图象模板匹配技巧在探针台系统中的利用

1、图象模板匹配技巧 在探针台系统 中的利用摘 要 首要论述了数字图像处理技巧 在探针台系统中的利用 ，分析了基于灰度信息的模板匹配算法以及主动 对准技巧 的原理及实现手法 ，为其它电子专用设备中主动 辨认 对准的利用 供给 一些思路与技术 。要害 词 机器视觉;模板匹配;探针台1 引言 半导体器件与集成电路制作 工艺中，从单晶硅棒的制取到最终器件制作 的完成需要经过繁杂 的工序，粗略地划分可分为前道工序和后道工序，而探针台(Prober)正好是前后道工序之间用于半导体器件芯片的电参数特征 进行测试的要害 设备，它可以将电参数特征 不符合请求 的芯片用打点器(Inker)做一明显的标记，便于在后道

2、工序中及时将其剔除，这样就有效地进步 了半导体器件生产的成品率，大大降低了器件的制作 成本。 测试作为集成电路工艺中首要 一环，探针台的精度直接影响到全部 生产。也由于全部 半导体前道工艺的发展进步 ，晶圆的集成电路品体的个数、品体图形都更加精密繁杂 ，请求 探针台在进步 机械精度的同时，探针台的对准精度，对准效率都有更高的请求 ，这就迫使我们必须控制 主动 辨认 对准是如何实现的这样一个要害 技巧 。探针台的辨认 对准实现框图如图1所示。图1 探针台实现框图2 模板匹配原理：模板匹配就是拿已知的模板图像，和原图像中同样大小的一块区域去对照 。最起头时，模板的左上角点和图像的左上角点是重合的，

3、拿模板和原图像中同样大小的一块区域去对照 ，然后平移到下一个像素，仍然进行同样的操作，所有的地位 都对完后，区别 最小的那块就是我们要找的物体。如图2所示，模板T( m*n个像素)叠放在被搜索图S( W*个像素)上平移，模板笼罩 被搜索图的那块区域叫子图 。i，j为子图左上角在被搜索图S上的坐标。搜索领域是：一种算法是衡量T和Sij的误差，其公式为： 图2 模板与被搜索图的关系 E(i,j)为最小值处即为匹配目标。展开上式：通过对比 T和Sij的类似 性，完成模板匹配历程 。 上式右边第三项表现 模板的总能量，是一个常数与 (i,j)无关，第一项是模板笼罩 下那块图像子图的能量，它随(i,j)

4、 地位 而缓慢转变 ，第二项是子图像和模板的互相干 ，随(i,j) 而转变 。T和S匹配时这一项的取值最大，因此我们可以用下列相干 函数做类似 度测度: 或者归一化为： 其中，搜索地位 数为匹配历程 中要匹配的所有参考点的个数，相干 盘算 量为盘算 每一个搜索参考点是盘算 模板和搜索子图类似 性所需要的盘算 量。所以进步 匹配效率就该当从减少这两个数来进行。下面讨论的抽样点的互相干 匹配算法就是减少了相干 盘算 量，而分层匹配的互相干 算法则从减少搜索地位 数来进步 匹配速度。2.1 抽样点的互相干 匹配算法 图象模板匹配的要害 是对模板和搜索子图进行类似 性的检测，这种检测建立在模板和搜索子

5、图灰度信息的根基 上，利用的图象灰度信息越多越可以更好地度量两者之间的类似 程度。然而利用 中利用的图象信息对少与匹配实现的速度有很大的关系，利用的信息越多，需要的盘算 量就会越大，匹配速度会越低。图象模板匹配的算法钻研 是在满足必然的匹配精度的情况下，尽量减少盘算 量。 抽样点匹配的法子是在互相干 匹配时盘算 模板上所有的像素的根基 上的改善。图象相干 匹配时，从模板和搜索子图中抽取一部分像素来盘算 匹配值，而不是盘算 模板和搜索子图上所有的点。这样在不转变 匹配时搜索所有可能的匹配点时，减少了每个匹配参考点上的相干 盘算 量。经验表明在背景对比 简略 ，平均灰度变更 不大的情况下匹配100

6、个点，一般就可以找到正确的匹配地位 。对于一个 的模板来说省掉了 的相干 盘算 量，所以合理的断定 有效的匹配点的个数得到的光阴 效果是很可观的。实验效果 表明应用 这种抽样点的法子是可以利用 的，在保证精度的同时，进步 了盘算 速度。 本文中省略点的法子是通过在图象上等间隔取点来实现的，假设图象的高度和宽度为lHeight和lWidth，取程度 方向的间隔IntervalH 和竖直方向的间隔IntervalV分辨为lWidth/N和lHeight/M，则在匹配中可以得到 (N+1)*(M+1)个匹配点，这 (N+1)*(M+1)个匹配点可以均匀地散播在图象上。2.2 分层搜索的互相干 匹配算

