正在加载图片...
.98 北京科技大学学报 第30卷 设搜索图大小为M×N,模板图大小为m× 为多个窗体特征向量集，即使两两窗体之间有信息 .模板图像的二维投影信息分别组成水平向量Yh 重叠区域（这在大批量芯片识别中较为常见，可以大 和垂直投影向量Y,而搜索图的二维投影信息分别 幅提高鲁棒性)，对于计算速度也有很大优化效果 组成了水平投影向量集合以及垂直投影向量集合： 此外，在单个窗体内，仍可以采用传统的粗一精策略 n=(X,X6,X,…,X),=N-n十1； 来进一步优化计算速度，但无论多窗体结构，还是 Q=(X,x2,x3,…,),j=M-m十1. 粗一精匹配策略，都需要相似度量曲面的峰值越尖 由于搜索图投影信息的某些部分可以近似地看 锐越好，本文将螺旋式特征链结构同改进的最多近 作模板图投影信息的比例放大，按下式计算： 似点距离(MCD)相结合，创造了一种新的相似度度 Simh(Xh)= XY,0<≤N-n十1 量作为相似度判据，称之为有序最多近似点度量. h Yh 由于待识别目标的边缘图像干扰巨大，因此， (1) 在对模板的预处理中，使用特征链的结构·从图像 Y,三，0<≤M-m十1 特征最完好的中心开始螺旋式搜索，特征链结构如 sim(X)=Jx及JY.Y. 图3，依次将搜索到的特征点存入特征链，匹配时依 照特征链的顺序进行计算 (2) Sim(X)和Sim,(X)具有比例不变性.根据 式(l)和(2)解得Simh(X)和Sim,(X)的曲线 设图像空间存在点O(i0,jo),令 ioSim=max Simn(Xh) (3) joSimSim, (4) 点O(i0,j0)可以近似认为是在某一个芯片图 …□ 像的中心，这样就获取了分割图像特征向量集时的 参考起始点 图3螺旋式搜索后的特征链 再判断出Simh和Sim,局部极值，局部极值的 Fig.3 Character chain created by gyroidal searching 判别约束有两个， 设窗体特征向量集为{X1,X2,X3,,X:},= (1)门限约束.Simh(v)(Xho))>Ka,K,为相似 (M-W十1)X(N-H+1),模板向量为Y=(y1, 度门限，h(v)代表水平或垂直（下文同），本文中K。 y2,,yi),j=mx n. 取0.99（实验测定值）； 改进后的MCD距离为： (2)邻域极值约束.若大于K,的Simh(v)数据 间隔小于K(邻域间隔门限)，则认为它们属于同一 D(X:,Y)= R(》 (5) =1 邻域，取其中最大值作为局部极值，本文中K。取 R(xy)一0， 为yT (6) x一y≥T 而后计算两个相邻局部极值的间距d.和d, 其中，T为经实验测定的阈值；，为第j个特征点 取min(d.)和min(d,)作为子窗体在水平和垂直方 的优先性权值，取值为： 向上的参考间隔 1, n 至此，由于获得了参考起始点以及参考间隔，结 (7) 合搜索图像尺寸和模板图像尺寸，就可以完全实现 e,j≥n 多窗体结构的自构建，本文经过大量实验确定出的 式中，n为常数，可通过实验获得 求解窗体尺寸的经验公式为：子特征集宽度W= 对于单个窗体而言，由于第I类图像个数G∈ 2.1m,高度H=1.8n, [0,1],因此只需求得D(X:,Y)的局部极值点 多窗体结构的自构建可以看作是一种粗匹配， 要D(X,Y),则该点对应的子图向量X:即为初 由于多窗体结构的鲁棒性较好，因此位置参考点 步匹配点，再结合单一阈值法，使用Dthread(实验测 O(x,y)与参考间隔的精度无需很高 定)作为二次判决阈值，就能将巴要D(X:,Y)< 1.3有序最多近似点距离 Dtheread的误匹配点除去，这些误匹配点，可能是图 多窗体结构的实质是将搜索图特征向量集分解 像干扰，也可能是破损芯片.设搜索图大小为 M× N模板图大小为 m × n．模板图像的二维投影信息分别组成水平向量 Yh 和垂直投影向量 Yv而搜索图的二维投影信息分别 组成了水平投影向量集合以及垂直投影向量集合： Ωh＝（X 1 hX 2 hX 3 h…X i h）i＝ N— n＋1； Ωv＝（X 1 vX 2 vX 3 v…X j v）j＝ M— m＋1． 由于搜索图投影信息的某些部分可以近似地看 作模板图投影信息的比例放大．按下式计算： Simh（X i h）＝ X i h Yh X i h X i h Yh Yh 0＜ i≤ N— n＋1 （1） Simv（X j v）＝ X j v Yv X j v X j v Yv Yv 0＜ j≤ M— m＋1 （2） Simh（X i h）和 Simv （ X j v）具有比例不变性．根据 式（1）和（2）解得 Simh（X i h）和 Simv（X j v）的曲线． 设图像空间存在点 O（ i0j0）令 i0＝｛k｜Sim k h＝ max 0＜ i≤ N— n＋1 Simh（X i h）｝ （3） j0＝｛k｜Sim k v ＝ max 0＜ j≤ M— m＋1 Simv（X j v）｝ （4） 点 O（ i0j0）可以近似认为是在某一个芯片图 像的中心这样就获取了分割图像特征向量集时的 参考起始点． 再判断出 Simh 和 Simv 局部极值局部极值的 判别约束有两个． （1） 门限约束．Simh（v）（X i h（v））＞ KsKs 为相似 度门限h（v）代表水平或垂直（下文同）．本文中 Ks 取0∙99（实验测定值）； （2） 邻域极值约束．若大于 Ks 的Simh（v）数据 间隔小于 Kn（邻域间隔门限）则认为它们属于同一 邻域取其中最大值作为局部极值．本文中 Kn 取 5． 而后计算两个相邻局部极值的间距 dh 和 dv 取min（ dh）和min（ dv）作为子窗体在水平和垂直方 向上的参考间隔． 至此由于获得了参考起始点以及参考间隔结 合搜索图像尺寸和模板图像尺寸就可以完全实现 多窗体结构的自构建．本文经过大量实验确定出的 求解窗体尺寸的经验公式为：子特征集宽度 W ＝ 2∙1m高度 H＝1∙8n． 多窗体结构的自构建可以看作是一种粗匹配 由于多窗体结构的鲁棒性较好因此位置参考点 O（ xy）与参考间隔的精度无需很高． 1∙3 有序最多近似点距离 多窗体结构的实质是将搜索图特征向量集分解 为多个窗体特征向量集即使两两窗体之间有信息 重叠区域（这在大批量芯片识别中较为常见可以大 幅提高鲁棒性）对于计算速度也有很大优化效果． 此外在单个窗体内仍可以采用传统的粗—精策略 来进一步优化计算速度．但无论多窗体结构还是 粗—精匹配策略都需要相似度量曲面的峰值越尖 锐越好．本文将螺旋式特征链结构同改进的最多近 似点距离（MCD）相结合创造了一种新的相似度度 量作为相似度判据称之为有序最多近似点度量． 由于待识别目标的边缘图像干扰巨大．因此 在对模板的预处理中使用特征链的结构．从图像 特征最完好的中心开始螺旋式搜索特征链结构如 图3．依次将搜索到的特征点存入特征链匹配时依 照特征链的顺序进行计算． 图3 螺旋式搜索后的特征链 Fig．3 Character chain created by gyroidal searching 设窗体特征向量集为｛X1X2X3…Xi｝i＝ （ M— W＋1）×（ N— H＋1）模板向量为 Y＝（ y1 y2…yj）j＝ m× n． 改进后的 MCD 距离为： D（XiY）＝ ∑ m×n j＝1 R（ xjyj） （5） R（ xjyj）＝ ωj xj—yj＜ T 0 xj—yj≥ T （6） 其中T 为经实验测定的阈值；ωj 为第 j 个特征点 的优先性权值取值为： ω＝ 1 j＜ n e — j 1／4 j≥ n （7） 式中n 为常数可通过实验获得． 对于单个窗体而言由于第 I 类图像个数 G∈ ［01］．因此只需求得 D （ XiY） 的局部极值点 max 1＜ i＜ N D（XiY）则该点对应的子图向量 Xi 即为初 步匹配点．再结合单一阈值法使用 Dthread（实验测 定）作为二次判决阈值就能将 max 1＜ i＜ N D（ XiY）＜ Dtheread的误匹配点除去．这些误匹配点可能是图 像干扰也可能是破损芯片． ·98· 北 京 科 技 大 学 学 报 第30卷