.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