7、法人们在搜索物体的时候，视觉习惯是先断定 搜索目标的大概地位 ，然后再关注要搜索的细节内容，类比这一历程 ，本节提出基于图象金字塔模型的分层图象匹配法子。 算法的实现历程 如下： 首先，将搜索图 S(i,j)和模板T(m,n) 进行雷同 的分层处理，法子是在图象上等间隔跳跃地取点（采样），在图象的行的方向和列的方向上可以间隔不同。从而得到一个分手率较低和维数较小的图象。比如对 像素的图进行分层，每个三个像素点取一个点，那么得到新图象为 像素，这样的效果 将使搜索地位 数大大减少。 其次，先粗后细的匹配历程 。在粗匹配中找到具有叫高匹配值的潜在的地位 ，设定适当的采样间隔，降低图象的维数。利用

8、根基的模板匹配法子找到粗匹配地位 ，经过粗匹配就是要尽最大可能地剔除非匹配的地位 。精匹配是在粗匹配给定的地位 的根基 上进行精度较高的匹配历程 ，匹配法子要有较高的精度。逐步恢复原本的分手率进行精匹配。最后给出匹配的最佳效果 。 模板的匹配历程 分为粗匹配历程 和精匹配历程 。两个匹配历程 可以采纳 不同的匹配法子，进行不同的组合。在粗匹配历程 中，可以选择运算量小盘算 速度快的算法。在精匹配历程 中，要选用精度较高的算法。2.3 几种互相干 算法的实验数据本实验选取一张240240pixel的灰度图作为搜索的目标图片，在其中选取了从4040pixel到140140pixel的图片作为模板，

9、如图3所示。其中表1是利用Evision软件的模板匹配算法进行模板匹配的效果 ，该软件采纳 了亚像素插值算法，匹配效果 的精度从像素级进步 到了亚像素级别。表2是采纳 抽样点的互相干 模板匹配算法，在模板中将抽样点把持 在121个点，这些点均匀地散播在模板图象中。从实验的效果 可以看出，匹配的精度与Evision软件的匹配效果 雷同 ，只是没有进行亚像素插值。匹配的光阴 随图片的增大而减小，这是由于抽样点的匹配算法漠视了模板大小对相干 盘算 量的影响，只与搜索的地位 数有关。随着模板尺寸的增大，搜索地位 数减少，从而减少了总盘算 量。表3是采纳 分层匹配算法，在粗匹配历程 和精匹配历程 中都采

10、纳 了互相干 算法。在粗匹配历程 当中，将目标图片隔三个像素取一个点，搜索地位 数由原本的240240个点减少到6060个点。从实验的效果 可以看到匹配精度达到了请求 。在漠视精匹配的盘算 量的情况下，分层匹配算法的盘算 量是没有加速的 ，（L是间隔点）这样进步 了匹配精度，也进步 了匹配的速度。 图3 不同尺寸的图片表1 Evision软件的测试效果 Table1 Test result of algorithm in Evision模板大小 X 坐标 Y 坐标 匹配系数光阴 (ms) 4040 128.00 128.00 0.992881 112 6060 130.05 127.01 0.

11、996524 96 8080 125.98 115.00 0.992866 87100100 130.05 128.00 0.995177 63120120 127.06 112.00 0.996320 54140140 130.00 128.00 0.995241 36表2 抽样点匹配算法的效果 Table 2 Test result of sampled points cross correlation matching模板大小 X 坐标 Y 坐标 匹配系数 光阴 (ms) 4040 128 128 0.985424 248 6060 130 127 0.985748 217 8080 1

12、25 115 0.987845 155100100 130 128 0.985748 142120120 127 112 0.986320 93140140 130 128 0.985241 62表3 分层搜索匹配算法的效果 Table 3 Test result of layer matching模板大小 X 坐标 Y 坐标 匹配系数光阴 (ms) 4040 128 128 0.992145 79 6060 130 127 0.985642 63 8080 125 115 0.965214 54100100 130 128 0.985623 43120120 127 112 0.984562 32140140 130 128 0.985692 213 探针台主动 对准的实现转换成电机的旋转脉冲： 脉冲。上述是利用模板匹配的根基原理，在实际利用 中，由于机械的误差的影响，通过电机旋转的角度与盘算 的效果 总是有误差的，为了达到精度请求 ，笔者采纳 了多次逼近的法子，其算法流程图如图5所示。其中d的大小是晶片（Die）的尺寸的整数倍图4未对准的晶圆图5 晶圆主动 对准流程图4收场 语 主动 辨认 对准技巧 将会越来越多地利用 在电了专用