一种数字图像坏簇统计方法及集成电路自动测试机

摘要

本发明提供了一种数字图像坏簇统计方法、CIS芯片测试方法及集成电路自动测试机。其中，所述数字图像坏簇统计方法包括：将第一格式的图像数据分解为预设尺寸的多个子矩阵，每个所述子矩阵与所述预设尺寸的核矩阵进行预设计算；其中，所述核矩阵中的元素符合如下规律：任意两种包含至少两个元素的组合相乘的结果均不相同。如此配置，使得对原始的数字图像只需要进行一次扫描处理和计算就能够统计预设尺寸的各坏簇类型图像的数量，具备严谨高效的特点，解决了现有技术中图像坏簇的统计方法不够严谨，导致统计结果不够准确，统计效率低下的问题。

说明书

技术领域

本发明涉及半导体测试领域，特别涉及一种数字图像坏簇统计方法、CIS芯片测试方法及集成电路自动测试机。

背景技术

当前国内CIS芯片测试评估坏簇统计或数字图像评估坏簇统计一般有以下缺陷：

1.defect统计算法不够严谨，统计结果形式不便处理；

2.为了便于统计和计算，单次统计block区域有限，比如3*3；

3.不同类型坏簇(defect组合)统计不足或重复统计，且需要多种类型的算子和多次扫描和计算。

总之，现有技术中，图像坏簇的统计方法不够严谨，导致统计结果不够准确，统计效率低下。

发明内容

本发明的目的在于提供一种数字图像坏簇统计方法、CIS芯片测试方法及集成电路自动测试机，以解决现有技术中，图像坏簇的统计方法不够严谨，导致统计结果不够准确，统计效率低下的问题。

为了解决上述技术问题，根据本发明的第一个方面，提供了一种数字图像坏簇统计方法，其特征在于，所述数字图像坏簇统计方法包括：将第一格式的图像数据分解为预设尺寸的多个子矩阵，每个所述子矩阵与所述预设尺寸的核矩阵进行预设计算；其中，所述核矩阵中的元素符合如下规律：任意两种包含至少两个元素的组合相乘的结果均不相同。

可选的，所述核矩阵由各不相同的质数填充。

可选的，所述核矩阵由最小的N个质数填充，其中N等于所述预设尺寸的行数与所述预设尺寸的列数的乘积。

可选的，所述第一格式为，用0或者1对所述图像数据的像素点进行赋值，其中用0对正常的像素点进行赋值，用1对异常的像素点进行赋值；同时满足行数相等和列数相等的所述子矩阵中的元素和所述核矩阵中的元素具有对应关系，所述预设计算包括，将所述子矩阵中赋值为1的元素所对应的所述核矩阵中的元素相乘。

可选的，所述数字图像坏簇统计方法包括：设定阈值，对第二格式的图像数据进行赋值操作，将所述第二格式的图像数据中像素点的绝对值大于或等于所述阈值的点赋值为1，将其余的像素点赋值为0，得到所述第一格式的图像数据。

可选的，所述数字图像坏簇统计方法包括：对原始格式的图像数据进行平滑处理得到平滑格式的图像数据，将所述原始格式的图像数据中每一个像素点的值减去所述平滑格式的图像数据中对应的像素点的值得到所述第二格式的图像数据。

可选的，所述数字图像坏簇统计方法包括：获得坏簇分布集合，所述坏簇分布集合包括至少一个所述第一格式的所述预设尺寸的坏簇类型图像；对所述坏簇分布集合中的每个所述坏簇类型图像与所述核矩阵进行所述预设计算，得到坏簇类型计算结果，生成对应坏簇类型图像与计算结果之间的查找表。

可选的，所述数字图像坏簇统计方法包括：获取所述子矩阵与所述核矩阵进行所述预设计算后的计算结果，并将计算结果与所述查找表进行比对，得到坏簇统计信息。

为了解决上述技术问题，根据本发明的第二个方面，提供了一种CIS芯片测试方法，包括：采用并行或者串行的方式令CIS芯片输出原始格式的图像数据；采用上述的数字图像坏簇统计方法对所述原始格式的图像数据进行分析，得到分析结果；依据所述分析结果和预设逻辑判断所述CIS芯片的质量。

