CN117690142B - 晶圆字符的预处理方法、设备及存储介质 - Google Patents
晶圆字符的预处理方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117690142B CN117690142B CN202410144365.5A CN202410144365A CN117690142B CN 117690142 B CN117690142 B CN 117690142B CN 202410144365 A CN202410144365 A CN 202410144365A CN 117690142 B CN117690142 B CN 117690142B
- Authority
- CN
- China
- Prior art keywords
- image
- character
- segmentation
- area
- region
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000007781 pre-processing Methods 0.000 title claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 182
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013519 translation Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 238000005286 illumination Methods 0.000 description 9
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 5
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/16—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Character Input (AREA)
Abstract
本申请公开了一种晶圆字符的预处理方法、设备及存储介质，方法包括：获取原始图像的字符暗区域分割图像和字符亮区域分割图像，其中，原始图像包含待处理晶圆字符；将字符暗区域分割图像以及字符亮区域分割图像分别进行滤波处理，得到各自对应的暗区域上字符分割图像和亮区域下字符分割图像；将暗区域上字符分割图像和亮区域下字符分割图像进行融合，得到融合图像；基于融合图像对待处理晶圆字符进行识别，得到待处理晶圆字符的识别结果。本申请能够提高晶圆字符识别的准确性。
Description
技术领域
本申请涉及字符检测技术领域，特别是涉及晶圆字符的预处理方法、设备及存储介质。
背景技术
一般来说，如果图像的字符区域光照稳定，则便于字符检测和识别。但当字符区域光照不均匀时，则检测和识别准确性极具下降。
目前，为了解决字符区域光照不均匀导致检测和识别准确性下降的问题，通常先对图像进行增强处理，得到增强图像，再基于增强图像进行检测和识别，但是该方式识别出的结果与实际字符仍然相差较大。
发明内容
本申请提供了晶圆字符的预处理方法、设备及存储介质，能够提高晶圆字符识别的准确性。
第一方面，本申请提供一种晶圆字符的预处理方法，该方法包括：
获取原始图像的字符暗区域分割图像和字符亮区域分割图像，其中，原始图像包含待处理晶圆字符；
将字符暗区域分割图像以及字符亮区域分割图像分别进行滤波处理，得到各自对应的暗区域上字符分割图像和亮区域下字符分割图像；
将暗区域上字符分割图像和亮区域下字符分割图像进行融合，得到融合图像；
基于融合图像对待处理晶圆字符进行识别，得到待处理晶圆字符的识别结果。
其进一步的技术方案为，获取原始图像的字符暗区域分割图像，包括：
获取原始图像的晶圆边缘分割图像和字符区域分割图像；
基于晶圆边缘分割图像和字符区域分割图像，得到字符暗区域分割图像。
其进一步的技术方案为，获取原始图像的晶圆边缘分割图像和字符区域分割图像，包括：
将原始图像按照第一预设阈值进行全局定值分割，得到晶圆边缘分割图像；
基于晶圆边缘分割图像，得到晶圆边缘的轮廓；
基于晶圆边缘的轮廓，得到字符区域的初始边界；
基于字符区域的初始边界，得到原始图像的第一掩膜图像；
基于第一掩膜图像，得到原始图像的字符区域分割图像。
其进一步的技术方案为，基于晶圆边缘的轮廓，得到字符区域的初始边界，包括：
基于轮廓的最左点位置和最右点位置，得到晶圆边缘的下侧边界；
基于下侧边界得到字符区域的上下边界；
基于晶圆边缘轮廓的最左点位置和最右点位置得到待处理晶圆字符对应区域的初始左右边界；
将字符区域的上下边界、初始左右边界作为字符区域的初始边界。
其进一步的技术方案为，基于晶圆边缘分割图像和字符区域分割图像，得到字符暗区域分割图像，包括：
基于晶圆边缘分割图像和字符区域分割图像，得到暗区域的初始边界；
基于暗区域初始边界得到原始图像的第二掩膜图像；
在第二掩膜图像的预设区域内，获取原始图像的第二灰度均值和第二标准差；
