CN109919922A - 一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法 - Google Patents
一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法 Download PDFInfo
- Publication number
- CN109919922A CN109919922A CN201910144240.1A CN201910144240A CN109919922A CN 109919922 A CN109919922 A CN 109919922A CN 201910144240 A CN201910144240 A CN 201910144240A CN 109919922 A CN109919922 A CN 109919922A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- bonding
- filtering
- information
- 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.)
- Granted
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法,主要进行了图像的预处理,针对离散的脉冲噪声和椒盐噪声使用中值滤波,去除电子电路噪声和由低照明度或高温带来的传感器噪声干扰;选择归一化四邻域和八邻域高通滤波模板,将图像的低频部分去除,保留图像的高频部分,实现图像增强;利用Top‑Hat和Bottom‑Hat相结合的形态滤波方法,实现对比度增强,突出图像信息;设置合适二值化阈值,显示键合区域;进行两次形态学处理,填充孔洞,提取主体轮廓,计算键合成功率。通过该***可以获取空洞分布、界面反应情况、键合成功率等一系列反映键合质量的信息,对于键合界面反应机理的研究和工艺参数的优化具有重要指导意义。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种硅硅直接键合质量检测方法。
背景技术
晶圆键合技术是指通过物理和化学的作用,将同种或不同种晶圆材料紧密结合的工艺方法。晶圆键合技术作为一种新的工艺方法,逐步成为微电子学和微机电***的关键加工及封装技术,出现了直接键合、阳极键合、共晶键合、热压键合、聚合物键合等多种键合方法。相比于其他键合方法,直接键合技术具有洁净度高、气密性好、可实现异质材料的键合等优势,在新型半导体材料研制,高性能微纳器件制备,三维集成与封装以及高密度互联中具有重要的应用,逐渐成为前沿学科领域中微型元件的基础核心技术。
晶圆键合片良好的界面性能是保证器件性能的关键,界面空洞不仅影响着键合率和键合强度,也会对键合界面的电学特性有重要影响,因此出现了多种检测方法。常用的空洞检测方法有光透射法、超声波法、X射线影像法、魔镜图像法以及红外检测法。其中,红外检测是晶圆键合质量的一种非破坏性检测方法,它与超声波法和X射线图像法相比具有简单、快速、价格便宜和易获得等优点,对于光电器件、MEMS等高科技产品的生产应用至关重要。对于红外图像的后期处理,本专利方法相比于小波图像处理,算法更为简单,避免了非线性小波变换带来的部分细节信息丢失的问题。通过归一化滤波模板的使用,避免了图像的亮度偏移,克服了视觉上的模糊失真。
发明内容
本发明的目的在于针对现有技术的不足,提供一种简单、快速的硅硅直接键合质量检测方法。
为了实现上述目的,本发明基于空间域与形态学相结合的图像处理方法,采取以下技术方案实现:
步骤1:采集硅硅直接键合红外图像,要求输入图像为方形图像,即行像素点等于列像素点,因为当锐化算子模板与图像卷积时,需要一个方阵来处理;
步骤2:针对离散的脉冲噪声和椒盐噪声使用中值滤波,在去除噪声的同时可以比较好的保留图像的锐度和细节部分;
步骤3:选择四邻域和八邻域的归一化高通滤波模板,将图像的低频部分减弱或去除,保留图像的高频部分,而且还可以避免处理后的图像出现亮度偏移。在保证拉普拉斯锐化处理效果的同时又能复原背景信息,很好的突出边缘信息;
步骤4:采用Top-Hat与Bottom-Hat相结合的设计方法,实现对比度增强,使硅片外边界轮廓更加明显,干涉条纹图样纹理更加突出。此外,也可以抑制红外图像中由高斯噪声和脉冲噪声组成的混合噪声;
步骤5:设置合适的二值化阈值在不引入过多噪声像素点的前提下,尽量保留图像的完整信息;
步骤6:阈值分割后的图像需要经过两次形态学处理,第一次形态学处理目的是提取空洞主体,索取未键合上位置的有效像素点,滤除二值化后引入的噪声像素点;
步骤7:第二次形态学处理目的是通过多次腐蚀膨胀实现空洞填充,对于腐蚀膨胀的次数要求尽量小,不损失有效信息;
