用于处理图像的方法、计算机程序产品、图像处理装置制造方法及图纸

本发明专利技术涉及一种用于处理图像的方法。该方法包括：提供物体的至少一个第一图像，第一图像包括n个像素P1

【技术实现步骤摘要】
用于处理图像的方法、计算机程序产品、图像处理装置
本文描述的专利技术涉及一种用于处理通过使用束装置、特别是粒子束装置和/或光显微镜(例如激光扫描显微镜)对物体进行成像而生成的图像的方法。而且，本文描述的专利技术涉及一种计算机程序产品，该计算机程序产品被加载到处理器中，并且在被执行时以执行根据本专利技术的方法的方式来控制图像处理装置。此外，本文描述的专利技术涉及具有这种图像处理装置的束装置。
技术介绍
本领域中已知使用光显微镜(例如激光扫描显微镜)来生成物体(也称为样本)的图像。此外，本领域中已知使用电子束装置、尤其是扫描电子显微镜(下文也称为SEM)和/或透射电子显微镜(下文也称为TEM)来检查物体以获得关于物体在某些条件下的特性和行为的了解。在SEM中，使用束发生器来生成电子束(下文也称为一次电子束)，并且使用束引导系统来将电子束聚焦在要检查的物体上。物镜用于聚焦目的。使用偏转装置将一次电子束引导在要检查的物体的表面上。这又被称为扫描。被一次电子束扫描的区域也称为扫描区域。在此区域中，一次电子束的电子与要检查的物体相互作用。因这种相互作用而出现相互作用粒子和/或相互作用辐射。举例来说，相互作用粒子是电子。特别地，电子是由物体发射的(所谓的二次电子)，并且一次电子束的电子是反向散射的(所谓的反向散射电子)。相互作用粒子形成所谓的二次粒子束并且被至少一个粒子检测器检测到。粒子检测器生成用于生成物体的图像的检测信号。因此获得要检查的物体的图像。举例来说，相互作用辐射是X射线辐射或阴极发光。使用至少一个辐射检测器来检测相互作用辐射。在TEM的情况下，同样使用束发生器来生成一次电子束，并且使用束引导系统来将一次电子束引导到要检查的物体上。一次电子束穿过要检查的物体。当一次电子束穿过要检查的物体时，一次电子束的电子与要检查的物体的材料相互作用。穿过要检查的物体的电子或由物体发射的电子通过包括物镜的系统成像到发光屏上或检测器(例如呈相机的形式)上。举例来说，上述系统另外包括投影透镜。成像还可以在TEM的扫描模式下进行。这种TEM通常被称为STEM。另外，可以规定使用至少一个另外的检测器来检测从要检查的物体反向散射的粒子和/或由要检查的物体发射的二次粒子，以便对要检查的物体进行成像。另外或可替代地，在TEM或STEM中，一次电子束的电子用于烧蚀或改性物体。将STEM和SEM的功能组合在单个粒子束装置中是已知的。因此，能够使用此粒子束装置通过SEM功能和/或STEM功能对物体进行检查。而且，已知了离子束柱形式的粒子束装置。使用布置在离子束柱中的离子束发生器来生成用于处理物体的离子。举例来说，在处理期间使用气体来烧蚀物体的材料或将材料施加到物体上。另外或可替代地，离子用于通过生成在撞击物体时由离子与物体的相互作用生成的相互作用粒子和/或相互作用辐射来成像，其中，相互作用粒子例如是二次电子，并且其中，相互作用辐射例如是X射线辐射。此外，现有技术已经披露了一方面使用电子而另一方面使用离子来在粒子束装置中分析和/或处理物体的做法。举例来说，具有SEM功能的电子束柱被布置在粒子束装置处。另外，如上文解释的离子束柱被布置在粒子束装置处。具有SEM功能的电子束柱特别地用于进一步检查经处理或未经处理的物体，而且还用于处理物体。由呈粒子束装置的形式或呈激光扫描显微镜的形式的束装置生成的图像通常包括噪声。在下文中，这些图像也被称为有噪图像。图像中的噪声通常是亮度的随机变化，并基于电子噪声。噪声可能由粒子检测器的图像传感器和/或光检测器和/或图像处理中使用的任何电子电路产生。本领域中已知使用降噪函数(例如滤波器)来处理由上述束装置生成的图像，以提高这些图像的质量。在通过降噪函数处理这些图像后，经处理的图像已被去噪。换言之，经处理的图像具有降低的噪声和/或基本上没有噪声。本领域中还已知使用所谓的噪声-干净(noise-to-clean)方法来识别降噪函数。该方法将在下文中解释。由束装置生成的图像用作训练图像，以用于训练在噪声-干净方法中使用的机器学习系统，从而识别降噪函数。特别地，识别包括噪声的第一图像。第一图像用作训练图像。而且，识别不包括噪声或仅包括很少噪声的第二图像。包括噪声的第一图像的数据用作人工神经网络的输入，该人工神经网络用于生成经去噪的第一图像。经去噪的第一图像用于识别降噪函数，如下文进一步解释。人工神经网络包括若干个神经元(也称为节点)。可以如图1所示示意性地展示单个神经元800。神经元800包括若干个输入x1、x2、...、xn-1、xn。图1示出3个输入x1、x2、x3作为示例。呈第一图像形式的有噪图像的一个像素或一些像素的数据用作神经元800的输入x1、x2、...、xn-1、xn，其中n是整数。输入x1、x2、...、xn-1、xn是像素的特性的值，例如亮度值。输入x1、x2、...、xn-1、xn中的每个输入使用特定的加权因子w1、w2、...、wn-1、wn进行加权。例如，将输入x1、x2、...、xn-1、xn中的每个输入乘以加权因子w1、w2、...、wn-1、wn中的其相关联的加权因子。除了这些输入x1、x2、...、xn-1、xn之外，神经元800还接收呈偏置值形式的另一输入。此外，神经元800包括激活函数该激活函数用于使用输入(即，输入x1、x2、...、xn-1、xn和/或偏置值)来计算神经元800的输出值。图2示出了具有n个输入、K个隐藏层和三个输出的人工神经网络900的示例。每个层由若干个神经元800组成，每个神经元800对这些输入执行加权和运算，并将加权和的结果与阈值进行比较以生成输出。神经元800可以在人工神经网络900的不同层之间具有互连。人工神经网络900通常具有多于三个神经元层，并且具有与输入神经元一样多的输出神经元，其中n是重建图像中的像素数。突触(即，神经元800之间的连接)存储呈在计算中操纵数据的加权因子形式的值。人工神经网络900的输出取决于以下内容：(i)神经元800不同层之间的互连模式，(ii)用于更新互连的加权因子的学习过程，以及(iii)将神经元800的加权输入转换为其输出激活的激活函数。在数学上，神经元800的网络函数m(x)被定义为其他函数ni(x)的组成，该函数又可以被定义为其他函数的组成。这可以方便地表示为网络结构，其中的箭头描绘了变量之间的依赖关系，如图2所示。例如，人工神经网络900可以使用呈以下形式的非线性加权和m(x)＝KΣiwini(x)K是预定义的函数，即激活函数。激活函数例如是S形函数、双曲正切函数或整流线性单元(ReLU)。图2中所示的神经元800由围绕阈值函数的圆圈描绘。而且，图2中所示的输入被描绘为围绕线性函数的圆圈，并且箭头指示神经元800之间的连接。人工神经网络900进行操作以实现特定任务，诸如对图像进行去噪。例如，这可以通过定义损失函数来实现。损失函数是要求解的问题(即，通过对图像进行充分的去噪来实现良好的图像质量)的特定解与最优解有多远的度量。学习算法遍本文档来自技高网...