为了解决上述技术问题，根据本发明的第三个方面，提供了一种集成电路自动测试机，所述集成电路自动测试机在对CIS芯片进行测试时，采用上述的CIS芯片测试方法。

与现有技术相比，本发明提供的数字图像坏簇统计方法、CIS芯片测试方法及集成电路自动测试机中，所述数字图像坏簇统计方法包括：将第一格式的图像数据分解为预设尺寸的多个子矩阵，每个所述子矩阵与所述预设尺寸的核矩阵进行预设计算；其中，所述核矩阵中的元素符合如下规律：任意两种包含至少两个元素的组合相乘的结果均不相同。如此配置，使得对原始的数字图像只需要进行一次扫描处理和计算就能够统计预设尺寸的各坏簇类型图像的数量，具备严谨高效的特点，解决了现有技术中图像坏簇的统计方法不够严谨，导致统计结果不够准确，统计效率低下的问题。

附图说明

本领域的普通技术人员将会理解，提供的附图用于更好地理解本发明，而不对本发明的范围构成任何限定。其中：

图1是本发明一实施例的数字图像坏簇统计方法的流程示意图；

图2a是本发明一实施例的2*2的核矩阵的示意图；

图2b是本发明一实施例的质数填充的5*5的核矩阵的示意图；

图3是本发明一些实施例的核矩阵的示意图；

图4是本发明一实施例的将原始格式的图像数据转化为第二格式的图像数据的示意图；

图5是本发明一实施例的坏簇分布集合的示意图；

图6a是本发明一实施例的将第一格式的图像数据分解为多个5*5的子矩阵的第一种方式的示意图；

图6b是本发明一实施例的将第一格式的图像数据分解为多个5*5的子矩阵的第二种方式的示意图；

图7是本发明一实施例的子矩阵和核矩阵的示意图。

具体实施方式

为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明作进一步详细说明。需说明的是，附图均采用非常简化的形式且未按比例绘制，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。

如在本发明中所使用的，单数形式“一”、“一个”以及“该”包括复数对象，术语“或”通常是以包括“和/或”的含义而进行使用的，术语“若干”通常是以包括“至少一个”的含义而进行使用的，术语“至少两个”通常是以包括“两个或两个以上”的含义而进行使用的，此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者至少两个该特征，术语“近端”通常是靠近操作者的一端，术语“远端”通常是靠近患者的一端，“一端”与“另一端”以及“近端”与“远端”通常是指相对应的两部分，其不仅包括端点，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。此外，如在本发明中所使用的，一元件设置于另一元件，通常仅表示两元件之间存在连接、耦合、配合或传动关系，且两元件之间可以是直接的或通过中间元件间接的连接、耦合、配合或传动，而不能理解为指示或暗示两元件之间的空间位置关系，即一元件可以在另一元件的内部、外部、上方、下方或一侧等任意方位，除非内容另外明确指出外。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

本发明的核心思想在于提供一种数字图像坏簇统计方法、CIS芯片测试方法及集成电路自动测试机，以解决现有技术中，图像坏簇的统计方法不够严谨，导致统计结果不够准确，统计效率低下的问题。

以下参考附图进行描述。

请参考图1至图7，其中，图1是本发明一实施例的数字图像坏簇统计方法的流程示意图；图2a是本发明一实施例的2*2的核矩阵的示意图；图2b是本发明一实施例的质数填充的5*5的核矩阵的示意图；图3是本发明一些实施例的核矩阵的示意图；图4是本发明一实施例的将原始格式的图像数据转化为第二格式的图像数据的示意图；图5是本发明一实施例的坏簇分布集合的示意图；图6a是本发明一实施例的将第一格式的图像数据分解为多个5*5的子矩阵的第一种方式的示意图；图6b是本发明一实施例的将第一格式的图像数据分解为多个5*5的子矩阵的第二种方式的示意图；图7是本发明一实施例的子矩阵和核矩阵的示意图。

如图1所示，本实施例提供了一种数字图像坏簇统计方法，所述数字图像坏簇统计方法包括：

S110对原始格式的图像数据进行平滑处理得到平滑格式的图像数据，将所述原始格式的图像数据中每一个像素点的值减去所述平滑格式的图像数据中对应的像素点的值得到第二格式的图像数据；

需理解，所述图像数据可以包括PMD(pixel map define,画幅数据)。具体地，PMD又可以包括原始pmd、rank pmd(rank指平滑算法)，flag pmd(flag指标识后的pmd数据)等。作为示例，原始pmd可以包括原始格式的图像数据；又例如，rank pmd可以包括第二格式的图像数据。

S120设定阈值，对所述第二格式的图像数据进行赋值操作，将所述第二格式的图像数据中像素点的绝对值大于或等于所述阈值的点赋值为1，将其余的像素点赋值为0，得到第一格式的图像数据；作为示例，flag pmd可以包括第一格式的图像数据。