基于第二灰度均值和第二标准差得到第三阈值，将原始图像按照第三阈值进行全局阈值分割，得到第三初始分割图像；
基于第三初始分割图像与第二掩膜图像，得到字符暗区域分割图像。
其进一步的技术方案为，基于晶圆边缘分割图像和字符区域分割图像，得到暗区域的初始边界，包括：
基于晶圆边缘分割图像，得到暗区域的上下边界；
基于字符区域分割图像，得到暗区域的左右边界；
将暗区域的上下边界和左右边界作为暗区域的初始边界。
其进一步的技术方案为，获取字符亮区域分割图像，包括：
基于字符暗区域分割图像，得到字符暗区域的精细边界；
将字符暗区域的精细边界按照预设字符高度，生成第三掩膜图像；
基于第三掩膜图像与第二掩膜图像，得到字符亮区域的掩膜图像；
对原始图像进行卷积处理，得到卷积图像；
基于卷积图像和原始图像，得到原始图像的增强图像；
在字符亮区域的掩膜图像的预设区域内，获取增强图像的第三灰度均值和第三标准差；
基于第三灰度均值和第三标准差得到第四阈值，将增强图像按照第四阈值进行全局阈值分割，得到字符亮区域分割图像。
其进一步的技术方案为，将增强图像按照第四阈值进行全局阈值分割，得到字符亮区域分割图像，包括：
将增强图像按照第四阈值进行全局阈值分割，得到第四初始分割图像；
基于第四初始分割图像和第三掩膜图像，得到字符亮区域分割图像。
第二方面，本申请提供了一种计算机设备，该计算机设备包括存储器及处理器，该存储器上存储有计算机程序，用于执行如本申请上述任一项方法的步骤。
第三方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，计算机程序在被处理器执行时，用于实现上述的晶圆字符的预处理方法。
本申请的有益效果是：区别于现有技术的情况，本申请通过获取原始图像的字符暗区域分割图像和字符亮区域分割图像，对字符暗区域分割图像以及字符亮区域分割图像分别进行滤波处理，可以去除噪声和干扰，增强字符的边缘信息。并将各自滤波处理后得到的暗区域上字符分割图像和亮区域下字符分割图像进行融合，得到融合图像。由于融合图像综合考虑了暗区域和亮区域的特征，所以融合图像是完整的字符分割图像，因此基于得到的融合图像对待处理晶圆字符进行检测识别，能够提高晶圆字符识别的准确性，避免直接在原始图像上对字符进行检测和识别导致识别不准确的问题。
另外，由于字符区域有高度差，导致字符区域一半亮区域，一半暗区域，因此，相关技术对原始图像采用全局的增强方式虽然能够对整个图像或图像的某个全局特征进行增强，但是直接在增强后的图像上对字符进行检测和识别，无法针对字符区域的局部特征进行精细处理，导致无法解决字符区域高度差的问题。而本申请通过对字符暗区域分割图像以及字符亮区域分割图像分别进行滤波处理即分别对暗区域和亮区域进行局部增强处理，能够对原始图像中的字符进行更细致的分析和处理，提高晶圆字符识别的准确性，避免亮区域和暗区域之间的高度差导致识别不准确的问题，提高晶圆字符识别的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
图1是本申请提供的晶圆字符的预处理方法第一实施例的流程示意图；
图2是原始图像示意图；
图3是第一分割图像示意图；
图4是第一掩膜图像示意图；
图5是粗定位后的字符区域分割图像示意图；
图6是第二掩膜图像示意图；
图7是暗区域上字符分割图像示意图；
图8是第三掩膜图像示意图；
图9是锐化后得到的卷积图像示意图；
图10是亮区域下字符分割图像示意图；
图11是融合图像示意图；
图12是旋转后的融合图像示意图；
图13是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
光学字符识别是指对图像中的文字进行查找、提取、识别的一种技术，然后用字符识别方法将形状翻译成计算机文字的过程。一般来说，如果图像的字符区域光照稳定，则便于字符检测和识别。但当字符区域光照不均匀时，则检测和识别准确性极具下降。
目前，为了解决字符区域光照不均匀导致检测和识别准确性下降的问题，通常先对图像进行增强处理，得到增强图像，再基于增强图像进行检测和识别。常见的图像增强方式有伽马校正、亮度校正、直方图增强等。
由于字符区域有高度差，导致字符区域一半亮区域，一半暗区域，因此对于字符区域光照不均的情况，需要分别对字符亮暗区域采取不同的策略进行处理，而现有的图像增强方式都是针对全局的增强方式，因此无法解决字符区域光照不均的情况。
因此，为了解决现有技术中因直接在增强后的图像上对字符进行检测和识别导致字符识别准确性较低的技术问题，本申请提供了一种晶圆字符的预处理方法，具体参阅以下实施例。
下面对本申请提供的晶圆字符的预处理方法进行详细的介绍。具体请参阅图1，图1是本申请提供的晶圆字符的预处理方法第一实施例的流程示意图。方法应用于处理器，方法包括：
步骤110：获取原始图像的字符暗区域分割图像和字符亮区域分割图像。其中，原始图像包含待处理晶圆字符。
其中，暗区域通常指的是字符颜色较暗的部分，而亮区域通常指的是字符颜色较亮的部分。
其中，可以先通过获取原始图像的晶圆边缘分割图像和字符区域分割图像，然后基于晶圆边缘分割图像和字符区域分割图像，得到字符暗区域分割图像和字符亮区域分割图像。
