集成电路图像处理相关问题研究

摘要

集成电路图像处理就是利用图像处理、模式识别等理论和方法,对用光学显微镜或者电子显微镜采集到的芯片图像进行处理,以识别出上层图像实例间的连接关系以及底层图像中的单元区.根据图像处理后得到的数据,来进行原理图的识别与提取、版图提取、电路综合理解.这整个过程构成集成电路反向分析系统.因此,经过图像处理得到的数据的准确性直接影响到集成电路反向分析的结果的正确与否,而集成电路反向分析对于提高中国的芯片设计水平和国防安全有着重要意义.集成电路图像处理分为两个部分:一是线目标的提取与识别,即上层图像实例间连接关系的识别;二是底层单元区识别.集成电路图像通过解剖芯片,用专门的图像采集系统采集得到,对于不同的芯片,图像呈现出不同的特征,但对同一芯片的一批图像,具有某些一致性,比如质量比较好的图像、背景和线目标灰度值差距比较大,同一层图像线结构比较简单,同为水平线或者竖直线.因此,我们可以通过选择合适的特征,如数学特征,结构特征,来反映整批图像的一致性属性.该文在线目标提取部分是对质量比较差的集成电路图像进行处理.该类图像的特点是:本来的连续线由于腐蚀或成像原因而断开,并且某些背景区的灰度值高于线目标的灰度值,即此类图像可以分为三类:暗背景区,亮背景区和线目标区.线目标提取问题可描述为:将图像分割为背景区和线目标区,并且连接断线.我们选择LVQ网络,先选择合适的结构特征作为LVQ的输入,然后通过神经网络来学习用数学表达式难以表达的断线规律,同时通过训练,将暗背景、亮背景,线目标量化成不同的矢量(权重),然后将此矢量作用于整批图像完成图像分割.对于单元区的识别,用snake的方法来得到单元器件的形状,为后续识别做准备,并提出了一种改进的snake模型,来解决原有的snake不能收敛到深的凹腔的问题.

目录

文摘

英文文摘

独创性声明及关于论文使用授权的说明

第一章 引言

1.1研究背景、目的和意义

1.2研究方法

1.3论文组织结构

第二章集成电路反向分析系统

2.1引言

2.2集成电路图像处理

第三章 基于神经网络的IC图像线目标提取

3.1引言

3.2学习矢量量化网络(LVQ)

3.2.1 LVQ网络基本工作原理

3.2.2 LVQ学习规则

3.2.3改进的LVQ学习规则

3.3利用LVQ处理集成电路图像

3.3.1问题描述

3.3.2方案选择

3.3.3问题分析：

3.3.4仿真与试验分析

3.3.5新的结构特征的选择

3.4小结

第四章基于动态形变模型的单元区识别

4.1引言

4.1.1参数化snake模型

4.1.2传统蛇模型分析

4.2快速收敛“凿蛇”模型

4.2.1基于距离变换的“凿蛇”模型

4.2.2“凿蛇”模型分析与实验

4.2.3总结和结论

4.3 IC彩色图像单元识别

4.3.1基于GVF的彩色单元区处理

4.3.2改进的snake处理彩色单元区

4.4几何曲线形变模型

4.4.1曲线演化理论

4.4.2测地轮廓线

4.4.3水平集方法(lever set)

4.4.4基于level set单元区处理

第五章贡献与展望

参考文献

个人简历

致谢