S130获得坏簇分布集合，所述坏簇分布集合包括至少一个第一格式的预设尺寸的坏簇类型图像；对所述坏簇分布集合中的每个所述坏簇类型图像与核矩阵进行预设计算，得到坏簇类型计算结果，生成对应坏簇类型图像与计算结果之间的查找表。(所述核矩阵的具体描述详见步骤S140)

S140将所述第一格式的图像数据分解为所述预设尺寸的多个子矩阵，每个所述子矩阵与所述预设尺寸的所述核矩阵进行所述预设计算；其中，所述核矩阵中的元素符合如下规律：任意两种包含至少两个元素的组合相乘的结果均不相同；

S150获取所述子矩阵与所述核矩阵进行所述预设计算后的计算结果，并将计算结果与所述查找表进行比对，得到坏簇统计信息。

需理解，所述核矩阵中的元素，在本说明书中可以理解为一复数，出于简化计算的考虑，往往是一有理数甚至是一整数；所述预设尺寸是指矩阵的行数和列数，例如预设尺寸为3*4，就是指所述子矩阵或者所述核矩阵为一个3行4列的矩阵；进一步地，所述核矩阵和所述子矩阵可以是方阵，即行数和列数相同。所述预设计算应当广义地理解为一种预定义的两个尺寸相同的矩阵之间可以进行的计算，其设置目的是为了将一较为复杂的向量信息(在本说明书的范畴内即一矩阵)转换为一个较为容易处理的标量信息(即一个数)，其具体实施方式可以为数字图像处理领域中的卷积计算，即将两个矩阵之间对应的元素进行乘法计算，再将所有乘积进行求和(或乘积)，也可以为其他形式的计算方式。当所述子矩阵中元素的取值仅为1或者0时，较优地，所述预设计算可以包括，将所述子矩阵中赋值为1的元素所对应的所述核矩阵中的元素相乘，其中对应的概念可以理解为两个矩阵中行数和列数均相同的元素。

在本实施例中，只需要进行一次扫描处理和计算就能完成统计，具备严谨高效的特点。

对于“所述核矩阵中的元素符合如下规律：任意两种包含至少两个元素的组合相乘的结果均不相同”的特征，举例描述如下，在一实施例中，一2*2的核矩阵如图2a所示，对该核矩阵中的元素进行任意组合并相乘的结果，穷举如下：两个元素相乘：12(2*6)、20(2*10)、30(2*15)、60(6*10)、90(6*15)、150(10*15)；三个元素相乘：120(2*6*10)、180(2*6*15)、300(2*10*15)、900(6*10*15)；四个元素相乘1800(2*6*10*15)。显然上述的计算结果中，任意两个计算结果都不相同，即图2a所示的所述核矩阵符合“所述核矩阵中的元素的任意两种包含至少两个元素的组合相乘的结果均不相同”的特征。在一些实施例中，还存在其他的核矩阵形式，例如，在一2*2的所述核矩阵中，四个元素分别为0.2、0.3、0.5、0.7，也能符合“所述核矩阵中的元素的任意两种包含至少两个元素的组合相乘的结果均不相同”的特征。

尽管对于尺寸较小的所述核矩阵，可以采用“尝试-(将乘积)穷举-验证”的方式获得满足上述特征的核矩阵，但是当所述核矩阵的尺寸增大后，穷举和验证所消耗的计算资源会以指数的形式增加，而且，获得一个合适的所述核矩阵的尝试次数也会大大增加，因此在实际操作过程中上述方法并非是一个较优的方案。另一方面，存储和计算小数、无理数、带虚数的复数时，对计算机的负担也相对的较大，因此可以考虑所述核矩阵的元素均为整数的方案。

在一个较优的实施例中，所述核矩阵由各不相同的质数填充。显然，当使用各不相同的质数对所述核矩阵进行填充时，所述核矩阵符合“所述核矩阵中的元素的任意两种包含至少两个元素的组合相乘的结果均不相同”的特征。具体证明过程为数学领域的公知常识，不在本说明书中展开描述。

进一步地，所述核矩阵由最小的N个质数填充，其中N等于所述预设尺寸的行数与所述预设尺寸的列数的乘积。例如，一5*5的所述核矩阵如图2b所示(在此实施例中N＝5*5＝25)。采用最小的N个质数填充，可以使得所述预设计算的平均期望值较小，在运算过程和统计过程中占用的计算资源和存储资源都较小。

需理解，上述方案为较优的方案，本领域技术人员也可以根据上述思路构造其他的符合“所述核矩阵中的元素的任意两种包含至少两个元素的组合相乘的结果均不相同”的特征的所述核矩阵，例如，将图2b所示的5*5的所述核矩阵的元素17，修改为1.7；又例如，将图2b所示的5*5的所述核矩阵的元素2，修改为4，显然这样的方案也符合“所述核矩阵中的元素的任意两种包含至少两个元素的组合相乘的结果均不相同”的特征，而且生成过程也远远快于“尝试-穷举-验证”的方式，也具有较好的效果。

需理解，所述核矩阵的尺寸并不限于2*2或者5*5，也并不限于是方阵，在其他的实施例中，也可以选择其他尺寸的核矩阵，请参考图3，在其他的一些实施例中，所述核矩阵可以是图3所示的矩阵中的其中一个。

在一较优的实施例中，通过步骤S110来获得所述第二格式的图像数据，请参考图4，包括：对原始格式的图像数据进行平滑处理得到平滑格式的图像数据，将所述原始格式的图像数据中每一个像素点的值减去所述平滑格式的图像数据中对应的像素点的值得到所述第二格式的图像数据。其中，所述原始格式的图像数据中，每个元素点的取值规则可由本领域技术人员通过实际情况和公知常识设定，例如，将拍摄到的图像的灰度值赋值给所述原始格式的图像数据的每个元素等。所述的平滑格式的图像数据，通过对所述原始格式的图像数据进行平滑处理得到，具体的平滑算法，可以采用对每个像素点用其周围的像素点赋值进行平均计算，也可以根据实际需要选择任意一种本领域现有的平滑算法。然后通过所述原始格式的图像数据中每一个像素点的值减去所述平滑格式的图像数据中对应的像素点的值得到所述第二格式的图像数据。所述第二格式的图像数据，可以理解为一个大稀疏矩阵，其中的非零元素就是潜在的异常点。

然后，通过步骤S120来获得所述第一格式的图像数据，所述第一格式为，用0或者1对所述图像数据的像素点进行赋值，其中用0对正常的像素点进行赋值，用1对异常的像素点进行赋值。步骤S120包括：设定阈值，对第二格式的图像数据进行赋值操作，将所述第二格式的图像数据中像素点的绝对值大于或等于所述阈值的点赋值为1，将其余的像素点赋值为0，得到所述第一格式的图像数据。例如，在一实施例中，所述第二格式的图像数据中的非零元素的取值为1、5、-6、7、-8，通过设定阈值6，将值为1、5的元素赋值为0，将值为-6、7、-8的元素赋值为1，剩余的原先就是0的元素可以再次用0赋值，也可以简化流程，不进行操作。具体阈值的选择过程，可根据实际需要确定，例如，在需要较为严格地对所述图像数据的异常点进行统计的工况下，设定较小的阈值，在需要较为宽松地对所述图像数据的异常点进行统计的工况下，设定较大的阈值。当然，阈值的设定还要考虑排除噪声的影响。

然后再执行步骤S130：获得坏簇分布集合，所述坏簇分布集合包括至少一个所述第一格式的所述预设尺寸的坏簇类型图像；对所述坏簇分布集合中的每个所述坏簇类型图像与所述核矩阵进行所述预设计算，得到坏簇类型计算结果，生成对应坏簇类型图像与计算结果之间的查找表。

在本实施例中，计入坏簇统计的所述子矩阵，至少包括两个坏点(异常点)，单个坏点的矩阵不计入坏簇类型的统计；其中，坏点(异常点)指第一格式的所述子矩阵中的非零元素。所述坏簇分布集合可以根据经验和实际需要进行设置，例如，当所述预设尺寸为n*n时，可以考虑只将异常点数量为2～(n*n)个的情况加入所述坏簇分布集合，进一步地，当所述预设尺寸为5*5时，可以考虑只将异常点数量为2～25个的情况加入所述坏簇分布集合。又例如，只将异常点数量为3～4个的情况加入所述坏簇分布集合，其余的情况不加入所述坏簇分布集合。在后续处理时，也可以根据实际需要进行处理，例如，当所述预设尺寸为5*5时，统计目标为统计异常点数量为3～4的情况，可以选择方案1：设置的所述坏簇分布集合包括了异常点数量为2～25个的情况，但是在后续统计时，只统计异常点数量为3～4的情况，而将其他的情况进行剔除；也可以选择方案2，设置的所述坏簇分布集合仅包括了异常点数量为3～4个的情况，在后续统计时，统计查找表中包含的所有情况；还可以选择方案3，设置的所述坏簇分布集合可以是仅包括了异常点数量为3～4个的情况，也可以是包括了异常点数量为2～25个的情况，但在后续统计时，只保留异常点数量为3～4个的情况进行所述预设计算，其他如2或5个点的子矩阵不进行计算。上述仅仅为示例性的表述，在实际中，可根据实际需要任意选择需要定义的所述坏簇分布集合。请参考图5，图5是本发明一实施例的坏簇分布集合的示意图。在其他的实施例中，所述坏簇分布集合可能跟图5的内容并不相同。如此配置，可以减轻后续的计算负担。需理解，也可以不生成查找表，在统计过程中实时地反推每个计算结果所对应的所述坏簇类型图像。但是生成查找表的方案，有利于统计过程中节约计算资源，是较优的方案。