步骤120：将字符暗区域分割图像以及字符亮区域分割图像分别进行滤波处理，得到各自对应的暗区域上字符分割图像和亮区域下字符分割图像。
其中，滤波处理可以是形态学滤波处理、平滑滤波、锐化滤波等。
比如，将字符暗区域分割图像进行形态学滤波处理，以将字符在暗区域的上半截字符分割出来，即得到对应的暗区域上字符分割图像。
同样地，将字符亮区域分割图像进行形态学滤波处理，以将字符在亮区域的下半截字符分割出来，即得到对应的亮区域下字符分割图像。
步骤130：将暗区域上字符分割图像和亮区域下字符分割图像进行融合，得到融合图像。
步骤140：基于融合图像对待处理晶圆字符进行识别，得到待处理晶圆字符的识别结果。
需要说明的是，待处理晶圆字符的具体识别过程可以根据实际需要进行设置，本申请在此不进行限定。
该实施例通过获取原始图像的字符暗区域分割图像和字符亮区域分割图像，对字符暗区域分割图像以及字符亮区域分割图像分别进行滤波处理，可以去除噪声和干扰，增强字符的边缘信息。并将各自滤波处理后得到的暗区域上字符分割图像和亮区域下字符分割图像进行融合，得到融合图像。由于融合图像综合考虑了暗区域和亮区域的特征，所以融合图像是完整的字符分割图像，因此基于得到的融合图像对待处理晶圆字符进行检测识别，能够提高晶圆字符识别的准确性，避免直接在原始图像上对字符进行检测和识别导致识别不准确的问题。
另外，由于字符区域有高度差，导致字符区域一半亮区域，一半暗区域，因此，相关技术对原始图像采用全局的增强方式虽然能够对整个图像或图像的某个全局特征进行增强，但是直接在增强后的图像上对字符进行检测和识别，无法针对字符区域的局部特征进行精细处理，导致无法解决字符区域高度差的问题。而本申请通过对字符暗区域分割图像以及字符亮区域分割图像分别进行滤波处理即分别对暗区域和亮区域进行局部增强处理，能够对原始图像中的字符进行更细致的分析和处理，提高晶圆字符识别的准确性，避免亮区域和暗区域之间的高度差导致识别不准确的问题，提高晶圆字符识别的准确性。
参阅本申请提供的晶圆字符的预处理方法的第二实施例，第二实施例具体包括以下步骤。
步骤210：获取原始图像的晶圆边缘分割图像和字符区域分割图像。
具体地，步骤210可以包括以下步骤：
步骤11：将原始图像按照第一预设阈值进行全局定值分割，得到晶圆边缘分割图像。
由于结构空间限制，使得条形光源安装在晶圆上侧方，晶圆边缘成像高亮且稳定。当晶圆被某种光源照射时，其边缘会因为光照的不均匀或反射等原因，呈现出与背景或其他区域不同的亮度或颜色。这种成像特点使得晶圆的边缘在图像中与其他部分有明显的区别，因此可以根据晶圆边缘的成像特点，通过阈值分割，进而定位晶圆边缘，比如设定一个阈值，使得晶圆边缘的像素与背景或其他部分的像素区分开。
其中，第一预设阈值可以根据实际情况进行设置。
步骤12：基于晶圆边缘分割图像，得到晶圆边缘的轮廓。
示例性地，对原始图像（如图2所示）按照第一预设阈值t1进行全局定值分割得到晶圆边缘分割图像即第一分割图像（如图3所示）。第一分割图像包括目标区域和非目标区域。如果灰度值高于或等于t1，那么这个像素点就会被标记为高亮（或目标）区域，否则就会被标记为非目标区域。在第一分割图像中遍历各目标区域，选取最大面积的目标区域即为晶圆边缘高亮区域，从晶圆边缘的高亮区域可以确定晶圆边缘的轮廓。
步骤13：基于晶圆边缘的轮廓，得到字符区域的初始边界。
其中，步骤13可以包括以下流程：
1）基于轮廓的最左点位置和最右点位置，得到晶圆边缘的下侧边界。
在opencv中，外轮廓的排序按照逆时针存储，在定位到晶圆边缘的轮廓后，可以通过找到晶圆边缘轮廓的最左点位置和最右点位置，将晶圆边缘的下侧边界提取出来。
2）基于下侧边界得到字符区域的上下边界。
比如，下侧边界为A，将A向下平移预设距离d1，则可以得到字符区域的上侧边界；设定一高度h1，将A向下平移d1+h1，则可以得到字符区域的下侧边界。
其中，可以采用以下平移公式即公式一计算字符区域的边界：
（公式一）。
其中x'、y'是指平移后的像素坐标，x、y指平移前的像素坐标，tx、ty指平移量。
比如，y为平移前的下侧边界A的像素坐标，y+ty可以表示将晶圆边缘的下侧边界A向下平移d1距离，得到的y'可以为字符区域粗定位的上侧边界。
3）基于晶圆边缘轮廓的最左点位置和最右点位置得到待处理晶圆字符对应区域的初始左右边界。
4）将字符区域的上下边界、初始左右边界作为字符区域的四条边界即初始边界。
步骤14：基于字符区域的初始边界，得到原始图像的第一掩膜图像。
其中，第一掩膜图像的尺寸与原始图像相同。
步骤15：基于第一掩膜图像，得到原始图像的字符区域分割图像。
其中，在第一掩膜图像（如图4所示）的有效区域内计算原始图像的第一灰度均值m1，将第一灰度均值m1作为第二阈值t2，将原始图像按照第二阈值t2进行全局阈值分割，得到分割后的图像，求分割后的图像与第一掩膜图像的交集，得到第二分割图像即字符区域分割图像（如图5所示）。
遍历第二分割图像中的多个目标区域，其中最大面积区域即为字符所在区域。基于字符所在区域可以得到字符区域的左侧边界和右侧边界。
步骤220：基于晶圆边缘分割图像和字符区域分割图像，得到字符暗区域分割图像。
在一些实施例中，步骤220可以包括以下流程：
步骤21：基于晶圆边缘分割图像和字符区域分割图像，得到暗区域的初始边界。
其中，步骤21可以包括以下流程：
1）基于晶圆边缘分割图像，得到暗区域的上下边界。
其中，基于晶圆边缘分割图像可以得到晶圆边缘的下侧边界A，将晶圆边缘的下侧边界A分别向下平移预设距离，则可以分别得到字符暗区域的上侧边界和下侧边界。比如将晶圆边缘的下侧边界A向下平移距离d2，得到字符暗区域的上侧边界；将晶圆边缘的下侧边界向下平移距离d3，得到字符暗区域的下侧边界。
2）基于字符区域分割图像，得到暗区域的左右边界。
其中，从字符区域分割图像中选取最大面积的区域即为字符所在区域，根据字符所在区域可以得到字符区域的左侧边界和右侧边界，将字符区域的左侧边界和右侧边界分别作为字符暗区域的左侧边界和右侧边界。
3）将暗区域的上下边界和左右边界作为暗区域的初始边界。
步骤22：基于暗区域初始边界得到原始图像的第二掩膜图像。
其中，第二掩膜图像（如图6所示）的尺寸与原始图像相同。
步骤23：在第二掩膜图像的预设区域内，获取原始图像的第二灰度均值和第二标准差。
其中，预设区域为有效区域。
步骤24：基于第二灰度均值和第二标准差得到第三阈值，将原始图像按照第三阈值进行全局阈值分割，得到第三初始分割图像。
其中，可以采用以下公式二计算分割阈值如第三阈值：
（公式二）。
其中，thres为分割阈值，mxy为灰度均值，σxy为灰度标准差，a和b是系数。
步骤25：基于第三初始分割图像与第二掩膜图像，得到字符暗区域分割图像。
其中，可以采用以下公式三得到分割图像：
（公式三）。
其中，∩为交集的逻辑运算，即位与操作。
为交集后得到的分割图像，比如第三分割图像也即字符暗区域分割图像，/>为参与交集运算的分割图像比如第三初始分割图像。
对于步骤22-步骤25，在第二掩膜图像的有效区域内计算原始图像的第二灰度均值m2和第二标准差σ2，将第二灰度均值m2和第二标准差σ2即m2+σ2作为第三阈值t3，对原始图像进行全局阈值分割，得到分割后的图像，求分割后的图像与第二掩膜图像的交集，得到第三分割图像即字符暗区域分割图像。
步骤230：将字符暗区域分割图像以及字符亮区域分割图像分别进行滤波处理，得到各自对应的暗区域上字符分割图像和亮区域下字符分割图像。
其中，对字符暗区域分割图像进行形态学滤波，由此可以将字符在暗区域的上半截字符分割出来，即得到暗区域上字符分割图像。
步骤240：将暗区域上字符分割图像和亮区域下字符分割图像进行融合，得到融合图像。
步骤250：基于融合图像，得到待处理晶圆字符的识别结果。
步骤230、步骤240和步骤250与上述第一实施例的相关步骤具有相同或相似的技术方案，这里不做赘述。
在一些实施例中，获取字符亮区域分割图像，可以包括以下步骤：
步骤31：基于字符暗区域分割图像，得到字符暗区域的精细边界。
其中，可以通过暗区域上字符分割图像得到字符暗区域的精细上边界。
而对于字符暗区域的精细下边界、精细左边界和精细右边界，则可以通过对字符暗区域分割图像进行面积判定和筛选得到。
步骤32：将字符暗区域的精细边界按照预设字符高度，生成第三掩膜图像。
其中，预设字符高度可以根据实际情况的字符大小而定。
步骤33：基于第三掩膜图像与第二掩膜图像，得到字符亮区域的掩膜图像。
其中，对第三掩膜图像与第二掩膜图像进行异或逻辑操作，得到字符亮区域的掩膜图像。具体可以采用以下公式四。
（公式四）。
其中，为逻辑运算的异或操作，/>为字符亮区域的掩膜图像，/>为第二掩膜图像，/>为第三掩膜图像。
步骤34：对原始图像进行卷积处理，得到卷积图像。
其中，卷积处理可以是拉普拉斯卷积处理。
示例性地，拉普拉斯算子可以如下表一所示。
表一：
步骤35：基于卷积图像和原始图像，得到原始图像的增强图像。
其中，可以采用以下公式五得到原始图像的增强图像：
（公式五）。
其中，为增强图像，f(x,y)为原始图像，/>为拉普拉斯卷积后的图像即卷积图像，c代表系数。
步骤36：在字符亮区域的掩膜图像的预设区域内，获取增强图像的第三灰度均值和第三标准差。
其中，第三灰度均值和第三标准差可以参考上述第二灰度均值和第二标准差的计算，本申请在此不进行赘述。
步骤37：基于第三灰度均值和第三标准差得到第四阈值，将增强图像按照第四阈值进行全局阈值分割，得到字符亮区域分割图像。
其中，可以将增强图像按照第四阈值进行全局阈值分割，得到第四初始分割图像；基于第四初始分割图像和第三掩膜图像，得到字符亮区域分割图像。
其中，可以求第四初始分割图像和第三掩膜图像的交集，得到字符亮区域分割图像即第四分割图像。
基于上述实施例，本申请提供的晶圆字符的预处理方法主要包括以下流程：
（一）定位晶圆边缘
1）将原始图像按照第一预设阈值t1进行全局定值分割，得到第一分割图像即晶圆边缘分割图像。
其中，第一分割图像包括目标区域和非目标区域。如果灰度值高于或等于t1，那么这个像素点就会被标记为高亮（或目标）区域，否则就会被标记为非目标区域。
2）遍历第一分割图像中的多个目标区域，选择最大面积的区域即为晶圆边缘高亮区域。
其中，原始图像如图2所示，第一分割图像如图3所示。
（二）字符区域粗定位（根据晶圆边缘的轮廓，得到字符区域的边界）
1）从晶圆边缘高亮区域得到晶圆边缘轮廓，根据晶圆边缘轮廓的最左点位置和最右点位置，可以得到晶圆边缘的下侧边界A；