【技术保护点】
1.一种用于处理通过使用束装置(100，200，400，600)对物体(125，425)进行成像而生成的图像(610，611，612，613)的方法，该方法包括以下步骤：/n-提供该物体(125，425)的至少一个第一图像(610)，其中，该第一图像(610)包括n个像素P1

【技术特征摘要】
20200221 DE 102020104704.51.一种用于处理通过使用束装置(100，200，400，600)对物体(125，425)进行成像而生成的图像(610，611，612，613)的方法，该方法包括以下步骤：
-提供该物体(125，425)的至少一个第一图像(610)，其中，该第一图像(610)包括n个像素P11至P1n，其中n≥2，其中n为整数，其中这n个像素P11至P1n中的每个像素P1i相对于第一图像坐标系被布置在该第一图像(610)中的位置PL1i处，其中i是1≤i≤n的整数，并且其中，该第一图像(610)中的每个位置PL1i仅包括这n个像素P11至P1n中的单个像素；
-提供该物体(125，425)的至少一个第二图像(611)，其中，该第二图像(611)包括m个像素P21至P2m，其中m≥2，其中m为整数，其中这m个像素P21至P2m中的每个像素P2j相对于第二图像坐标系被布置在该第二图像(611)中的位置PL2j处，其中j是1≤j≤m的整数，并且其中，该第二图像(611)中的每个位置PL2j仅包括这m个像素P21至P1m中的单个像素；
-识别该第一图像(610)的这n个像素P11至P1n中的至少一个像素P1i，其中，所识别像素P1i位于该第一图像(610)中的位置PL1i处；
-识别该第二图像(611)的这m个像素P21至P2m中的至少一个像素P2j，其中，所识别像素P2j位于该第二图像(611)中的位置PL2j处；
-通过使用该第二图像(611)并通过将该第一图像(610)的所识别像素P1i引入到该第二图像(611)中的所识别像素P2j的位置PL2j处来生成至少一个第三图像(612)，和/或通过使用该第一图像(610)并通过将该第二图像(611)的所识别像素P2j引入到该第一图像(610)中的所识别像素P1i的位置PL1i处来生成至少一个第四图像(613)；
-使用所生成的第三图像(612)和所生成的第四图像(613)中的至少一项来训练处理器单元(128)以用于识别降噪函数；以及
-将所识别的降噪函数保存在存储器单元(129)中。