在步骤S140中，所述子矩阵的具体拆分方式，至少包括两种，第一种拆分方式是进行不重复地拆分，请参考图6a，在图6a中，一所述第一格式的数据图像被分解为了4个5*5的子矩阵，每个所述子矩阵之间没有包含重复的元素。第二种拆分方式是逐行逐列地进行拆分，也就是说，每个相邻的所述子矩阵之间只是平移了一行或者一列，请参考图6b，在图6b中，一所述第一格式的数据图像被分解为了36个5*5的子矩阵。当然，出于特殊工况下特殊需求的考虑，还可能存在其他的拆分方式。需理解，在第一种拆分方式中，若所述第一格式的数据图像的行数或者列数不能正好被所述预设尺寸的行数或者列数所整除，可以采用如下方案解决：先拆分出不满足所述预设尺寸的残缺的子矩阵，然后用0元素补足，0元素的补充位置可以是残缺矩阵的上方、下方、左侧、右侧中的一个或者多个。当然也可以采用其他的方式补足，例如用残缺矩阵在原数据图像中的相邻的元素进行补足，本领域技术人员可以根据实际需要进行设置。由于第一格式的数据图像被设置为只包含0或者1的元素，在前述讨论中，已经提到了当所述子矩阵中元素的取值仅为1或者0时，可以选择一种较优的预设计算方式，在本实施例中，所述预设计算为，将所述子矩阵中赋值为1的元素所对应的所述核矩阵中的元素相乘得到乘积。

请参考图7，例如，在一实施例中，其中一个所述子矩阵如图7左侧所示，所述核矩阵如图7右侧所示。所述子矩阵中赋值为1的元素所对应的所述核矩阵中的元素分别为2、13、23、29、31、41、47、53、73、79、89，所述子矩阵和所述核矩阵的所述预设计算的结果为28181130952459700(即2*13*23*29*31*41*47*53*73*79*89)。

在步骤S150中，所述数字图像坏簇统计方法包括：获取所述子矩阵与所述核矩阵进行预设计算后的计算结果，并将计算结果与所述查找表进行比对，得到坏簇统计信息。具体的统计信息包括，例如，统计每个不同的坏簇出现的次数，或者先将坏簇情况进行一个大致的分类，再统计每个分类出现的次数，还可以是其他的操作人员所关心的数据。

本实施例还提供了一种CIS芯片测试方法，包括：

采用并行或者串行的方式令CIS芯片输出原始格式的图像数据；

采用上述的数字图像坏簇统计方法对所述原始格式的图像数据进行分析，得到分析结果；

依据所述分析结果和预设逻辑判断所述CIS芯片的质量。

所述令CIS芯片输出原始格式的图像数据的方法，可由本领域技术人员根据实际情况进行配置，例如，用测试用光源照射所述CIS芯片等。所述预设逻辑，可由本领域技术人员根据实际情况进行配置，例如对于质量要求较高的产品，预设逻辑设定地更为严格，对于质量要求较低的产品，预设逻辑设定地较为宽松；又例如，对于某种特殊要求的CIS芯片，预设逻辑设置为，特定的几种异常点分布图的出现次数大于1时，即判定该芯片不合格。

本实施例还提供了一种集成电路自动测试机，所述集成电路自动测试机在对CIS芯片进行测试时，采用上述的CIS芯片测试方法。所述集成电路自动测试机用于测试所述CIS芯片的台架结构、通讯接口以及调用所述CIS芯片进行工作的内部逻辑，本领域技术人员可以根据公知常识进行设置，所述集成电路自动测试机的其他部件也可以根据本领域的公知常识进行设置，在此不做详细的介绍。

上述的CIS芯片测试方法和集成电路自动测试机均采用了所述数字图像坏簇统计方法，因此也具有同样的严谨高效的有益效果。

综上所述，本实施例提供的数字图像坏簇统计方法、CIS芯片测试方法及集成电路自动测试机中，所述数字图像坏簇统计方法只需要进行一次扫描处理和计算就能完成统计，具备严谨高效的特点。

上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于本发明技术方案的保护范围。