2）将晶圆边缘的下侧边界A向下平移d1距离，得到字符区域粗定位的上侧边界；设定一高度h1，将下侧边界A向下平移d1+h1，得到字符区域粗定位的下侧边界。
3）根据晶圆边缘轮廓的最左点位置确定字符区域的左侧边界，根据晶圆边缘的最右点位置确定字符区域的右侧边界。
4）由2）和3）得到的字符区域粗定位的上侧边界、下侧边界、左侧边界和右侧边界四条边界生成与原始图像等尺寸的第一掩膜图像。（即先将晶圆边缘轮廓的最左点位置、最右点位置作为字符区域的初始左侧边界和初始右侧边界）。
其中，第一掩膜图像如图4所示。
其中，可以采用以下平移公式即公式一计算字符区域粗定位的边界：
（公式一）。
其中x'、y'是指平移后的像素坐标，x、y指平移前的像素坐标，tx、ty指平移量。
比如，y为平移前的下侧边界A的像素坐标，y+ty可以表示将晶圆边缘的下侧边界A向下平移d1距离，得到的y'为字符区域粗定位的上侧边界。
5）在第一掩膜图像的有效区域内计算原始图像的第一灰度均值m1，将第一灰度均值m1作为第二阈值t2，将原始图像按照第二阈值t2进行全局阈值分割，得到分割后的图像，求分割后的图像与第一掩膜图像的交集，得到第二分割图像即；
遍历第二分割图像中的多个目标区域，其中最大面积区域即为字符所在区域。基于字符所在区域可以得到字符区域的左侧边界和右侧边界。
其中，第二分割图像即粗定位后的字符区域分割图像如图5所示。
其中，可以采用以下公式二计算阈值：
（公式二）。
其中，thres指分割阈值，mxy指灰度均值，σxy指灰度标准差，a和b是系数。
其中，可以采用以下公式三得到分割图像：
（公式三）。
其中，∩为交集的逻辑运算，即位与操作。
为交集后得到的分割图像，比如第二分割图像，/>为参与交集运算的分割图像，比如原始图像按照第二阈值t2进行全局阈值分割，得到分割后的图像。
（三）字符暗区域定位和处理（基于晶圆边缘的下侧边界A和字符区域的左右边界，得到字符暗区域的边界）
1）基于晶圆边缘的下侧边界A可以得到字符暗区域的上侧边界和下侧边界，将字符区域粗定位得到的左侧边界和右侧边界分别作为字符暗区域的左侧边界和右侧边界。
具体地，将晶圆边缘下侧边界A平移分别向下平移d2距离和d3距离，得到字符暗区域的上侧边界和下侧边界。
2）根据字符暗区域的四个初始边界生成与原始图像同等尺寸的第二掩膜图像。
其中，字符暗区域的四个初始边界即为1）得到的上侧边界、下侧边界、左侧边界和右侧边界。
其中，第二掩膜图像如图6所示。
3）在第二掩膜图像的有效区域内计算原始图像的第二灰度均值m2和第二标准差σ2。将第二灰度均值m2+第二标准差σ2作为第三预设阈值t3，对原始图像进行全局阈值分割，得到分割图像即第三初始分割图像；求分割图像即第三初始分割图像与第二掩膜图像的交集，得到第三分割图像即字符暗区域分割图像。
4）对第三分割图像进行滤波处理，得到如图7所示的暗区域上字符分割图像，从图7所示的暗区域上字符分割图像中提取暗区域的上半截字符。同时在第三分割图像中根据面积判定和筛选，得到更精细的字符左侧边界、右侧边界和上侧边界，即得到字符暗区域的精细边界。
（四）字符亮区域定位和处理
1）将字符暗区域的精细边界按照字符高度，生成第三掩膜图像，将第三掩膜图像与第二掩膜图像进行异或逻辑操作，得到最终的Mask即字符亮区域的掩膜图像。
其中，具体可以采用以下公式四。
（公式四）。
其中，为逻辑运算的异或操作，/>为字符亮区域的掩膜图像，/>为第二掩膜图像，/>为第三掩膜图像。
其中，第三掩膜图像如图8所示。
2）对原始图像进行拉普拉斯卷积处理，得到卷积图像，将卷积图像加到原始图像上得到增强图像。
其中，锐化后得到的卷积图像如图9所示。
其中，拉普拉斯算子可以如上述表一所示。
3）在第三掩膜图像的有效区域内计算增强图像的第三灰度均值m3和第三标准差σ3，将第三灰度均值m3+第三标准差σ3作为第四预设阈值t4，对增强图像进行全局阈值分割，得到分割图像，求分割图像与第三掩膜图像的交集，得到第四掩膜图像。
其中，第三灰度均值和第三标准差可以参考上述第二灰度均值和第二标准差的计算，本申请在此不进行赘述。
4）对第四掩膜图像进行滤波处理，得到亮区域的下半截字符图像即亮区域下字符分割图像。
其中，亮区域下字符分割图像如图10所示。
5）将第三掩膜图像与第四掩膜图像相融合，得到完整的字符区域分割图像即融合图像。
其中，融合图像如图11所示。
其中，可以采用以下公式五得到原始图像的增强图像：
（公式五）。
其中，为增强图像，f(x,y)为原始图像，/>为拉普拉斯卷积后的图像即卷积图像，c代表系数。
将融合图像顺时针旋转180度进行角度校正，如图12。后续的字符识别可以根据图12读取出完整的待处理晶圆字符。
其中，旋转后的融合图像如图12所示。
需要说明的是，上述提到的平移距离、字符高度、系数等参数由待处理晶圆字符的具体情况而定。
本申请还提供电子设备，电子设备包括存储器和处理器，其中，存储器上存储有计算机程序；处理器用于执行计算机程序时实现前述任意一个方法实施例提供的设备的解析方法的控制方法。
请参阅图13，图13是本申请提供的计算机可读存储介质一实施例的结构示意图，计算机可读存储介质90用于存储计算机程序91，计算机程序91在被处理器执行时，用于实现以下的方法步骤：
获取原始图像的字符暗区域分割图像和字符亮区域分割图像，其中，原始图像包含待处理晶圆字符；
将字符暗区域分割图像以及字符亮区域分割图像分别进行滤波处理，得到各自对应的暗区域上字符分割图像和亮区域下字符分割图像；
将暗区域上字符分割图像和亮区域下字符分割图像进行融合，得到融合图像；
基于融合图像对待处理晶圆字符进行识别，得到待处理晶圆字符的识别结果。
可以理解的，计算机程序91在被处理器执行时，还用于实现本申请中任一实施例的技术方案。
在本申请所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述其他实施方式中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (7)
1.一种晶圆字符的预处理方法，其特征在于，所述方法包括：
获取原始图像的字符暗区域分割图像和字符亮区域分割图像，其中，所述原始图像包含待处理晶圆字符；
将所述字符暗区域分割图像以及所述字符亮区域分割图像分别进行滤波处理，得到各自对应的暗区域上字符分割图像和亮区域下字符分割图像；
将所述暗区域上字符分割图像和所述亮区域下字符分割图像进行融合，得到融合图像；
基于所述融合图像对所述待处理晶圆字符进行识别，得到所述待处理晶圆字符的识别结果；
其中，所述获取原始图像的字符暗区域分割图像，包括：
获取所述原始图像的晶圆边缘分割图像和字符区域分割图像；
基于所述晶圆边缘分割图像和所述字符区域分割图像，得到暗区域的初始边界；
基于所述暗区域初始边界得到所述原始图像的第二掩膜图像；
在所述第二掩膜图像的预设区域内，获取所述原始图像的第二灰度均值和第二标准差；
基于所述第二灰度均值和所述第二标准差得到第三阈值，将所述原始图像按照所述第三阈值进行全局阈值分割，得到第三初始分割图像；
基于所述第三初始分割图像与所述第二掩膜图像，得到所述字符暗区域分割图像；
其中，获取所述字符亮区域分割图像，包括：
基于所述字符暗区域分割图像，得到所述字符暗区域的精细边界；
将所述字符暗区域的精细边界按照预设字符高度，生成第三掩膜图像；
基于所述第三掩膜图像与所述第二掩膜图像，得到字符亮区域的掩膜图像；
对所述原始图像进行卷积处理，得到卷积图像；
基于所述卷积图像和所述原始图像，得到所述原始图像的增强图像；
在所述字符亮区域的掩膜图像的预设区域内，获取所述增强图像的第三灰度均值和第三标准差；
基于所述第三灰度均值和所述第三标准差得到第四阈值，将所述增强图像按照所述第四阈值进行全局阈值分割，得到所述字符亮区域分割图像。
2.根据权利要求1所述的方法，其特征在于，所述获取所述原始图像的晶圆边缘分割图像和字符区域分割图像，包括：
将所述原始图像按照第一预设阈值进行全局定值分割，得到晶圆边缘分割图像；
基于所述晶圆边缘分割图像，得到所述晶圆边缘的轮廓；
基于所述晶圆边缘的轮廓，得到字符区域的初始边界；
基于所述字符区域的初始边界，得到所述原始图像的第一掩膜图像；
基于所述第一掩膜图像，得到所述原始图像的字符区域分割图像。
3.根据权利要求2所述的方法，其特征在于，所述基于所述晶圆边缘的轮廓，得到字符区域的初始边界，包括：
基于所述轮廓的最左点位置和最右点位置，得到所述晶圆边缘的下侧边界；
基于所述下侧边界得到所述字符区域的上下边界；
基于所述晶圆边缘轮廓的最左点位置和最右点位置得到所述待处理晶圆字符对应区域的初始左右边界；
将所述字符区域的上下边界、所述初始左右边界作为所述字符区域的初始边界。
4.根据权利要求1所述的方法，其特征在于，所述基于所述晶圆边缘分割图像和所述字符区域分割图像，得到暗区域的初始边界，包括：
基于所述晶圆边缘分割图像，得到暗区域的上下边界；
基于所述字符区域分割图像，得到所述暗区域的左右边界；
将所述暗区域的上下边界和左右边界作为所述暗区域的初始边界。
5.根据权利要求1所述的方法，其特征在于，所述将所述增强图像按照所述第四阈值进行全局阈值分割，得到所述字符亮区域分割图像，包括：
将所述增强图像按照所述第四阈值进行全局阈值分割，得到第四初始分割图像；
基于所述第四初始分割图像和所述第三掩膜图像，得到所述字符亮区域分割图像。
6.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410144365.5A CN117690142B (zh) | 2024-02-01 | 2024-02-01 | 晶圆字符的预处理方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410144365.5A CN117690142B (zh) | 2024-02-01 | 2024-02-01 | 晶圆字符的预处理方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117690142A CN117690142A (zh) | 2024-03-12 |
| CN117690142B true CN117690142B (zh) | 2024-05-28 |
Family
ID=90126874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410144365.5A Active CN117690142B (zh) | 2024-02-01 | 2024-02-01 | 晶圆字符的预处理方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117690142B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004094967A (ja) * | 2003-10-20 | 2004-03-25 | Nippon Telegr & Teleph Corp <Ntt> | 文字領域判定方法および装置および記録媒体 |
| JP2005276188A (ja) * | 2004-02-26 | 2005-10-06 | Yokohama Tlo Co Ltd | 手書き文字除去画像処理装置、及び手書き文字除去画像処理方法 |
| JP2006053523A (ja) * | 2004-03-16 | 2006-02-23 | Pioneer Electronic Corp | 画像処理装置、表示装置、画像処理方法及びプログラム |
| CN102509095A (zh) * | 2011-11-02 | 2012-06-20 | 青岛海信网络科技股份有限公司 | 一种车牌图像的预处理方法 |
| CN104361336A (zh) * | 2014-11-26 | 2015-02-18 | 河海大学 | 一种水下视频图像的文字识别方法 |
| CN106650728A (zh) * | 2016-12-09 | 2017-05-10 | 浙江浩腾电子科技股份有限公司 | 一种阴影车牌图像二值化方法 |
| CN108205675A (zh) * | 2016-12-20 | 2018-06-26 | 浙江宇视科技有限公司 | 一种车牌图像的处理方法以及设备 |
| CN112053367A (zh) * | 2019-06-06 | 2020-12-08 | 阿里巴巴集团控股有限公司 | 图像处理方法、设备及存储介质 |
| CN112967215A (zh) * | 2021-03-03 | 2021-06-15 | 辽宁工程技术大学 | 基于拉普阿斯金字塔重构的Retinex图像增强算法 |
| CN114235758A (zh) * | 2021-12-10 | 2022-03-25 | 苏州凌云视界智能设备有限责任公司 | 缺陷检测方法、装置、设备及存储介质 |
| CN114581901A (zh) * | 2022-03-14 | 2022-06-03 | 浙江广厦建设职业技术大学 | 一种古建墙壁受污题记文字图像边缘提取方法 |
| CN115578284A (zh) * | 2022-07-18 | 2023-01-06 | 芯动微电子科技(珠海)有限公司 | 一种多场景图像增强方法及系统 |
| CN116503871A (zh) * | 2023-03-29 | 2023-07-28 | 安徽省配天机器人集团有限公司 | 字符分割的预处理方法、终端设备和计算机可读存储介质 |
-
2024
- 2024-02-01 CN CN202410144365.5A patent/CN117690142B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004094967A (ja) * | 2003-10-20 | 2004-03-25 | Nippon Telegr & Teleph Corp <Ntt> | 文字領域判定方法および装置および記録媒体 |
| JP2005276188A (ja) * | 2004-02-26 | 2005-10-06 | Yokohama Tlo Co Ltd | 手書き文字除去画像処理装置、及び手書き文字除去画像処理方法 |
| JP2006053523A (ja) * | 2004-03-16 | 2006-02-23 | Pioneer Electronic Corp | 画像処理装置、表示装置、画像処理方法及びプログラム |
| CN102509095A (zh) * | 2011-11-02 | 2012-06-20 | 青岛海信网络科技股份有限公司 | 一种车牌图像的预处理方法 |
| CN104361336A (zh) * | 2014-11-26 | 2015-02-18 | 河海大学 | 一种水下视频图像的文字识别方法 |
| CN106650728A (zh) * | 2016-12-09 | 2017-05-10 | 浙江浩腾电子科技股份有限公司 | 一种阴影车牌图像二值化方法 |
| CN108205675A (zh) * | 2016-12-20 | 2018-06-26 | 浙江宇视科技有限公司 | 一种车牌图像的处理方法以及设备 |
| CN112053367A (zh) * | 2019-06-06 | 2020-12-08 | 阿里巴巴集团控股有限公司 | 图像处理方法、设备及存储介质 |
