一种光刻图像轮廓的提取方法技术

一种光刻图像轮廓提取方法，其包括获取光刻图像，采用梯度幅值进行非极大值抑制的方式对所述光刻图像轮廓进行粗提取处理；得到第一光刻图像轮廓C；根据所述光刻图像的先验信息对粗提取的所述第一光刻图像轮廓进行精细化提取处理，得到所述第二光刻图像轮廓C

【技术实现步骤摘要】
一种光刻图像轮廓的提取方法
本专利技术属于数字图像处理领域，本专利技术提出了一种光刻图像轮廓的提取方法。
技术介绍
光学邻近校正(OpticalProximityCalibration，OPC)技术，用于矫正由于衍射所造成的光刻图案偏差。OPC是一种光刻增强技术，主要用在半导体生产过程中，随着摩尔定律的不断推进，线宽尺寸越来越小，且远低于光刻光源波长，投影出现显著的衍射效应，导致图像形状失真，如线宽比设计的宽或窄、出现圆角等情况，如果不对这些失真进行纠正，则会大大改变生产出来的电路的电气性能。OPC技术通过移动掩膜板上图形的边缘、位置或添加额外的多边形图案来纠正如上提及的图形失真。OPC技术主要分为两大类，一类是基于经验的光学邻近效应修正，另一类是基于模型的光学邻近效应修正，前者受到经验和光照条件的影响较为明显，当工艺条件发生变化之后，规则必须重新修订，效率较低；后者随着工艺代的演进逐渐开始广泛应用(90nm技术节点及以后)，该类方法主要根据光学模型和光刻胶模型来实现OPC功能，精度主要受到实验数据的影响，数据越多越全面，则拟合的精度越高。OPC建模中需要用到用关键尺寸扫描电子显微镜(CriticalDimensionScanningElectronicMicroscope，CDSEM)图像的CD量测数据，早期较多采用1D图像的量测CD数据，随着工艺与图案的复杂程度提升，此类数据逐渐不能满足建模的需求；于是业界提出了基于图案轮廓数据进行建模。本领域技术人员清楚，图像的边缘是指图像局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看作是一个阶跃，既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。图像的边缘部分集中了图像的大部分信息，图像边缘的确定与提取对于整个图像场景的识别与理解是非常重要的，同时也是图像分割所依赖的重要特征，边缘检测主要是图像的灰度变化的度量、检测和定位。也就是说，从图像信息的角度来看，轮廓数据所包含的信息量远高于CD数据，所以基于轮廓的建模方法也获得了更好的拟合效果。然而，光刻图案由于拍摄条件受限，导致其图像受到噪声干扰明显，图案轮廓出现较为明显的畸变，其轮廓提取受到噪声和形状缺陷影响十分显著，传统的图像轮廓提取方法主要存在两方面的问题：①、图像轮廓准确度较低，轮廓出现伪边缘和断开现象严重；②、图像轮廓提取速度慢，通常通过多次迭代获得轮廓图案。具体地说，以图案轮廓数据为基础的OPC技术关键在于轮廓数据的获取，CDSEM图像由于其测试环境条件等方面原因，图像具有噪声显著、形状畸变的缺陷存在，所以其准确轮廓数据的获取非常具有挑战性，传统的轮廓提取技术包括各类边缘算子：sobel，prewit，log等简单算子，但这些算子特征简单，通常适用于不太复杂的图案轮廓提取，对于复杂图像而言，往往效果欠佳。而目前应用较为广泛的非机器学习类算法为Canny算法，该算法以梯度计算和非极大值抑制算法为核心，能够较为准确的获取复杂图案的轮廓，所以被广泛应用，但获取复杂图案的轮廓在精度方面还是不理想。基于机器学习类的轮廓提取方法相对较少，大多衍生于图像分割技术，但实际高效的图像分割技术往往以复杂的网络模型和具有强大计算力的硬件为技术支撑的，并不适用于光刻图像轮廓的提取。
技术实现思路
鉴于以上轮廓提取技术的问题所在，本专利技术提出了一种精准高效的轮廓提取方法，该方法主要包含以下两部分：①、提出了一种基于光刻图像先验信息的高质量图像轮廓提取方法，并以此方法为基础，实现轮廓网络训练用数据集的准备；②、设计了一种深度神经网络，用于提取光刻图像的轮廓信息，对伪边缘和边缘缺失等缺陷具有很好的修复效果。为实现上述目的，本专利技术的技术方案如下：一种光刻图像轮廓提取方法，其包括如下步骤：步骤S11：获取光刻图像，采用梯度幅值进行非极大值抑制的方式对所述光刻图像轮廓进行粗提取处理；得到第一光刻图像轮廓C；步骤S12：根据所述光刻图像的先验信息对粗提取的所述第一光刻图像轮廓进行精细化提取处理，得到所述第二光刻图像轮廓Ceff。进一步地，所述光刻图像的先验信息为第一先验信息、第二先验信息和第三先验信息；其中，第一先验信息：背景区域像素值低，边缘量测通常为背景和阴影；第二先验信息：若为阴影，各部分图像联系为背景-阴影-图案，在阴影和背景间出现伪边缘；若为底层图案，联系为背景-阴影-背景；第三先验信息：伪边缘长度有限，远低于图案边缘长度，且与边缘不相连。进一步地，所述的光刻图像轮廓提取方法中的步骤S12具体包括：步骤S121：结合所述第一先验信息和第二先验信息，计算所述第一光刻图像轮廓C中邻域像素均值M；步骤S122：对所述第一光刻图像轮廓C中每一个像素的邻域像素进行均值M的计算，并将所述邻域像素均值M与阈值T进行比较，若所述邻域像素均值M大于等于阈值T，所述像素为有效边缘像素并保留其像素值，反之则置所述像素的像素值为零，最终根据所述第一光刻图像轮廓C的每一个像素得到第一中间光刻图像轮廓Ceff12；步骤S123：再结合所述第三先验信息，对所述第一中间光刻图像轮廓Ceff12中的边缘点进行8链接分量长度阈值处理，得到第二中间光刻图像轮廓Ceff13，然后，以所述第二中间光刻图像轮廓Ceff13为种子，基于所述第二中间光刻图像轮廓Ceff13进行8链接得到所述第二光刻图像轮廓Ceff。进一步地，所述的光刻图像轮廓提取方法还包括：步骤124：检测所述第二光刻图像轮廓Ceff的断裂处，并修复所述第二光刻图像轮廓Ceff的断裂处。为实现上述目的，本专利技术又一技术方案如下：一种光刻图像轮廓提取方法，其包括如下步骤：步骤S21：获取多个获取光刻图像；步骤S22：采用上述的光刻图像轮廓的提取方法，逐一提取所述多个获取光刻图像的轮廓，形成训练用轮廓数据集；步骤S23：基于所述训练用轮廓数据集，用全分辨卷积深度神经网络学习图像轮廓特征。6、根据权利要求5所述的方法，其特征在于，所述步骤S23具体包括如下步骤：步骤S231：采用可逆下采样方法将所述训练用轮廓数据集中的轮廓原图拆分成多个子图，并以所述多个轮廓子图作为神经网络特征学习输入；步骤S232：将所述多个轮廓子图输入所述全分辨卷积深度神经网络的全分辨非线性映射层，用于学习图像轮廓特征，并输出所述轮廓子图；步骤S233：通过下采样逆变换将所述多个轮廓子图融合成全分辨率轮廓图像。进一步地，所述全分辨非线性映射层包括三类运算；第一类运算为卷积Conv，第二类运算为批量标准化BN，第三类运算为修正线性激活函数ReLU。进一步地，所述全分辨非线性映射层包括K个循环单元，所述循环单元包括三层，第一层采用Conv+ReLU模式，第二层采用Conv+BN+ReLU模式，第三层采用纯Conv模式，以实现从图像到轮廓的映射功能，实现轮廓子图的输出，其中K为正整数。进本文档来自技高网...

【技术保护点】
1.一种光刻图像轮廓提取方法，其特征在于，所述方法包括如下步骤：/n步骤S11：获取光刻图像，采用梯度幅值进行非极大值抑制的方式对所述光刻图像轮廓进行粗提取处理；得到第一光刻图像轮廓C；/n步骤S12：根据所述光刻图像的先验信息对粗提取的所述第一光刻图像轮廓进行精细化提取处理，得到所述第二光刻图像轮廓C

【技术特征摘要】
1.一种光刻图像轮廓提取方法，其特征在于，所述方法包括如下步骤：
步骤S11：获取光刻图像，采用梯度幅值进行非极大值抑制的方式对所述光刻图像轮廓进行粗提取处理；得到第一光刻图像轮廓C；
步骤S12：根据所述光刻图像的先验信息对粗提取的所述第一光刻图像轮廓进行精细化提取处理，得到所述第二光刻图像轮廓Ceff。


2.根据权利要求1所述的方法，其特征在于，所述光刻图像的先验信息为第一先验信息、第二先验信息和第三先验信息；其中，
第一先验信息：背景区域像素值低，边缘量测通常为背景和阴影；
第二先验信息：若为阴影，各部分图像联系为背景-阴影-图案，在阴影和背景间出现伪边缘；若为底层图案，联系为背景-阴影-背景；
第三先验信息：伪边缘长度有限，远低于图案边缘长度，且与边缘不相连。


3.根据权利要求2所述的方法，其特征在于，所述步骤S12具体包括：
步骤S121：结合所述第一先验信息和第二先验信息，计算所述第一光刻图像轮廓C中邻域像素均值M；
步骤S122：对所述第一光刻图像轮廓C中每一个像素的邻域像素进行均值M的计算，并将所述邻域像素均值M与阈值T进行比较，若所述邻域像素均值M大于等于阈值T，所述像素为有效边缘像素并保留其像素值，反之则置所述像素的像素值为零，最终根据所述第一光刻图像轮廓C的每一个像素得到第一中间光刻图像轮廓Ceff12；
步骤S123：再结合所述第三先验信息，对所述第一中间光刻图像轮廓Ceff12中的边缘点进行8链接分量长度阈值处理，得到第二中间光刻图像轮廓Ceff13，然后，以所述第二中间光刻图像轮廓Ceff13为种子，基于所述第二中间光刻图像轮廓Ceff13进行8链接得到所述第二光刻图像轮廓Ceff。


4.根据权利要求3所述的方法，其特征在于，还包括：
步骤124：检测所述第二光刻图像轮廓Ceff的断裂处，并修复所...

【专利技术属性】
技术研发人员：周涛，时雪龙，燕燕，李立人，李琛，
申请(专利权)人：上海集成电路研发中心有限公司，
类型：发明
国别省市：上海;31