてそれぞ
れ抽出された特徴は，当該画像の特徴として登録手段に
登録される。また，上記画像は，例えば半導体ウェハ上
の不良検査用画像等である。
を所定の指標によりレベル分けするレベル分け手段を含
んでおり，例えば半導体ウェハ上の欠陥の度合いに従っ
てレベル分けを行って，所望の領域の特徴だけを抽出す
ることができる。また，上記エリア群選定手段が，上記
レベル分け手段のレベル区分を再統合するレベル再統合
手段を更に含む場合，レベル判定に依存する誤差を解消
して特徴を抽出することができる。また，上記評価クラ
スタの大きさを，上記画像及びエリアの大きさに基づい
て規格化すれば，画像の大きさに関わらず特徴を抽出す
ることができる。また，上記クラスタ作成手段により作
成されるクラスタの類似度は，例えば統合後のクラスタ
に属するエリア自身の面積と，統合後のクラスタに属す
るエリア全てを含む凸多角形の面積とに基づいて定めら
れる。このように面積を用いて各クラスタの類似度を判
定する場合，人間の感覚に近い特徴抽出が可能となる。
また，上記クラスタ分割再統合手段において，分割前の
クラスタの面積，分割前のクラスタに属するエリア自身
の面積，及び分割前のクラスタに属するエリア全てを含
む凸型多角形の面積に基づいて，当該クラスタが分割さ
れるか否かが定めれば，人間の感覚に近い分割を行うこ
とができる。また，上記クラスタ分割再統合手段におい
て，例えば分割前のクラスタに属する各エリアの接触度
合いを表すエントロピーに基づいて，当該クラスタが分
割されるか否かを定めれば，一様に分布するクラスタを
抽出することができる。また，上記凸型多角形をその重
心を頂点とする３角形に分割し，各３角形の面積を評価
することによって上記凸型多角形自身の面積を定めれ
ば，凹型のクラスタを評価する場合の判定誤差を低減す
ることができる。また，各評価クラスタについてそれぞ
れ抽出された特徴は，当該画像の特徴として登録手段に
登録される。また，上記画像は，例えば半導体ウェハ上
の不良検査用画像等である。
【０００６】
【発明の実施の形態】以下，添付図面を参照して，本発
明の実施の形態につき説明し，本発明の理解に供する。
尚，以下の実施の形態は，本発明を具体化した一例であ
って，本発明の技術的範囲を限定する性格のものではな
い。ここに，図１は本発明の一実施の形態に係る画像特
徴抽出装置の一例である。図１に示すように，本発明の
一実施の形態に係る画像特徴抽出装置は，入力された画
像の特徴を抽出する画像特徴抽出装置であって，上記画
像を所定のエリアに分割し，特徴抽出を行うエリア群を
選定するエリア群選定手段１１と，上記エリア群選定手
段１１により選定されたエリア群に含まれる各エリアが
相互の類似関係に基づいて階層的に統合されたクラスタ
を作成するクラスタ作成部１２ａと，該クラスタ作成部
１２ａにより作成されたクラスタを所定の基準に従って
最上層から分割し再び統合することによって得られた評
価クラスタを作成するクラスタ分割再統合部１２ｂとを
有する評価クラスタ作成手段１２と，上記評価クラスタ
作成手段１２により作成された各評価クラスタについて
それぞれ特徴を抽出する特徴抽出手段１３と，抽出され
た各評価クラスタ毎の特徴を当該画像の特徴として記憶
する登録手段１４とを具備する。
明の実施の形態につき説明し，本発明の理解に供する。
尚，以下の実施の形態は，本発明を具体化した一例であ
って，本発明の技術的範囲を限定する性格のものではな
い。ここに，図１は本発明の一実施の形態に係る画像特
徴抽出装置の一例である。図１に示すように，本発明の
一実施の形態に係る画像特徴抽出装置は，入力された画
像の特徴を抽出する画像特徴抽出装置であって，上記画
像を所定のエリアに分割し，特徴抽出を行うエリア群を
選定するエリア群選定手段１１と，上記エリア群選定手
段１１により選定されたエリア群に含まれる各エリアが
相互の類似関係に基づいて階層的に統合されたクラスタ
を作成するクラスタ作成部１２ａと，該クラスタ作成部
１２ａにより作成されたクラスタを所定の基準に従って
最上層から分割し再び統合することによって得られた評
価クラスタを作成するクラスタ分割再統合部１２ｂとを
有する評価クラスタ作成手段１２と，上記評価クラスタ
作成手段１２により作成された各評価クラスタについて
それぞれ特徴を抽出する特徴抽出手段１３と，抽出され
た各評価クラスタ毎の特徴を当該画像の特徴として記憶
する登録手段１４とを具備する。
【０００７】上記画像特徴抽出装置において，入力され
る画像は，例えば半導体ウェハに対して電気的な不良検
査を行って得た画像である。この画像は，まずエリア群
選定手段１１により図２に示すような所定のエリアに分
割される。このエリアの大きさは，上記画像に含まれる
例えば不良部の大きさによって定められる。また，図３
には，半導体ウェハ上で電気的に導通しない箇所が示さ
れており，この不良を含むエリアは，エリア群選定手段
１１のレベル分け部１１ａにおいて，図４（ａ），
（ｂ），（ｃ）にそれぞれ示すような，例えばｘ方向に
ある不導通部の数や，ｙ方向にある不導通部の数や，面
積といった指標に従ってレベル分けされる。図４（ｄ）
はレベル分けされた不良部を示すものである。尚，エリ
ア群選定手段１１のレベル再統合部１１ｂにおいて，レ
ベルｌ１とレベルｌ２とを統合してレベル判定による誤
差を軽減することも可能である。
る画像は，例えば半導体ウェハに対して電気的な不良検
査を行って得た画像である。この画像は，まずエリア群
選定手段１１により図２に示すような所定のエリアに分
割される。このエリアの大きさは，上記画像に含まれる
例えば不良部の大きさによって定められる。また，図３
には，半導体ウェハ上で電気的に導通しない箇所が示さ
れており，この不良を含むエリアは，エリア群選定手段
１１のレベル分け部１１ａにおいて，図４（ａ），
（ｂ），（ｃ）にそれぞれ示すような，例えばｘ方向に
ある不導通部の数や，ｙ方向にある不導通部の数や，面
積といった指標に従ってレベル分けされる。図４（ｄ）
はレベル分けされた不良部を示すものである。尚，エリ
ア群選定手段１１のレベル再統合部１１ｂにおいて，レ
ベルｌ１とレベルｌ２とを統合してレベル判定による誤
差を軽減することも可能である。
【０００８】上記評価クラスタ作成手段１２のクラスタ
作成部１２ａでは，例えば図４（ｂ）に示した指標で，
ｙ方向に５本以上の不導通部があったレベルｌ１にある
エリアについてクラスタリングを行う。各エリアはＵＰ
ＧＭＡ(unweighted pair-group method using arithmet
ic averages)等のクラスタリング手法に基づいて，互い
に類似しているものとクラスタとして統合される。最も
小さいクラスタはエリア自身である。各クラスタは互い
に類似している他のクラスタとさらに統合され，より大
きなクラスタが順次作成される。この統合の際の基準
は，各クラスタの類似度（非類似度）を示すクラスタ間
距離である。ここで，クラスタ間距離は，例えば統合後
のクラスタに属するエリア自身の面積／統合後のクラス
タに属するエリア全てを含む凸型多角形の面積，で表さ
れる。図５は例えばクラスタＣ１，Ｃ２，Ｃ３を上記ク
ラスタ間距離に基づいて統合する様子を示したものであ
る。
作成部１２ａでは，例えば図４（ｂ）に示した指標で，
ｙ方向に５本以上の不導通部があったレベルｌ１にある
エリアについてクラスタリングを行う。各エリアはＵＰ
ＧＭＡ(unweighted pair-group method using arithmet
ic averages)等のクラスタリング手法に基づいて，互い
に類似しているものとクラスタとして統合される。最も
小さいクラスタはエリア自身である。各クラスタは互い
に類似している他のクラスタとさらに統合され，より大
きなクラスタが順次作成される。この統合の際の基準
は，各クラスタの類似度（非類似度）を示すクラスタ間
距離である。ここで，クラスタ間距離は，例えば統合後
のクラスタに属するエリア自身の面積／統合後のクラス
タに属するエリア全てを含む凸型多角形の面積，で表さ
れる。図５は例えばクラスタＣ１，Ｃ２，Ｃ３を上記ク
ラスタ間距離に基づいて統合する様子を示したものであ
る。
【０００９】図５（ａ）に示すように，クラスタＣ１と
クラスタＣ２を統合することによって生成されるクラス
タＳ１は，その領域内にエリアを９個有する。エリア１
つの面積を１とすると，統合後のクラスタＳ１に属する
エリア自身の面積は，９である。また，統合後のクラス
タＳ１に属するエリア全てを含む凸型多角形の面積は，
およそ１３である。従って，クラスタＣ１とクラスタＣ
２との間のクラスタ間距離は，９／１３となり，およそ
０．７である。一方，図５（ｂ）に示すように，クラス
タＣ２とクラスタＣ３を統合することによって生成され
るクラスタＳ２は，その領域内にエリアを７個有する。
上記と同様にエリア１つの面積を１とすると，統合後の
クラスタＳ２に属するエリア自身の面積は，７である。
また，統合後のクラスタＳ２に属するエリア全てを含む
凸型多角形の面積は，およそ１４である。従って，クラ
スタＣ２とクラスタＣ３との間のクラスタ間距離は，７
／１４となり，およそ０．５である。また，図５（ｃ）
に示すように，クラスタＣ１とクラスタＣ３を統合する
ことによって生成されるクラスタＳ３は，その領域内に
エリアを１４個有する。上記と同様にエリア１つの面積
を１とすると，統合後のクラスタＳ３に属するエリア自
身の面積は，１４である。また，統合後のクラスタＳ３
に属するエリア全てを含む凸型多角形の面積は，１６で
ある。従って，クラスタＣ１とクラスタＣ３との間のク
ラスタ間距離は，１４／１６となり，およそ０．９であ
る。これらクラスタ間距離の値から，クラスタＣ１，Ｃ
２，Ｃ３の中ではクラスタＣ１とクラスタＣ３が最も類
似すると判定され，クラスタＣ１とクラスタＣ３とを統
合してクラスタＳ３が生成される。クラスタリングは，
全てのエリアが一つのクラスタに統合されるまで継続さ
れる。この例では，クラスタＣ１とクラスタＣ３とが統
合されてクラスタＳ３が生成されると，残っているのは
このクラスタＳ３とクラスタＣ２だけである。従って，
次にクラスタＳ３とクラスタＣ２とが自動的に統合され
る。このように，面積比にてクラスタ間距離（各クラス
タの類似度）を評価すると，人間の感覚に準じたクラス
タの統合が行われることが知られている。また，これら
のクラスタの階層関係は，樹形図と呼ばれる分類図によ
って表される。ここで，図６は上記した例のクラスタリ
ングの樹形図を示すものである。また，図７（ａ）に示
す上記レベル１に属する各エリアに対して，クラスタリ
ングを行った場合の樹形図を図７（ｂ）に示す。図７
（ｂ）の樹形図では，互いに近接するクラスタｃ１とク
ラスタｃ６とが最も類似していることが示されている。
次に類似するのは，上記クラスタｃ１とクラスタｃ６と
を統合したクラスタｃ１８とクラスタｃ９，若しくは，
クラスタｃ５とクラスタｃ８である。
クラスタＣ２を統合することによって生成されるクラス
タＳ１は，その領域内にエリアを９個有する。エリア１
つの面積を１とすると，統合後のクラスタＳ１に属する
エリア自身の面積は，９である。また，統合後のクラス
タＳ１に属するエリア全てを含む凸型多角形の面積は，
およそ１３である。従って，クラスタＣ１とクラスタＣ
２との間のクラスタ間距離は，９／１３となり，およそ
０．７である。一方，図５（ｂ）に示すように，クラス
タＣ２とクラスタＣ３を統合することによって生成され
るクラスタＳ２は，その領域内にエリアを７個有する。
上記と同様にエリア１つの面積を１とすると，統合後の
クラスタＳ２に属するエリア自身の面積は，７である。
また，統合後のクラスタＳ２に属するエリア全てを含む
凸型多角形の面積は，およそ１４である。従って，クラ
スタＣ２とクラスタＣ３との間のクラスタ間距離は，７
／１４となり，およそ０．５である。また，図５（ｃ）
に示すように，クラスタＣ１とクラスタＣ３を統合する
ことによって生成されるクラスタＳ３は，その領域内に
エリアを１４個有する。上記と同様にエリア１つの面積
を１とすると，統合後のクラスタＳ３に属するエリア自
身の面積は，１４である。また，統合後のクラスタＳ３
に属するエリア全てを含む凸型多角形の面積は，１６で
ある。従って，クラスタＣ１とクラスタＣ３との間のク
ラスタ間距離は，１４／１６となり，およそ０．９であ
る。これらクラスタ間距離の値から，クラスタＣ１，Ｃ
２，Ｃ３の中ではクラスタＣ１とクラスタＣ３が最も類
似すると判定され，クラスタＣ１とクラスタＣ３とを統
合してクラスタＳ３が生成される。クラスタリングは，
全てのエリアが一つのクラスタに統合されるまで継続さ
れる。この例では，クラスタＣ１とクラスタＣ３とが統
合されてクラスタＳ３が生成されると，残っているのは
このクラスタＳ３とクラスタＣ２だけである。従って，
次にクラスタＳ３とクラスタＣ２とが自動的に統合され
る。このように，面積比にてクラスタ間距離（各クラス
タの類似度）を評価すると，人間の感覚に準じたクラス
タの統合が行われることが知られている。また，これら
のクラスタの階層関係は，樹形図と呼ばれる分類図によ
って表される。ここで，図６は上記した例のクラスタリ
ングの樹形図を示すものである。また，図７（ａ）に示
す上記レベル１に属する各エリアに対して，クラスタリ
ングを行った場合の樹形図を図７（ｂ）に示す。図７
（ｂ）の樹形図では，互いに近接するクラスタｃ１とク
ラスタｃ６とが最も類似していることが示されている。
次に類似するのは，上記クラスタｃ１とクラスタｃ６と
を統合したクラスタｃ１８とクラスタｃ９，若しくは，
クラスタｃ５とクラスタｃ８である。
【００１０】次にクラスタ分割再統合部１２ｂにおい
て，上記のように作成されたクラスタを分割し，再統合
することによって，特徴抽出を行う評価クラスタが選定
される。まず，最上層にあるクラスタｃ３３からクラス
タの分割が行われる。このとき，各クラスタの分割が必
要であるか否かの判断基準は，分割前のクラスタの総面
積と，クラスタの密度である。ここで，クラスタの密度
は，分割前のクラスタに属するエリア自身の面積／分割
前のクラスタに属するエリア全てを含む凸型多角形の面
積である。例えば，このクラスタの総面積がある値より
も大きく，密度がある値よりも小さければ，分割可能で
あると判定される。図７に示す例では，上記レベル１に
属する最大クラスタｃ３３は，総面積が基準値以上でか
つ密度が低いと判定され２つのクラスタｃ３０とクラス
タｃ３２に分割されている。また，クラスタｃ３０に含
まれるクラスタｃ１４とクラスタｃ１６は，総面積が基
準値以下であり，かつ密度も低いと判定されたため，分
割されない。また，クラスタｃ３２に含まれるクラスタ
ｃ２９とクラスタｃ３１は，総面積が基準値以上でかつ
密度が低いと判定され，それぞれクラスタｃ１０，クラ
スタｃ２５と，クラスタｃ２０，クラスタｃ２８にさら
に分割される。このように分割できないクラスタまで分
割が行われる。図８に分割されて残ったクラスタを示
す。
て，上記のように作成されたクラスタを分割し，再統合
することによって，特徴抽出を行う評価クラスタが選定
される。まず，最上層にあるクラスタｃ３３からクラス
タの分割が行われる。このとき，各クラスタの分割が必
要であるか否かの判断基準は，分割前のクラスタの総面
積と，クラスタの密度である。ここで，クラスタの密度
は，分割前のクラスタに属するエリア自身の面積／分割
前のクラスタに属するエリア全てを含む凸型多角形の面
積である。例えば，このクラスタの総面積がある値より
も大きく，密度がある値よりも小さければ，分割可能で
あると判定される。図７に示す例では，上記レベル１に
属する最大クラスタｃ３３は，総面積が基準値以上でか
つ密度が低いと判定され２つのクラスタｃ３０とクラス
タｃ３２に分割されている。また，クラスタｃ３０に含
まれるクラスタｃ１４とクラスタｃ１６は，総面積が基
準値以下であり，かつ密度も低いと判定されたため，分
割されない。また，クラスタｃ３２に含まれるクラスタ
ｃ２９とクラスタｃ３１は，総面積が基準値以上でかつ
密度が低いと判定され，それぞれクラスタｃ１０，クラ
スタｃ２５と，クラスタｃ２０，クラスタｃ２８にさら
に分割される。このように分割できないクラスタまで分
割が行われる。図８に分割されて残ったクラスタを示
す。
【００１１】ところで，例えば上記のように凸型多角形
の面積を用いて分割を行った場合，図９に示すような凹
型のクラスタは総面積が大きく，かつ密度が低いクラス
タと判定され分割されてしまう場合があると考えられ
る。しかし，凹型クラスタに属するエリアが互いによく
類似するのであれば，この凹型クラスタは分割されるべ
きではない。このように凸型多角形を用いた場合だけに
限らず，クラスタの分割の際には，総面積や密度による
判定がクラスタの形状に影響されてしまう場合があるの
で，他の判定基準によってクラスタの再統合を行い余計
な分割を補正する。クラスタを再統合する際の判定基準
は，例えば，以下のようなルールである。ルール１：各
クラスタが構成される最小クラスタ（即ちエリア）が，
他のクラスタが構成されるエリアも含めて２つ以上のエ
リアと接する場合，当該エリア全てを一つのクラスタと
して統合する。ルール２：ルール１で再統合されたクラ
スタが連続する場合は，それらクラスタ全てを一つのク
ラスタにさらに統合する。例えば図８に示したクラスタ
で，上記ルール１を満足するのは，クラスタｃ１０，ｃ
２０，ｃ２５，ｃ２７である。尚，クラスタｃ１１は，
エリア１１自体でありクラスタｃ２７に属するエリアと
も１つしか接していないので，ルール１を満足しない。
上記ルール１を満足したクラスタｃ１０，ｃ２０，ｃ２
５，ｃ２７は全て連続しているので，図１０に示すよう
に再統合されクラスタｃ３４となる。
の面積を用いて分割を行った場合，図９に示すような凹
型のクラスタは総面積が大きく，かつ密度が低いクラス
タと判定され分割されてしまう場合があると考えられ
る。しかし，凹型クラスタに属するエリアが互いによく
類似するのであれば，この凹型クラスタは分割されるべ
きではない。このように凸型多角形を用いた場合だけに
限らず，クラスタの分割の際には，総面積や密度による
判定がクラスタの形状に影響されてしまう場合があるの
で，他の判定基準によってクラスタの再統合を行い余計
な分割を補正する。クラスタを再統合する際の判定基準
は，例えば，以下のようなルールである。ルール１：各
クラスタが構成される最小クラスタ（即ちエリア）が，
他のクラスタが構成されるエリアも含めて２つ以上のエ
リアと接する場合，当該エリア全てを一つのクラスタと
して統合する。ルール２：ルール１で再統合されたクラ
スタが連続する場合は，それらクラスタ全てを一つのク
ラスタにさらに統合する。例えば図８に示したクラスタ
で，上記ルール１を満足するのは，クラスタｃ１０，ｃ
２０，ｃ２５，ｃ２７である。尚，クラスタｃ１１は，
エリア１１自体でありクラスタｃ２７に属するエリアと
も１つしか接していないので，ルール１を満足しない。
上記ルール１を満足したクラスタｃ１０，ｃ２０，ｃ２
５，ｃ２７は全て連続しているので，図１０に示すよう
に再統合されクラスタｃ３４となる。
【００１２】以上のように分割・再統合が行われた結
果，レベル１に属するエリアは，クラスタｃ１１，ｃ３
０，ｃ３４にまとめられた。特徴抽出手段１３では，こ
のクラスタｃ１１，ｃ３０，ｃ３４についてそれぞれ物
理的特徴が抽出される。ここで，物理的特徴とは例えば
エッジ，領域面積，重心座標，密度，縦横長さ，傾き，
周囲長等である。これらの物理的特徴はさらにメンバー
シップ関数により評価されて，従来技術と同様，人間の
理解し易い特徴量が求められ，各クラスタの特徴が決定
される。そして，各クラスタの特徴は，全て，あるウェ
ハの特徴として登録手段１４に登録される。このように
あるウェハの特徴を定めることによって，例えば類似不
良パターンを検索する場合にも，「ウェハの左上部に右
下がりの直線状の大きな××パターン不良の分布がある
ウェハを検索せよ」といった一部の不良の特徴を抽出し
た検索を容易に行うことができる。
果，レベル１に属するエリアは，クラスタｃ１１，ｃ３
０，ｃ３４にまとめられた。特徴抽出手段１３では，こ
のクラスタｃ１１，ｃ３０，ｃ３４についてそれぞれ物
理的特徴が抽出される。ここで，物理的特徴とは例えば
エッジ，領域面積，重心座標，密度，縦横長さ，傾き，
周囲長等である。これらの物理的特徴はさらにメンバー
シップ関数により評価されて，従来技術と同様，人間の
理解し易い特徴量が求められ，各クラスタの特徴が決定
される。そして，各クラスタの特徴は，全て，あるウェ
ハの特徴として登録手段１４に登録される。このように
あるウェハの特徴を定めることによって，例えば類似不
良パターンを検索する場合にも，「ウェハの左上部に右
下がりの直線状の大きな××パターン不良の分布がある
ウェハを検索せよ」といった一部の不良の特徴を抽出し
た検索を容易に行うことができる。
【００１３】
【実施例】上記実施の形態では，クラスタの分割を，分
割前のクラスタの総面積と密度とに基づいて行ったが，
下式に示すようなエントロピーを用いて当該クラスタの
分割を行ってもよい。
割前のクラスタの総面積と密度とに基づいて行ったが，
下式に示すようなエントロピーを用いて当該クラスタの
分割を行ってもよい。
【数１】 但し，Ｐi ：接するクラスタ対象エリアの数／（９×
Ｉ） Ｉ ：クラスタ内に含まれる対象エリアの数 ここで，図１１は上記エントロピーに従ってクラスタの
分割判定を行う様子を示したものである。図１１（ａ）
及び（ｂ）にそれぞれ示されたクラスタは，同じ総面積
と密度とを有する。ところが，図１１（ｂ）に示された
クラスタは，その間にエリアが分布しない空間が比較的
大きく存在する。上記式に従えば，各エリアの接触度合
いが考慮され，図１１（ｂ）に示されたクラスタを分割
することが可能である。もちろん，このエントロピーに
より判定は，総面積と密度とに基づく判定と併用しても
よい。このような画像特徴抽出装置も本発明における画
像特徴抽出装置の一例である。また，上述したように，
凸型多角形を用いてクラスタの分割を行う場合，凹型の
クラスタの密度がかなり低くなり分割されてしまう場合
がある。そこで，図１２に示すように分割前のクラスタ
に属するエリア全てを含む凸型多角形を定めた後，その
重心を一つの頂点とする三角形に当該凸型多角形を分割
して，低く見積もられた面積の補正を行うことも可能で
ある。即ち，各三角形について密度を求め，予め設定さ
れた基準値を満たす三角形の面積のみを加算してクラス
タの面積とする。これにより凹型のクラスタでも分割さ
れることなく登録される。このような画像特徴抽出装置
も本発明における画像特徴抽出装置の一例である。ま
た，クラスタ間距離を計算する場合には，面積だけでな
く，例えばユークリッド距離を用いることも可能であ
る。また，上記実施の形態では，半導体ウェハの画像の
特徴抽出を行ったが，もちろん他の画像についても本発
明に係る画像特徴抽出装置を適用することは可能であ
る。
Ｉ） Ｉ ：クラスタ内に含まれる対象エリアの数 ここで，図１１は上記エントロピーに従ってクラスタの
分割判定を行う様子を示したものである。図１１（ａ）
及び（ｂ）にそれぞれ示されたクラスタは，同じ総面積
と密度とを有する。ところが，図１１（ｂ）に示された
クラスタは，その間にエリアが分布しない空間が比較的
大きく存在する。上記式に従えば，各エリアの接触度合
いが考慮され，図１１（ｂ）に示されたクラスタを分割
することが可能である。もちろん，このエントロピーに
より判定は，総面積と密度とに基づく判定と併用しても
よい。このような画像特徴抽出装置も本発明における画
像特徴抽出装置の一例である。また，上述したように，
凸型多角形を用いてクラスタの分割を行う場合，凹型の
クラスタの密度がかなり低くなり分割されてしまう場合
がある。そこで，図１２に示すように分割前のクラスタ
に属するエリア全てを含む凸型多角形を定めた後，その
重心を一つの頂点とする三角形に当該凸型多角形を分割
して，低く見積もられた面積の補正を行うことも可能で
ある。即ち，各三角形について密度を求め，予め設定さ
れた基準値を満たす三角形の面積のみを加算してクラス
タの面積とする。これにより凹型のクラスタでも分割さ
れることなく登録される。このような画像特徴抽出装置
も本発明における画像特徴抽出装置の一例である。ま
た，クラスタ間距離を計算する場合には，面積だけでな
く，例えばユークリッド距離を用いることも可能であ
る。また，上記実施の形態では，半導体ウェハの画像の
特徴抽出を行ったが，もちろん他の画像についても本発
明に係る画像特徴抽出装置を適用することは可能であ
る。
【００１４】
【発明の効果】上記のように本発明には，入力された画
像の特徴を抽出する画像特徴抽出装置であって，上記画
像を所定のエリアに分割し，特徴抽出を行うエリア群を
選定するエリア群選定手段と，上記エリア群選定手段に
より選定されたエリア群に含まれる各エリアが相互の類
似関係に基づいて統合された評価クラスタを作成する評
価クラスタ作成手段と，上記評価クラスタ作成手段によ
り作成された各評価クラスタについてそれぞれ特徴を抽
出する特徴抽出手段とを具備してなる画像特徴抽出装置
として構成されている。上記画像特徴抽出装置によれ
ば，画像に含まれる一部の特徴をその類似範囲を取り出
して保存することができ，これらクラスタ毎に求められ
た特徴に基づいて所望の類似事例を容易に検索すること
が可能である。上記画像特徴抽出装置において，上記評
価クラスタ作成手段は，例えば上記各エリアが相互の類
似関係に基づいて階層的に統合されたクラスタを作成す
るクラスタ作成手段と，上記クラスタ作成手段により作
成されたクラスタを所定の基準に従って最上層から分割
し再び統合することによって上記評価クラスタを作成す
るクラスタ分割再統合手段とを具備する。この場合，一
度作成されたクラスタを分割・再統合するので，各クラ
スタの類似度判定の際に生じる誤差を防止することがで
きる。また，上記エリア群選定手段は，各エリアを所定
の指標によりレベル分けするレベル分け手段を含んでお
り，例えば半導体ウェハ上の欠陥の度合いに従ってレベ
ル分けを行って，所望の領域の特徴だけを抽出すること
ができる。また，上記エリア群選定手段が，上記レベル
分け手段のレベル区分を再統合するレベル再統合手段を
更に含む場合，レベル判定に依存する誤差を解消して特
徴を抽出することができる。また，上記評価クラスタの
大きさを，上記画像及びエリアの大きさに基づいて規格
化すれば，画像の大きさに関わらず特徴を抽出すること
ができる。また，上記クラスタ作成手段により作成され
るクラスタの類似度は，例えば統合後のクラスタに属す
るエリア自身の面積と，統合後のクラスタに属するエリ
ア全てを含む凸多角形の面積とに基づいて定められる。
このように面積を用いて各クラスタの類似度を判定する
場合，人間の感覚に近い特徴抽出が可能となる。また，
上記クラスタ分割再統合手段において，分割前のクラス
タの面積，分割前のクラスタに属するエリア自身の面
積，及び分割前のクラスタに属するエリア全てを含む凸
型多角形の面積に基づいて，当該クラスタが分割される
か否かが定めれば，人間の感覚に近い分割を行うことが
できる。また，上記クラスタ分割再統合手段において，
例えば分割前のクラスタに属する各エリアの接触度合い
を表すエントロピーに基づいて，当該クラスタが分割さ
れるか否かを定めれば，一様に分布するクラスタを抽出
することができる。また，上記凸型多角形をその重心を
頂点とする３角形に分割し，各３角形の面積を評価する
ことによって上記凸型多角形自身の面積を定めれば，凹
型のクラスタを評価する場合の判定誤差を低減すること
ができる。また，各評価クラスタについてそれぞれ抽出
された特徴は，当該画像の特徴として登録手段に登録さ
れる。また，上記画像は，例えば半導体ウェハ上の不良
検査用画像等である。
像の特徴を抽出する画像特徴抽出装置であって，上記画
像を所定のエリアに分割し，特徴抽出を行うエリア群を
選定するエリア群選定手段と，上記エリア群選定手段に
より選定されたエリア群に含まれる各エリアが相互の類
似関係に基づいて統合された評価クラスタを作成する評
価クラスタ作成手段と，上記評価クラスタ作成手段によ
り作成された各評価クラスタについてそれぞれ特徴を抽
出する特徴抽出手段とを具備してなる画像特徴抽出装置
として構成されている。上記画像特徴抽出装置によれ
ば，画像に含まれる一部の特徴をその類似範囲を取り出
して保存することができ，これらクラスタ毎に求められ
た特徴に基づいて所望の類似事例を容易に検索すること
が可能である。上記画像特徴抽出装置において，上記評
価クラスタ作成手段は，例えば上記各エリアが相互の類
似関係に基づいて階層的に統合されたクラスタを作成す
るクラスタ作成手段と，上記クラスタ作成手段により作
成されたクラスタを所定の基準に従って最上層から分割
し再び統合することによって上記評価クラスタを作成す
るクラスタ分割再統合手段とを具備する。この場合，一
度作成されたクラスタを分割・再統合するので，各クラ
スタの類似度判定の際に生じる誤差を防止することがで
きる。また，上記エリア群選定手段は，各エリアを所定
の指標によりレベル分けするレベル分け手段を含んでお
り，例えば半導体ウェハ上の欠陥の度合いに従ってレベ
ル分けを行って，所望の領域の特徴だけを抽出すること
ができる。また，上記エリア群選定手段が，上記レベル
分け手段のレベル区分を再統合するレベル再統合手段を
更に含む場合，レベル判定に依存する誤差を解消して特
徴を抽出することができる。また，上記評価クラスタの
大きさを，上記画像及びエリアの大きさに基づいて規格
化すれば，画像の大きさに関わらず特徴を抽出すること
ができる。また，上記クラスタ作成手段により作成され
るクラスタの類似度は，例えば統合後のクラスタに属す
るエリア自身の面積と，統合後のクラスタに属するエリ
ア全てを含む凸多角形の面積とに基づいて定められる。
このように面積を用いて各クラスタの類似度を判定する
場合，人間の感覚に近い特徴抽出が可能となる。また，
上記クラスタ分割再統合手段において，分割前のクラス
タの面積，分割前のクラスタに属するエリア自身の面
積，及び分割前のクラスタに属するエリア全てを含む凸
型多角形の面積に基づいて，当該クラスタが分割される
か否かが定めれば，人間の感覚に近い分割を行うことが
できる。また，上記クラスタ分割再統合手段において，
例えば分割前のクラスタに属する各エリアの接触度合い
を表すエントロピーに基づいて，当該クラスタが分割さ
れるか否かを定めれば，一様に分布するクラスタを抽出
することができる。また，上記凸型多角形をその重心を
頂点とする３角形に分割し，各３角形の面積を評価する
ことによって上記凸型多角形自身の面積を定めれば，凹
型のクラスタを評価する場合の判定誤差を低減すること
ができる。また，各評価クラスタについてそれぞれ抽出
された特徴は，当該画像の特徴として登録手段に登録さ
れる。また，上記画像は，例えば半導体ウェハ上の不良
検査用画像等である。
【００１５】
【図１】 本発明の一実施の形態に係る画像特徴抽出装
置の概略構成を示す図。
置の概略構成を示す図。
【図２】 エリア分割の様子を示す図
【図３】 半導体ウェハの不良パターンの一例を示す
図。
図。
【図４】 レベル分けの指標及びレベル分けの結果を示
す図。
す図。
【図５】 クラスタリングを説明するための図。
【図６】 樹形図を説明するための図。
【図７】 クラスタリングの結果の一例を示す図。
【図８】 クラスタの分割を説明するための図。
【図９】 凹型クラスタの分割を説明するための図。
【図１０】 クラスタの再統合を説明するための図。
【図１１】 エントロピーによる分割を説明するための
図。
図。
【図１２】 凹型クラスタの面積補正を説明するための
図。
図。
１１…エリア群選定手段 １２…評価クラスタ作成手段 １２ａ…クラスタ作成部 １２ｂ…クラスタ分割再統合部 １３…特徴抽出手段 １４…登録手段
───────────────────────────────────────────────────── フロントページの続き (72)発明者 福島 高司 兵庫県神戸市西区高塚台１丁目５番５号 株式会社神戸製鋼所神戸総合技術研究所内 (72)発明者 楢崎 博司 兵庫県神戸市西区高塚台１丁目５番５号 株式会社神戸製鋼所神戸総合技術研究所内 (72)発明者 藤岡 亮介 兵庫県神戸市西区高塚台１丁目５番５号 株式会社神戸製鋼所神戸本社内 (72)発明者 小西 正躬 兵庫県神戸市西区高塚台１丁目５番５号 株式会社神戸製鋼所神戸本社内 (72)発明者 坂井 公三郎 兵庫県西脇市平野町302番地の２ ケーテ ィーアイ・セミコンダクター株式会社内
Claims (11)
- 【請求項１】 入力された画像の特徴を抽出する画像特
徴抽出装置であって，上記画像を所定のエリアに分割
し，特徴抽出を行うエリア群を選定するエリア群選定手
段と，上記エリア群選定手段により選定されたエリア群
に含まれる各エリアが相互の類似関係に基づいて統合さ
れた評価クラスタを作成する評価クラスタ作成手段と，
上記評価クラスタ作成手段により作成された各評価クラ
スタについてそれぞれ特徴を抽出する特徴抽出手段とを
具備してなる画像特徴抽出装置。 - 【請求項２】 上記評価クラスタ作成手段が，上記各エ
リアが相互の類似関係に基づいて階層的に統合されたク
ラスタを作成するクラスタ作成手段と，上記クラスタ作
成手段により作成されたクラスタを所定の基準に従って
最上層から分割し再び統合することによって上記評価ク
ラスタを作成するクラスタ分割再統合手段とを具備して
なる請求項１記載の画像特徴抽出装置。 - 【請求項３】 上記エリア群選定手段が，各エリアを所
定の指標によりレベル分けするレベル分け手段を含んで
なる請求項１若しくは２記載の画像特徴抽出装置。 - 【請求項４】 上記エリア群選定手段が，上記レベル分
け手段のレベル区分を再統合するレベル再統合手段を更
に含んでなる請求項３記載の画像特徴抽出装置。 - 【請求項５】 上記評価クラスタの大きさが，上記画像
及びエリアの大きさに基づいて規格化されてなる請求項
１〜４のいずれか１項に記載の画像特徴抽出装置。 - 【請求項６】 上記クラスタ作成手段により作成される
クラスタの類似度が，統合後のクラスタに属するエリア
自身の面積と，統合後のクラスタに属するエリア全てを
含む凸多角形の面積とに基づいて定められてなる請求項
２〜５のいずれか１項に記載の画像特徴抽出装置。 - 【請求項７】 上記クラスタ分割再統合手段において，
分割前のクラスタの面積，分割前のクラスタに属するエ
リア自身の面積，及び分割前のクラスタに属するエリア
全てを含む凸型多角形の面積に基づいて，当該クラスタ
が分割されるか否かが定められてなる請求項２〜６のい
ずれか１項に記載の画像特徴抽出装置。 - 【請求項８】 上記クラスタ分割再統合手段において，
分割前のクラスタに属する各エリアの接触度合いを表す
エントロピーに基づいて，当該クラスタが分割されるか
否かが定められてなる請求項２〜６のいずれか１項に記
載の画像特徴抽出装置。 - 【請求項９】 上記凸型多角形をその重心を頂点とする
３角形に分割し，各３角形の面積を評価することによっ
て上記凸型多角形自身の面積を定めてなる請求項６記載
の画像特徴抽出装置。 - 【請求項１０】 各評価クラスタについてそれぞれ抽出
された特徴を当該画像の特徴に登録する登録手段を具備
してなる請求項１〜９のいずれか１項に記載の画像特徴
抽出装置。 - 【請求項１１】 上記画像が半導体ウェハ上の不良検査
用画像である請求項１〜１０のいずれか１項に記載の画
像特徴抽出装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9289756A JPH11126257A (ja) | 1997-10-22 | 1997-10-22 | 画像特徴抽出装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9289756A JPH11126257A (ja) | 1997-10-22 | 1997-10-22 | 画像特徴抽出装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH11126257A true JPH11126257A (ja) | 1999-05-11 |
Family
ID=17747357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP9289756A Pending JPH11126257A (ja) | 1997-10-22 | 1997-10-22 | 画像特徴抽出装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH11126257A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114708449A (zh) * | 2022-06-02 | 2022-07-05 | 腾讯科技（深圳）有限公司 | 相似视频的确定方法、实例表征模型的训练方法及设备 |
-
1997
- 1997-10-22 JP JP9289756A patent/JPH11126257A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114708449A (zh) * | 2022-06-02 | 2022-07-05 | 腾讯科技（深圳）有限公司 | 相似视频的确定方法、实例表征模型的训练方法及设备 |
| CN114708449B (zh) * | 2022-06-02 | 2022-08-23 | 腾讯科技（深圳）有限公司 | 相似视频的确定方法、实例表征模型的训练方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Hierarchical semantic cognition for urban functional zones with VHR satellite images and POI data | |
| JP4976608B2 (ja) | 画像をイベントに自動的に分類する方法 | |
| CN111651545B (zh) | 一种基于多源数据融合的城市边缘区提取方法 | |
| US9430743B2 (en) | Composite defect classifier | |
| Schroeter et al. | Hierarchical image segmentation by multi-dimensional clustering and orientation-adaptive boundary refinement | |
| US8631373B1 (en) | Yield analysis with situations | |
| US4607384A (en) | Fingerprint classification arrangement | |
| US7716613B2 (en) | Method for classifying errors in the layout of a semiconductor circuit | |
| US7415695B2 (en) | System for search and analysis of systematic defects in integrated circuits | |
| Estivill-Castro et al. | Argument free clustering for large spatial point-data sets via boundary extraction from Delaunay Diagram | |
| US7100128B1 (en) | Zone tree method and mechanism | |
| US7580927B1 (en) | Quadtree center tile/boundary tile optimization | |
| US6981235B1 (en) | Nearest neighbor mechanism | |
| Chang et al. | iClaire: A fast and general layout pattern classification algorithm | |
| JPH07220090A (ja) | 物体認識方法 | |
| US6757883B1 (en) | Estimating free space in IC chips | |
| JPH09251544A (ja) | ワークエッジ検出画像処理装置 | |
| Chelghoum et al. | A decision tree for multi-layered spatial data | |
| Cahn et al. | Segmentation of cervical cell images. | |
| Huh et al. | Identification of multi-scale corresponding object-set pairs between two polygon datasets with hierarchical co-clustering | |
| Liu et al. | M: N Object matching on multiscale datasets based on MBR combinatorial optimization algorithm and spatial district | |
| JPH11126257A (ja) | 画像特徴抽出装置 | |
| Hu et al. | Optimal color composition matching of images | |
| Amir et al. | Ground from figure discrimination | |
| US4969114A (en) | Method for determining an intuitively defined spatial relationship among physical entities |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20041021 |
|
| A625 | Written request for application examination (by other person) |
Free format text: JAPANESE INTERMEDIATE CODE: A625 Effective date: 20041021 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20041222 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20061219 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20070410 |