步骤8:键合成功率定义为晶圆片键合上的面积占整个键合晶片面积的百分比,这里的面积指的是像素点之和。
本发明提供的基于空间域与形态学相结合的硅硅直接键合的质量检测方法,主要进行图像的预处理,针对离散的脉冲噪声和椒盐噪声使用中值滤波,去除电子电路噪声和由低照明度或高温带来的传感器噪声干扰;选择归一化四邻域和八邻域高通滤波模板,将图像的低频部分去除,保留图像的高频部分,实现图像增强;利用Top-Hat和Bottom-Hat相结合的形态滤波方法,实现对比度增强,突出图像信息;设置合适二值化阈值,显示键合区域;进行两次形态学处理,填充孔洞,提取主体轮廓,计算键合成功率。通过该***可以获取空洞分布、界面反应情况、键合成功率等一系列反映键合质量的信息,对于键合界面反应机理的研究和工艺参数的优化具有重要指导意义。
附图说明
图1为本发明的图像处理方法的流程图;
图2为红外图像滤波效果图,其中(1)为中值滤波滤除背景噪声示意图,(2)为锐化中心算子增强空洞轮廓示意图;
图3为红外图像对比度增强效果图,其中(1)为Top-Hat和Bottom-Hat相结合的形态滤波示意图,(2)为形态滤波取反处理后示意图;
图4为红外图像二值化效果图,其中(1)为二值化阈值处理示意图,(2)为形态学主体提取后示意图;
图5为红外图像第二次形态学处理效果图,其中(1)为形态学空洞填充后示意图,(2)为形态学空洞填充取反处理后示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明,本发明的实施方式包括但不限于下列实施例。
图1为本发明的图像处理方法的流程图;
本发明提供了一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法,其特征在于,包括下列步骤:
步骤1:采集硅硅直接键合红外图像,要求输入图像为方形图像,即行像素点等于列像素点,因为当锐化算子模板与图像卷积时,需要一个方阵来处理;
步骤2:针对离散的脉冲噪声和椒盐噪声使用中值滤波,在去除噪声的同时可以比较好的保留图像的锐度和细节部分;
步骤3:选择四邻域和八邻域的归一化高通滤波模板,它可以将图像的低频部分减弱或去除,保留图像的高频部分,而且还可以避免处理后的图像出现亮度偏移。在保证拉普拉斯锐化处理效果的同时又能复原背景信息,很好的突出边缘信息;
步骤4:采用Top-Hat与Bottom-Hat相结合的方式,实现对比度增强,使得硅片外边界轮廓更加明显,干涉条纹图样纹理更加突出。此外,也可以抑制红外图像中由高斯噪声和脉冲噪声组成的混合噪声;
步骤5:设置合适的二值化阈值对最后的结果有至关重要的影响,设置原则是在不引入过多噪声像素点的前提下,尽量保留图像的完整信息;
步骤6:阈值分割后的图像需要经过两次形态学处理,第一次形态学处理目的是提取空洞主体,索取未键合上位置的有效像素点,滤除二值化后引入的噪声像素点;
步骤7:第二次形态学处理目的是通过多次腐蚀膨胀实现空洞填充,对于腐蚀膨胀的次数要求尽量小,不损失有效信息;
步骤8:键合成功率定义为晶圆片键合上的面积占整个键合晶片面积的百分比,这里的面积指的是像素点之和。
实施例
本文选择一幅空洞分布较多的红外图像进行实验验证,图2为红外图像滤波效果图,其中(1)为中值滤波滤除背景噪声示意图,(2)为锐化中心算子增强空洞轮廓示意图。根据上面所述的方法,其特征在于,滤除背景噪声和突出增强图像细节的具体处理过程为:
1)在使用CCD摄像机获取图像时,得到的图像受离散的脉冲噪声、椒盐噪声和零均值的高斯噪声的影响较严重,这几种噪声一般都源于电子电路噪声和由低照明度或高温带来的传感器噪声,针对离散的脉冲噪声和椒盐噪声可以使用中值滤波,它属于一种非线性平滑滤波方法,设{xij,(i,j)∈I2}表示数字图像各点的灰度值,滤波窗口为A的二维中值滤波可定义为:
yi=MedA{xij}=Med{xi+r,j+s,(r,s)∈A(i,j)∈I2}
2)拉普拉斯算子适用于改善因为光线的漫反射造成的图像模糊,它是各向同性的二阶微分算子,对于一个连续的二元函数f(x,y),它在位置(x,y)处的拉普拉斯算子定义为
空间域锐化滤波用卷积形式表示为
式中,H(r,s)为锐化中心算子,选择了一种归一化高通滤波模板,它可以将图像的低频部分减弱或去除,保留图像的高频部分;该方法属于线性锐化滤波的一种,可以避免处理后的图像出现亮度偏移,在保证拉普拉斯锐化处理效果的同时又能复原背景信息,很好的突出边缘信息;归一化的方法为用原始图像减去拉普拉斯算子处理图像,H1为四邻域模板,H2为八邻域模板,离散函数表达式分别为
归一化的高通滤波模板如式:
分别使用四邻域和八邻域锐化算子模板对图像进行细节增强处理,其中八邻域对于原始信息的保留效果,与四邻域模板相比较差,后续实验改进选用四邻域模板进行图像增强处理。
3)利用Top-Hat和Bottom-Hat相结合的形态滤波方法时,需要设置圆盘大小。图3为红外图像对比度增强效果图,其中(1)为Top-Hat和Bottom-Hat相结合的形态滤波示意图,(2)为形态滤波取反处理后示意图。圆盘的大小决定了图像对比度的强弱,圆盘设置越大,对比度越强,图像细节会更加清晰,二值化处理后信息不会遗失。但是,如果圆盘设置太大,又可能会引入背景干扰,所以圆盘大小取值范围在1-100,要求通过这步处理获取细节观察明显、不引入背景干扰的高对比度滤波图像。
4)在二值化阈值分割获取键合区域时,需要设置合适的二值化阈值。图4(1)为红外图像二值化阈值处理示意图,白色为键合区域,黑色为未键合区域,这一参数设置对最后的结果有至关重要的影响,阈值范围一般在0.1-0.4之间,要求在不引入过多噪声像素点的前提下,尽量保留图像的完整信息。
5)第一次形态学处理目的是提取主体,索取未键合上的有效像素点,滤除二值化后引入的噪声像素点,获取图像各个部分尽量完整的信息,图4(2)为形态学主体提取后示意图,取值范围一般在1-10之间。
6)第二次形态学处理目的是多次腐蚀膨胀实现孔洞填充。对于腐蚀膨胀的次数要求尽量小,恰好能够实现键合区连通域为1,且不损失有效信息,图5为红外图像第二次形态学处理效果图,其中(1)为形态学空洞填充后示意图,(2)为形态学空洞填充取反处理后示意图,一般取值范围在1-10之间。
7)键合成功率定义为晶圆片键合上的面积占整个键合晶片面积的百分比,这里的面积指的是像素点之和,本实施例计算的硅硅直接键合成功率为79.48%,表明键合质量较差。
本发明提供的基于空间域与形态学相结合的硅硅直接键合的质量检测方法,主要进行图像的预处理,针对离散的脉冲噪声和椒盐噪声使用中值滤波,去除电子电路噪声和由低照明度或高温带来的传感器噪声干扰;选择归一化四邻域和八邻域高通滤波模板,将图像的低频部分去除,保留图像的高频部分,实现图像增强;利用Top-Hat和Bottom-Hat相结合的形态滤波方法,实现对比度增强,突出图像信息;设置合适二值化阈值,显示键合区域;进行两次形态学处理,填充孔洞,提取主体轮廓,计算键合成功率。通过该***可以获取空洞分布、界面反应情况、键合成功率等一系列反映键合质量的信息,对于键合界面反应机理的研究和工艺参数的优化具有重要指导意义。
Claims (2)
1.一种基于基于空间域与形态学相结合的硅硅直接键合的质量检测方法,其特征在于,包括下列步骤:
步骤1:采集硅硅直接键合红外图像,要求输入图像为方形图像,即行像素点等于列像素点,因为当锐化算子模板与图像卷积时,需要一个方阵来处理;
步骤2:针对离散的脉冲噪声和椒盐噪声使用中值滤波,在去除噪声的同时可以比较好的保留图像的锐度和细节部分;
步骤3:选择四邻域和八邻域的归一化高通滤波模板,它可以将图像的低频部分减弱或去除,保留图像的高频部分,而且还可以避免处理后的图像出现亮度偏移。在保证拉普拉斯锐化处理效果的同时又能复原背景信息,很好的突出边缘信息;
步骤4:采用Top-Hat与Bottom-Hat相结合的方式,实现对比度增强,使得硅片外边界轮廓更加明显,干涉条纹图样纹理更加突出。此外,也可以抑制红外图像中由高斯噪声和脉冲噪声组成的混合噪声;
步骤5:设置合适的二值化阈值对最后的结果有至关重要的影响,设置原则是在不引入过多噪声像素点的前提下,尽量保留图像的完整信息;
步骤6:阈值分割后的图像需要经过两次形态学处理,第一次形态学处理目的是提取空洞主体,索取未键合上位置的有效像素点,滤除二值化后引入的噪声像素点;
步骤7:第二次形态学处理目的是通过多次腐蚀膨胀实现空洞填充,对于腐蚀膨胀的次数要求尽量小,不损失有效信息;
步骤8:键合成功率定义为晶圆片键合上的面积占整个键合晶片面积的百分比,这里的面积指的是像素点之和。
2.根据权利要求1所述的方法,其特征在于,滤除背景噪声和增强图像细节的具体过程为:
(1)在使用CCD摄像机获取图像时,得到的图像受离散的脉冲噪声、椒盐噪声和零均值的高斯噪声的影响较严重,这几种噪声一般都源于电子电路噪声和由低照明度或高温带来的传感器噪声,针对离散的脉冲噪声和椒盐噪声可以使用中值滤波,它属于一种非线性平滑滤波方法,设{xij,(i,j)∈I2}表示数字图像各点的灰度值,滤波窗口为A的二维中值滤波可定义为:
yi=MedA{xij}=Med{xi+r,j+s,(r,s)∈A(i,j)∈I2}
(2)拉普拉斯算子适用于改善因为光线的漫反射造成的图像模糊,它是各向同性的二阶微分算子,对于一个连续的二元函数f(x,y),它在位置(x,y)处的拉普拉斯算子定义为
空间域锐化滤波用卷积形式表示为
式中,H(r,s)为锐化中心算子,选择了一种归一化高通滤波模板,它可以将图像的低频部分减弱或去除,保留图像的高频部分;该方法属于线性锐化滤波的一种,可以避免处理后的图像出现亮度偏移,在保证拉普拉斯锐化处理效果的同时又能复原背景信息,很好的突出边缘信息;归一化的方法为用原始图像减去拉普拉斯算子处理图像,H1为四邻域模板,H2为八邻域模板,离散函数表达式分别为
归一化的高通滤波模板如式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910144240.1A CN109919922B (zh) | 2019-02-27 | 2019-02-27 | 一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910144240.1A CN109919922B (zh) | 2019-02-27 | 2019-02-27 | 一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919922A true CN109919922A (zh) | 2019-06-21 |
CN109919922B CN109919922B (zh) | 2023-02-03 |
Family
ID=66962411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910144240.1A Active CN109919922B (zh) | 2019-02-27 | 2019-02-27 | 一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919922B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942440A (zh) * | 2019-12-12 | 2020-03-31 | 上海富瀚微电子股份有限公司 | 一种图像锐化的方法及装置 |
CN114266748A (zh) * | 2021-12-22 | 2022-04-01 | 四川艾德瑞电气有限公司 | 一种轨交检修领域工艺板表面完整性判定的方法及装置 |
CN114843194A (zh) * | 2022-05-05 | 2022-08-02 | 盐城芯丰微电子有限公司 | 可满足大规模集成电路高精密度蚀刻封装方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1544952A (zh) * | 2003-11-27 | 2004-11-10 | 重庆大学 | 真空微电子加速度传感器 |
US20130201471A1 (en) * | 2010-10-19 | 2013-08-08 | Baxter International Inc. | Optical imaging system for air bubble and empty bag detection in an infusion tube |
CN103500442A (zh) * | 2013-09-29 | 2014-01-08 | 华南理工大学 | 集成电路封装中的x射线图像多尺度细节增强方法 |
CN104165906A (zh) * | 2014-07-14 | 2014-11-26 | 中国农业大学 | 一种病毒检测仪 |
CN105701817A (zh) * | 2016-01-13 | 2016-06-22 | 北京航空航天大学 | 一种硅硅键合检测图像的处理方法及*** |
CN106683080A (zh) * | 2016-12-15 | 2017-05-17 | 广西师范大学 | 一种视网膜眼底图像预处理方法 |
CN107403433A (zh) * | 2016-05-20 | 2017-11-28 | 南京理工大学 | 一种复杂云背景下红外小目标检测方法 |
US20180164277A1 (en) * | 2013-12-18 | 2018-06-14 | Konica Minolta, Inc. | Image processing device, pathological diagnosis support system, storage medium for image processing, and image processing method |
CN109242853A (zh) * | 2018-11-05 | 2019-01-18 | 南京信息工程大学 | 一种基于图像处理的pcb缺陷智能检测方法 |
CN109345514A (zh) * | 2018-09-12 | 2019-02-15 | 河南理工大学 | 一种基于PatchMatch的数字图像盲取证技术 |
CN109378279A (zh) * | 2018-11-12 | 2019-02-22 | 武汉新芯集成电路制造有限公司 | 晶圆检测方法及晶圆检测*** |
-
2019
- 2019-02-27 CN CN201910144240.1A patent/CN109919922B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1544952A (zh) * | 2003-11-27 | 2004-11-10 | 重庆大学 | 真空微电子加速度传感器 |
US20130201471A1 (en) * | 2010-10-19 | 2013-08-08 | Baxter International Inc. | Optical imaging system for air bubble and empty bag detection in an infusion tube |
CN103500442A (zh) * | 2013-09-29 | 2014-01-08 | 华南理工大学 | 集成电路封装中的x射线图像多尺度细节增强方法 |
US20180164277A1 (en) * | 2013-12-18 | 2018-06-14 | Konica Minolta, Inc. | Image processing device, pathological diagnosis support system, storage medium for image processing, and image processing method |
CN104165906A (zh) * | 2014-07-14 | 2014-11-26 | 中国农业大学 | 一种病毒检测仪 |
CN105701817A (zh) * | 2016-01-13 | 2016-06-22 | 北京航空航天大学 | 一种硅硅键合检测图像的处理方法及*** |
CN107403433A (zh) * | 2016-05-20 | 2017-11-28 | 南京理工大学 | 一种复杂云背景下红外小目标检测方法 |
CN106683080A (zh) * | 2016-12-15 | 2017-05-17 | 广西师范大学 | 一种视网膜眼底图像预处理方法 |
CN109345514A (zh) * | 2018-09-12 | 2019-02-15 | 河南理工大学 | 一种基于PatchMatch的数字图像盲取证技术 |
CN109242853A (zh) * | 2018-11-05 | 2019-01-18 | 南京信息工程大学 | 一种基于图像处理的pcb缺陷智能检测方法 |
CN109378279A (zh) * | 2018-11-12 | 2019-02-22 | 武汉新芯集成电路制造有限公司 | 晶圆检测方法及晶圆检测*** |
Non-Patent Citations (4)
Title |
---|
DARREN TANNER等: "《How inappropriate high-pass filters can produce artifactual effects and incorrect conclusions in ERP studies of language and cognition》", 《PSYCHOPHYSIOLOGY》 * |
丁婷婷: "《基于机器视觉的IC芯片焊点定位检测与误差分析》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
赵坤 等: "《基于SLIC分层分割的无人机图像极小目标检测方法》", 《数据采集与处理》 * |
黄盼盼: "《晶硅太阳电池组件缺陷的红外图像诊断研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942440A (zh) * | 2019-12-12 | 2020-03-31 | 上海富瀚微电子股份有限公司 | 一种图像锐化的方法及装置 |
CN110942440B (zh) * | 2019-12-12 | 2023-04-18 | 上海富瀚微电子股份有限公司 | 一种图像锐化的方法及装置 |
CN114266748A (zh) * | 2021-12-22 | 2022-04-01 | 四川艾德瑞电气有限公司 | 一种轨交检修领域工艺板表面完整性判定的方法及装置 |
CN114266748B (zh) * | 2021-12-22 | 2024-04-30 | 四川艾德瑞电气有限公司 | 一种轨交检修领域工艺板表面完整性判定的方法及装置 |
CN114843194A (zh) * | 2022-05-05 | 2022-08-02 | 盐城芯丰微电子有限公司 | 可满足大规模集成电路高精密度蚀刻封装方法 |
CN114843194B (zh) * | 2022-05-05 | 2023-03-28 | 盐城芯丰微电子有限公司 | 可满足大规模集成电路高精密度蚀刻封装方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109919922B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919922A (zh) | 一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法 | |
CN106530237A (zh) | 一种图像增强方法 | |
CN107169947B (zh) | 一种基于特征点定位和边缘检测的图像融合实验方法 | |
Krishnan et al. | A survey on different edge detection techniques for image segmentation | |
CN101799915B (zh) | 一种双色中波红外图像融合方法 | |
CN103226829A (zh) | 基于边缘增强算子的图像边缘检测方法 | |
CN104424641A (zh) | 一种关于图像模糊篡改检测的方法 | |
Dewangan et al. | Image smoothening and sharpening using frequency domain filtering technique | |
CN108932492A (zh) | 一种基于非采样剪切波变换的图像指纹提取方法 | |
KR102599498B1 (ko) | 초점 영역 특징점 추출을 이용한 현미경 영상 융합 방법 | |
CN106910166B (zh) | 一种图像处理方法和装置 | |
Patvardhan et al. | Denoising of document images using discrete curvelet transform for ocr applications | |
CN103136518A (zh) | 指纹图像自动识别***预处理算法 | |
Li et al. | A study of crack detection algorithm | |
CN103778615A (zh) | 基于区域相似性的多聚焦图像融合方法 | |
CN104102911A (zh) | 一种基于aoi的子弹表观缺陷检测***的图像处理算法 | |
Bhonsle et al. | De-noising of CT images using combined bivariate shrinkage and enhanced total variation technique | |
CN110120025A (zh) | 一种基于扩展相位拉伸变换的血管造影图像锐化方法 | |
Tie-Rui et al. | The research of X-ray bone fracture image enhancement algorithms | |
CN110197471B (zh) | 一种图像对比度增强方法 | |
Zhang et al. | Edge detection using fast Bidimensional Empirical Mode Decomposition and mathematical morphology | |
Kansal et al. | Effect of non uniform illumination compensation on dehazing/de-fogging techniques | |
Patil et al. | Machine learning approach for comparative analysis of denoising techniques in ultrasound images of ovarian tumors | |
Yang et al. | Parts shape recognition based on improved Harris corner detection algorithm | |
Jidesh et al. | Fourth-order gauss curvature driven diffusion for image denoising |
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 |