基于三维信息能量优化曲面造型与BP网络的IC图像噪声类型反求技术研究

IC芯片制造对受噪声污染的数字图像恢复技术要求不断提高。提出了基于三维信息能量优化曲面造型与BP网络的IC图像噪声类型反求技术,通过噪声图像空间矢量的推导,实现图像噪声点的空间曲面造型,并建立BP网络对于噪声空间曲面造型的数学特征进行识别,达到对图像噪声类型进行类型反求的目的。

基于能量熵与BP网络的IC图像噪声类型识别

图像噪声类型识别是IC图像检测的重点和难点。针对准确获取IC图像噪声特征的要求,对噪声图像进行能量熵的推导和计算,并在此基础上形成能量熵分布特征平面,引入二维Zernike矩以对常见噪声类型进行特征值的量化及提取。建立BP网络对噪声样本特征值进行反复训练与调试,最终达到快速准确识别IC图像噪声类型的目的。通过试验计算获得了准确有效的IC图像噪声类型识别结果,并将其与其他典型图像噪声识别方法进行性能指标比较与分析,证明了新方法具有更好的准确性和可靠性。为IC图像的去噪和检测提供了理论基础与技术准备。

基于能量熵分布梯度与Huffman编码的IC图像压缩技术

IC芯片的远程在线制造监控技术使得芯片图像信息的存储、处理与传送要求不断提高。提出了基于能量熵分布梯度与Huffman编码的IC图像压缩技术,通过建立能量熵分布梯度,可提取反映芯片图像细节的特征平面,并结合Huffman编码技术进行图像的编码压缩,实现在高压缩率情况下对于图像细节特征的描述。经过编程实现与图像解压实验,方法获得了较为稳定的压缩结果与清晰的解压图像,为芯片制造的在线远程监控提供了基础。

基于小波变换和升高变换的IC图像纹理分割算法

引入二值图像的升高变换,并结合小波变换提出一种IC图像纹理分割算法.在纹理分割过程中,首先对IC图像进行小波分解并对二值化后的近视部分进行升高变换,然后利用原图像信息识别出不同纹理,分割出不同区域.实验表明,该算法快速、高效,具有很好的实用性.

基于图像分割和加权Fisher判据的彩色IC图像降维

在处理彩色集成电路(IC)图像的过程中,为了降低计算的复杂度,经常需要将彩色图像转换成灰度图像后再进行处理。本文将数据降维中优化判据的思想引入彩色图像到灰度图像的转换中。为了求得最优降维方向,必须寻找一个判据来衡量各个降维方向上形成的灰度图像的质量。文中采用加权的Fisher判据来衡量图像的质量。在将图像分割成区域后,判据中的类间距离反映了区域之间的对比度,类内距离反映了区域内部之间的均匀性,权重反映了区域之间的相邻关系。这样将图像降维分成四步,先挑选样本图像,然后用混合高斯模型进行分割,再优化带权重的Fisher判据得到最优降维方向,最后利用最优降维方向将彩色图像转换成灰度图像。在对彩色IC样本图像进行降维的实验中,该方法能得到比其他方法质量更好的灰度图像。

基于自动秩估计的黎曼优化矩阵补全算法及其在图像补全中的应用

矩阵补全(MC)作为压缩感知(CS)的推广,已广泛应用于不同领域。近年来,基于黎曼优化的MC算法因重构精度高、计算速度快的特点,引起了广泛关注。针对基于黎曼优化的MC算法需假设原矩阵秩固定已知,且随机选择迭代起点的特点,该文提出一种基于自动秩估计的黎曼优化MC算法。该算法通过优化包含秩正则项的目标函数,迭代获取秩估计值和预重构矩阵。在估计所得秩对应的矩阵空间上以预重构矩阵为迭代起点,利用基于黎曼流形的共轭梯度法进行矩阵补全,从而提高重构精度。实验结果表明,与几种经典的图像补全方法相比,该文算法图像重构精度显著提高。

国外动态

JPEG2000使NHK的Hi-:Vision HDTV得到增强 日本广播机构NHK将ADI公司的JPEG2000图像压缩芯片包含进其最新的Hi-Vision HDTV电视机中。NHK的科技研究实验室(STRL)开发了单个实时编/解码板,它以JPEG2000标准为基础,ADI公司的JPEG2000芯片使JPEG2000标准成为可能。

晶圆AOI检测技术研究

IC晶圆AOI自动光学检测系统,是跨学科领域的技术研究成果。需要嵌入式技术、光学技术、数字图像处理、机器视觉技术等多学科理论与实践的有机结合。随着系统对实时性和检测精度要求的提高,高性能缺陷检测策略和算法设计是深亚微米级IC晶圆检测设备设计的核心。基于此,本文首先分析IC晶圆的AOI系统及其技术难点,并探讨IC显微图像拼接技术,最后研究IC晶圆拼接缝融合技术。

图像分类的深度卷积神经网络模型综述

图像分类是计算机视觉中的一项重要任务,传统的图像分类方法具有一定的局限性。随着人工智能技术的发展,深度学习技术越来越成熟,利用深度卷积神经网络对图像进行分类成为研究热点,图像分类的深度卷积神经网络结构越来越多样,其性能远远好于传统的图像分类方法。本文立足于图像分类的深度卷积神经网络模型结构,根据模型发展和模型优化的历程,将深度卷积神经网络分为经典深度卷积神经网络模型、注意力机制深度卷积神经网络模型、轻量级深度卷积神经网络模型和神经网络架构搜索模型等4类,并对各类深度卷积神经网络模型结构的构造方法和特点进行了全面综述,对各类分类模型的性能进行了对比与分析。虽然深度卷积神经网络模型的结构设计越来越精妙,模型优化的方法越来越强大,图像分类准确率在不断刷新的同时,模型的参数量也在逐渐降低,训练和推理速度不断加快。然而深度卷积神经网络模型仍有一定的局限性,本文给出了存在的问题和未来可能的研究方向,即深度卷积神经网络模型主要以有监督学习方式进行图像分类,受到数据集质量和规模的限制,无监督式学习和半监督学习方式的深度卷积神经网络模型将是未来的重点研究方向之一;深度卷积神经网络模型的速度和资源消耗仍不尽人意,应用于移动式设备具有一定的挑战性;模型的优化方法以及衡量模型优劣的度量方法有待深入研究;人工设计深度卷积神经网络结构耗时耗力,神经架构搜索方法将是未来深度卷积神经网络模型设计的发展方向。