| CN112967215A (zh) * | 2021-03-03 | 2021-06-15 | 辽宁工程技术大学 | 基于拉普阿斯金字塔重构的Retinex图像增强算法 |
| CN114235758A (zh) * | 2021-12-10 | 2022-03-25 | 苏州凌云视界智能设备有限责任公司 | 缺陷检测方法、装置、设备及存储介质 |
| CN114581901A (zh) * | 2022-03-14 | 2022-06-03 | 浙江广厦建设职业技术大学 | 一种古建墙壁受污题记文字图像边缘提取方法 |
| CN115578284A (zh) * | 2022-07-18 | 2023-01-06 | 芯动微电子科技(珠海)有限公司 | 一种多场景图像增强方法及系统 |
| CN116503871A (zh) * | 2023-03-29 | 2023-07-28 | 安徽省配天机器人集团有限公司 | 字符分割的预处理方法、终端设备和计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 董怡等.基于多种边缘暗示和尺度修正的RGB-D图像层次分割.《南京邮电大学学报(自然科学版)》.(第05期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117690142A (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110717489B (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
| CN113781402A (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
| EP1229493B1 (en) | Multi-mode digital image processing method for detecting eyes | |
| CN113034399A (zh) | 基于双目视觉自主式水下机器人回收导引伪光源去除方法 | |
| CN117853510A (zh) | 基于双边滤波和自适应阈值的Canny边缘检测方法 | |
| US10192283B2 (en) | System and method for determining clutter in an acquired image | |
| JP2002259994A (ja) | 自動イメージパターン検出方法及びイメージ処理装置 | |
| Alkoffash et al. | A survey of digital image processing techniques in character recognition | |
| CN114119695B (zh) | 一种图像标注方法、装置及电子设备 | |
| JP2002342756A (ja) | デジタル画像において目と口の位置を検出する方法 | |
| CN104239909A (zh) | 一种图像的识别方法和装置 | |
| CN112419207A (zh) | 一种图像矫正方法及装置、系统 | |
| CN113076952A (zh) | 一种文本自动识别和增强的方法及装置 | |
| CN115965801A (zh) | 一种针对蛋白质免疫印迹条带图像的图像匹配方法及装置 | |
| CN113554695A (zh) | 零件孔位智能识别定位方法 | |
| CN118397239A (zh) | 基于模板匹配的图像时间标识的识别方法 | |
| CN112686265A (zh) | 一种基于层级轮廓提取的象形文字分割方法 | |
| CN114926635B (zh) | 与深度学习方法相结合的多焦图像中目标分割方法 | |
| CN114240988B (zh) | 一种基于非线性尺度空间的图像分割方法 | |
| US6885770B2 (en) | Irradiation field extracting method and apparatus and recording medium | |
| CN117690142B (zh) | 晶圆字符的预处理方法、设备及存储介质 | |
| Khan et al. | Segmentation of single and overlapping leaves by extracting appropriate contours | |
| Choukikar et al. | Segmenting the optic disc in retinal images using thresholding | |
| Feng et al. | A weighted-ROC graph based metric for image segmentation evaluation | |
| CN111898408A (zh) | 一种快速人脸识别方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |