CN106778780B - 一种基于gpu的边缘检测图像二值化方法 - Google Patents

一种基于gpu的边缘检测图像二值化方法 Download PDF

Info

Publication number
CN106778780B
CN106778780B CN201611152692.7A CN201611152692A CN106778780B CN 106778780 B CN106778780 B CN 106778780B CN 201611152692 A CN201611152692 A CN 201611152692A CN 106778780 B CN106778780 B CN 106778780B
Authority
CN
China
Prior art keywords
gpu
data
jump
processing
row
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611152692.7A
Other languages
English (en)
Other versions
CN106778780A (zh
Inventor
刘建明
何津
张琨
刘庄
张彦鹏
蒋平
蒋开
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Vision Optoelectronics Technology Co ltd
Original Assignee
Jiangsu Vision Optoelectronics Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Vision Optoelectronics Technology Co ltd filed Critical Jiangsu Vision Optoelectronics Technology Co ltd
Priority to CN201611152692.7A priority Critical patent/CN106778780B/zh
Publication of CN106778780A publication Critical patent/CN106778780A/zh
Application granted granted Critical
Publication of CN106778780B publication Critical patent/CN106778780B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于GPU的边缘检测图像二值化方法，包括以下步骤：通过GPU服务器把采集到的灰度图输入到GPU中；GPU的每个核负责处理原始图片中的每行数据，进行像素灰度值的跳变检测，按照设定的阈值T，求得每行数据的突变点，然后进行黑白处理；按照步骤2)同样的方法求得每列数据的突变点，然后进行黑白处理；把处理后的行、列数据进行汇总处理，得到最终的二值化图。本发明采用边缘检测的方法进行二值化，GPU的每个核处理负责处理原始图片的每行及每列数据，进行像素灰度值得跳变检测，把变化方向分为正负两个方向，然后进行汇总，保证图案边缘信息不丢失，同时也保证处理的实时性。

Description

一种基于GPU的边缘检测图像二值化方法
技术领域
本发明涉及半导体检测技术领域，尤其是一种基于GPU的边缘检测图像二值化方法，用以检测掩膜版和晶圆缺陷。
背景技术
半导体掩膜版和晶圆的检测一般常见还是光学图形检测，不管是Die2DB还是Die2Die的方式，都涉及图形学；
其中针对Die2DB来说，首先要对采集的图进行二值化处理，二值化处理常见有全局二值化和局部二值化，针对全局阈值法来说，实现是简单，高效，但是他的适用范围相对有限，针对半导体的掩膜版、晶圆、薄膜电路等，由于光源或镜头等多方面的原因，会导致光照的不均匀，如果按照全局阈值方法来二值化，会导致图片的边缘信息丢失很多；如果按照局部阈值来处理，需要分割若干个区域进行处理，但是如何进行区域的划分，也是比较复杂的问题，往往需要通过大量的试验来确定，即便这样，效果也不是最理想的，所以相比而言，这两种方法都不是最佳的方法；
针对半导体的mask，wafer的光学检测来说，在光照相对不均匀的情况，如果提供一种有效的二值化方法，是本领域技术人员迫切需要解决的核心技术问题之一。
发明内容
本发明要解决的技术问题是：提出一种基于GPU的边缘检测图像二值化方法，具有完整性高，实时性好的特点。
本发明所采用的技术方案为：一种基于GPU的边缘检测图像二值化方法，包括以下步骤：
1)通过GPU服务器把采集到的灰度图输入到GPU中；
2)GPU的每个核负责处理原始图片中的每行数据，进行像素灰度值的跳变检测，按照设定的阈值T，求得每行数据的突变点，然后进行黑白处理；
3)按照步骤2)同样的方法，GPU的每个核处理原始图片的每列数；同样进行像素灰度值的跳变检测，按照设定的阈值T，求得每列数据的突变点，然后进行黑白处理；
4)把GPU处理后的行、列数据进行汇总处理，得到的数据便是最终的二值化图。
本发明的有益效果是：本发明是以GPU为计算主体，采用边缘检测的方法进行二值化，GPU的每个核处理负责处理原始图片的每行以及每列数据，进行像素灰度值得跳变检测，把变化方向分为正负两个方向，正方向表示由暗到亮，负方向表示由亮到暗，然后进行汇总，这样能得到理想的二值化图，保证图案边缘信息不丢失等特点，由于采用GPU处理，也能保证处理的实时性。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的原始灰度图；
图2是本发明边缘检测原理图；
图3是本发明边缘检测二值化实际图。
具体实施方式
现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
一种基于GPU的边缘检测图像二值化方法，包括以下步骤：
步骤1，通过GPU服务器把采集到的一批灰度图输入到GPU的显存中，由于GPU核心数较多，可以每次输入多张图像到GPU中进行处理，便于高效运算；
步骤2，根据当前光照环境，设定一个像素灰度值跳变阈值T，该值决定像素灰度值值是否发生了跳变；当然发生跳变，并不表示一定是黑白分界点，最终要求得同方向的最大值，所以该阈值的设定不一定要求非常准确，这样该方法就有实际运用的价值了；
步骤3，获取原始采集灰度图像数据和阈值T后，GPU就开始检测原始数据的行数据M，给每个GPU的核分配数据，每个核对应一行数据，例如图2所示，每个核从左到右分析像素的灰度值(0到255闭区间)，如果|Mi+1-Mi|>T,则纳入统计列表中L(Mpi,...,MPi+n),直至跳变方向发生反转，例如由正到负时，根据统计列表的数据，找出最大值Mmax＝max(Mpi,...,Mpi+n)；此时可认为最大值的X坐标为跳变点，根据跳变方向，判断之前起始位置填充黑还是白，如果是正方向，则之前的行数据均为0，反之则为255；然后继续往右方分析，直至当前行数据处理完毕，当负责该图的所有核处理完成后，即可得到整个图的矩阵TRm；
步骤4，按照步骤2同样的方法，来检测原始图的列N数据，找出最大值Nmax＝max(Npi,...,Npi+n)，此时可认为最大值的Y坐标为跳变点，根据跳变方向，判断之前起始位置填充黑还是白，如果是正方向，则之前的列数据均为0，反之则为255；然后继续往下方分析，直至当前行数据处理完毕，当负责该图的所有核处理完成后，即可得到矩阵TRn；
步骤5，根据行列两个方向二值化的矩阵数据TRm和TRn进行汇总操，如果矩阵TRm(i,j)与TRn(i,j)中的像素值若有一个是0，则合并为0，反之为255；因为这些都是矩阵数据，非常适合GPU来并行计算，所以GPU的每个核一次只负责处理每一行或者列像素数据，故性能极其高效，最终得到一个完整的理想二值化图像数据，如图3所示。
以上说明书中描述的只是本发明的具体实施方式，各种举例说明不对本发明的实质内容构成限制，所属技术领域的普通技术人员在阅读了说明书后可以对以前所述的具体实施方式做修改或变形，而不背离本发明的实质和范围。

Claims (1)

1.一种基于GPU的边缘检测图像二值化方法，其特征在于包括以下步骤：
1)通过GPU服务器把采集到的灰度图输入到GPU中；
2)GPU的每个核负责处理原始图片中的每行数据，进行像素灰度值的跳变检测，按照设定的阈值T，求得每行数据的突变点，然后进行黑白处理；
3)按照步骤2)同样的方法，GPU的每个核处理原始图片的每列数；同样进行像素灰度值的跳变检测，按照设定的阈值T，求得每列数据的突变点，然后进行黑白处理；
4)把GPU处理后的行、列数据进行汇总处理，得到的数据便是最终的二值化图；
所述的步骤2)和步骤3)中，设定的阈值均为像素灰度值跳变阈值；
所述的步骤2)中，GPU检测原始数据的行数据M，给每个GPU的核分配数据，每个核对应一行数据；如果|Mi+1-Mi|>T,则纳入统计列表L(Mpi,...,MPi+n)中,直至跳变方向发生反转，并找出最大值Mmax＝max(Mpi,...,Mpi+n)；当负责该原始图片的所有核处理完成后，即可得到矩阵TRm；
所述的最大值Mmax的X坐标为跳变点，根据跳变方向，判断之前起始位置填充黑色或是白色；
所述的步骤3)中按照步骤2)同样的方法，找出最大值Nmax＝max(Npi,...,Npi+n)；当负责该图的所有核处理完成后，即可得到矩阵TRn；
所述的最大值Nmax的Y坐标为跳变点，根据跳变方向，判断之前起始位置填充黑色或是白色。
CN201611152692.7A 2016-12-14 2016-12-14 一种基于gpu的边缘检测图像二值化方法 Active CN106778780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611152692.7A CN106778780B (zh) 2016-12-14 2016-12-14 一种基于gpu的边缘检测图像二值化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611152692.7A CN106778780B (zh) 2016-12-14 2016-12-14 一种基于gpu的边缘检测图像二值化方法

Publications (2)

Publication Number Publication Date
CN106778780A CN106778780A (zh) 2017-05-31
CN106778780B true CN106778780B (zh) 2020-05-01

Family

ID=58887945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611152692.7A Active CN106778780B (zh) 2016-12-14 2016-12-14 一种基于gpu的边缘检测图像二值化方法

Country Status (1)

Country Link
CN (1) CN106778780B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3871832B2 (ja) * 1999-08-20 2007-01-24 日本電気株式会社 データ処理プログラム自動生成システム及びその方法並びにコンピュータ可読記録媒体
CN103473772A (zh) * 2013-09-05 2013-12-25 北京捷成世纪科技股份有限公司 一种马赛克图像的检测方法和装置
CN104123119A (zh) * 2014-07-07 2014-10-29 北京信息科技大学 基于gpu的动态视觉测量特征点中心快速定位方法
CN104899903A (zh) * 2015-05-12 2015-09-09 公安部第一研究所 基于cuda架构的gpu并行加速双能谱ct重建方法
CN105913405A (zh) * 2016-04-05 2016-08-31 智车优行科技（北京）有限公司 用于呈现图像细节的处理方法、装置及车辆
CN106127817A (zh) * 2016-06-28 2016-11-16 广东工业大学 一种基于通道的图像二值化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3871832B2 (ja) * 1999-08-20 2007-01-24 日本電気株式会社 データ処理プログラム自動生成システム及びその方法並びにコンピュータ可読記録媒体
CN103473772A (zh) * 2013-09-05 2013-12-25 北京捷成世纪科技股份有限公司 一种马赛克图像的检测方法和装置
CN104123119A (zh) * 2014-07-07 2014-10-29 北京信息科技大学 基于gpu的动态视觉测量特征点中心快速定位方法
CN104899903A (zh) * 2015-05-12 2015-09-09 公安部第一研究所 基于cuda架构的gpu并行加速双能谱ct重建方法
CN105913405A (zh) * 2016-04-05 2016-08-31 智车优行科技（北京）有限公司 用于呈现图像细节的处理方法、装置及车辆
CN106127817A (zh) * 2016-06-28 2016-11-16 广东工业大学 一种基于通道的图像二值化方法

Also Published As

Publication number Publication date
CN106778780A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN109978839B (zh) 晶圆低纹理缺陷的检测方法
CN111066063B (zh) 利用卷积空间传播网络学习的亲和度进行深度估计的***和方法
KR101934313B1 (ko) 검사 이미지들 내에서 결함들을 검출하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품
US20180137605A1 (en) Image processing device, image processing method, computer program product
CN110930390B (zh) 基于半监督深度学习的芯片管脚缺失检测方法
US20200106942A1 (en) Methods and devices for processing images of a traffic light
US20140240467A1 (en) Image processing method and apparatus for elimination of depth artifacts
US10748023B2 (en) Region-of-interest detection apparatus, region-of-interest detection method, and recording medium
JP2015511310A (ja) ウエハ検査のためのセグメント化
CN110008961B (zh) 文字实时识别方法、装置、计算机设备及存储介质
KR102559021B1 (ko) 불량 이미지 생성 장치 및 방법
WO2017161598A1 (en) Fast density estimation method for defect inspection application
JP2003057019A (ja) パターン検査装置および方法
CN117611590B (zh) 一种缺陷轮廓复合检测方法、装置、设备及存储介质
CN111354047A (zh) 一种基于计算机视觉的摄像模组定位方法及***
CN113362238A (zh) 测试图像处理方法、装置、电子设备及存储介质
US8547430B2 (en) System and method for marking discrepancies in image of object
US20220207750A1 (en) Object detection with image background subtracted
JP2017085570A (ja) 画像補正方法及び画像補正装置
Martens et al. Cross domain matching for semantic point cloud segmentation based on image segmentation and geometric reasoning
CN116057949A (zh) 用于量化图像中光耀斑的***和方法
CN106778780B (zh) 一种基于gpu的边缘检测图像二值化方法
CN113272857A (zh) 缺陷图像生成装置及方法
US11989650B2 (en) Saliency prioritization for image processing
CN115423765A (zh) 一种基于模板图像的晶粒缺陷量化分割方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant