一種改進Canny算子芯片圖像邊緣檢測方法

周小軍，譚 薇

(1.甘肅工業職業技術學院，甘肅 天水 741025； 2.四川大學 網絡空間安全學院，四川 成都 610041)

0 引言

集成電路產業已成為衡量一個國家科技綜合實力的重要標準。2015年公布《中國制造2025》戰略規劃，將“集成電路生產和封裝”作為重點建設內容。集成電路芯片在生產封裝過程中的表面缺陷檢測技術對提高生產效率至關重要，人工方法誤檢率高，效率差，基于圖像處理技術的機器視覺檢測優勢明顯。圖像的邊緣是位于2個區域的邊界上相連像素的集合，芯片圖像缺陷檢測時的關鍵步驟就是根據圖像灰度的不連續性來進行圖像分割，通過檢測圖像的一階梯度最大值和二階導數是否過零點來判斷輪廓，也叫邊緣檢測[1]。常見的一階算子有 Roberts，Prewitt和Sobel；二階算子有Log，Kirsch和Laplacian等[2]。近年來在已有的傳統方法的基礎上，大量的邊緣檢測方法出現。由于在工業環境的檢測過程中，芯片圖像在采集過程中要受各種因素如環境溫度濕度、光源的照度和工業相機鏡頭在工業上利用CCD相機畸變等的影響，采集到的芯片圖像中不可避免的存在各種干擾和噪聲，使采集到的圖像對比度不均勻或者存在陰影，對邊緣檢測的結果影響很大。

1 經典Canny 算子

Canny邊緣檢測算子于1986年由John F.Canny提出[3]，算法簡單高效，是圖像中最經典、最廣泛應用的算法之一，因檢測效果良好，至今仍然十分活躍。近年來，國內外學者不斷對Canny算子進行了改進[4-9]。Canny同時確定了一個優秀邊緣檢測算子的3個標準：(1)低檢錯率高信噪比準則，即檢測算法應該最大限度檢測出邊緣信息，降低誤檢和漏檢，減少噪聲影響，提高信噪比；(2)最優精度定位準則，使檢測的邊緣圖像盡可能和原圖像無限接近，噪聲影響引起的偏離度最低，提高定位的精確度；(3)對應準則，檢測點和邊緣點要相互對應，噪聲和干擾不應被作為偽邊緣被檢測[10]。

Canny邊緣檢測算子實質就是在3個準則上建立的一種多級檢測算法，具體實現可分為以下4個步驟：

其中，坐標與方位之間關系為：

式中：M(x,y)為幅值，表示邊緣的強度；θ(x,y)為方位角，最大局部值M(x,y)所對應梯度的方位角表示邊緣。

第3步 幅值非極大值抑制，用3×3鄰域作用于梯度幅值陣列，將圖像像素梯度值M(x,y)與沿著梯度方向的2個8鄰域像素梯度M(x+1,y+1)進行比較。如該像素點梯度值不是局部最大則令M(x,y)=0，對該點進行抑制即該點不是邊緣點。

第4步 雙閾值連接邊緣，對圖像進行高、低閾值分割后可得到2個邊緣圖像。高閾值圖像不含假邊緣，但有間斷[11]。利用低閾值在圖像8鄰域搜索可能連接的邊緣，完成對高閾值圖像的間斷連接。

2 經典算法的缺陷

(1)Canny算子對光照十分敏感，因為芯片焊盤表面反光，采集時會產生曝光現象；同時，有光源陰影的存在，會檢測出假邊緣，影響檢測質量。

(2)Canny算子中高、低閾值參數不具有自適應的能力，而閾值選擇對圖像的邊緣檢測影響很大，人為設定閾值費時費力，也很難取得好的檢測效果。

(3)在具體的應用環境中，如果閾值設置不合理，則可能產生過判斷現象，將噪聲和偽邊緣誤判為真實邊緣；也有可能產生過粗，判斷不出真實的邊緣，無法進行識別目標的輪廓準確檢測處理。

3 改進閾值自適應Canny算法

Canny算子檢測算法簡單有效，檢測時間短，但因其閾值不能自動選擇而需人為干預。閾值大小直接影響檢測的性能，Canny算子在提取不同圖像的邊緣時缺乏自適應性，對局部噪聲敏感，所以常會過檢測出偽邊緣，而對灰度值變化緩慢邊緣又無法檢測到。對此，該文用最大類間方差對Canny算子閾值的選取方法進行了改進，能自適應確定閾值，經實驗證明在對芯片圖像檢測時效果良好。最大類間方差法是根據圖像的灰度特性對圖像進行全局二值化，將其分為前景和背景兩部分，兩者之間方差越大，兩部分之間的差別就越大，錯分的概率就越小，分類就越正確。

則整個圖像全局均值為：

4 實驗結果

用Matlab2016b軟件，在處理器為Intel(R)Core(TM)i5-5200U CPU@2.20 GH，內存為8G的計算機平臺上實驗。選取了Matlab自帶的2張512×512的原始圖像1Liftingboby原始圖像2Pillsetc圖像和2張自行采集到的200×200缺陷芯片原始圖像3Dirt和原始圖像4Scratch。采用傳統的Canny算子和該文最大內間差自適應閾值改進后的結果進行了對比分析和研究，實驗檢測結果如圖1和圖2所示。

圖1 圖像1 Liftingboby和圖像2 Pillsetc檢測結果對比

圖2 圖像3 Dirt和圖像4 Scratch檢測結果對比

由上述實驗結果可以看出，圖形內容較為豐富的原始圖像1中含有薄厚變化的云層背景和遠近2個飛行器圖像，圖像內容相對比較單一，因此加入了彩色藥品和采集噪聲較大的原始圖像2。2種圖像在使用普通Canny算子時因為檢測閾值的自動選擇，大量的干擾信息被檢測，噪聲及干擾都被檢測成邊緣。對要進行機器視覺識別的芯片圖像的原始圖像3和原始圖像4，因為圖像內容相對簡單，但是由于工業圖像采集環境的不同，以及受光照不均勻的影響，產生了一定的噪聲和陰影，這樣圖像灰度分布各異，分割閾值對邊緣檢測影響很大，通過人工反復修改試驗也能取得較好的閾值，但是耗時耗力，尤其是在實際應用時無法做到實時的響應。

通過采用該文改進后的最大內間差法自適應獲取高低閾值。圖像1～4的高閾值TH、低閾值TL，采用傳統Canny算子檢測熵值E1、消耗時間t，和改進后檢測熵值E2、消耗時間t2分別如表1所示。

表1 改進后圖像檢測參數對比統計表

由表1知，在檢測消耗時間上，采用改進后的方法在運行后使用的時間要相對長一些。因為圖像中細節的信息和噪聲信息被處理掉，改進后檢測邊緣的圖像熵值比改進前變小，由于處理大量干擾信息，所以犧牲了一定的時間代價。圖像3和圖像4因采集時光照不均勻，邊緣輪廓產生的陰影被很好地處理掉。改進后檢測效果良好，有效去除了不必要的干擾，圖像重要信息的邊緣得以保留，從直觀視覺效果可以看出改善效果明顯?？傊?，經改進算法處理后的圖像能去除大部分噪聲及光照干擾，在后續芯片缺陷識別時對提高識別率和準確率非常關鍵。

5 結語

利用機器視角檢測集成芯片表面缺陷的核心技術仍受制于人，對芯片的表面缺陷進行檢測主要是檢測芯片表面的印刷字符、芯片引腳、劃痕污染等。為準確判斷芯片圖像中的缺陷，需要采集后的圖像二值化，然后再進行缺陷邊緣檢測，通過在Canny算子中引進最大內間差法自適應地根據圖像灰度來生成高低閾值，改善了原算法的噪聲敏感性，檢測時將大量的非缺陷信息進行濾除，保留有效的檢測信息。實驗結果表明，改進算法對檢測到有效邊緣信息有很強的自適應性，能滿足工程上實時性要求，可為后續芯片缺陷檢測提供關鍵的技術參考。