2.根据权利要求1所述的方法，进一步包括以下中的至少一项：
-识别该第一图像(610)的这n个像素P11至P1n中的像素P1i的步骤包括以下之一：(i)随机地识别该第一图像(610)的这n个像素P11至P1n中的像素P1i，(ii)根据第一随机模式来识别该第一图像(610)的这n个像素P11至P1n中的像素P1i，以及(iii)根据第一给定模式来识别该第一图像(610)的这n个像素P11至P1n中的像素P1i；
-识别该第二图像的这m个像素P21至P2m中的像素P2j的步骤包括以下之一：(i)随机地识别该第二图像(611)的这m个像素P21至P2m中的像素P2j，(ii)根据第二随机模式来识别该第二图像(611)的这m个像素P21至P2m中的像素P2j，以及(iii)根据第二给定模式来识别该第二图像(611)的这m个像素P21至P2m中的像素P2j。


3.根据权利要求1或2所述的方法，其中，该第一图像(610)的这n个像素P11至P1n中的所识别像素P1i是所识别的第一像素P1i，其中，该第二图像(611)的这m个像素P21至P2m中的所识别像素P2j是所识别的第一像素P2j，并且其中，该方法进一步包括：
-识别该第一图像(610)的这n个像素P11至P1n中的至少一个第二像素P1o，其中，所识别的第二像素P1o位于该第一图像(610)中的位置PL1o处，其中o是1≤o≤n且o≠i的整数；
-识别该第二图像(611)的这m个像素P21至P2m中的至少一个第二像素P2p，其中，所识别的第二像素P2p位于该第二图像(611)中的位置PL2p处，其中p是1≤p≤m且p≠j的整数；
其中
-生成该第三图像(612)的步骤包括将该第一图像(610)的所识别的第二像素P1o引入到该第二图像(611)中的所识别的第二像素P2p的位置PL2p处；并且其中，
-生成该第四图像(613)的步骤包括将该第二图像(611)的所识别的第二像素P2p引入到该第一图像(610)中的所识别的第二像素P1o的位置PL1o处。


4.根据权利要求3所述的方法，进一步包括以下中的至少一项：
-识别该第一图像(610)的这n个像素P11至P1n中的第二像素P1o的步骤包括以下之一：(i)随机地识别该第一图像(610)的这n个像素P11至P1n中的第二像素P1o，(ii)根据第三随机模式来识别该第一图像(610)的这n个像素P11至P1n中的第二像素P1o，以及(iii)根据第三给定模式来识别该第一图像(610)的这n个像素P11至P1n中的第二像素P1o；
-识别该第二图像(611)的这m个像素P21至P2m中的第二像素P2p的步骤包括以下之一：(i)随机地识别该第二图像(611)的这m个像素P21至P2m中的第二像素P2p，(ii)根据第四随机模式来识别该第二图像(611)的这m个像素P21至P2m中的第二像素P2p，以及(iii)根据第四给定模式来识别该第二图像(611)的这m个像素P21至P2m中的第二像素P2p。


5.根据权利要求3所述的方法，进一步包括以下中的至少一项：
-以使得该第一图像(610)的这n个像素P11至P1n中的第一像素P1i和该第一图像(610)的这n个像素P11至P1n中的第二像素P1o彼此相邻的方式来识别该第一图像(610)的这n个像素P11至P1n中的第一像素P1i和该第一图像(610)的这n个像素P11至P1n中的第二像素P1o；

【专利技术属性】
技术研发人员：A方特卡尔瓦隆斯，M波斯托尔斯基，R阿诺尔德，
申请(专利权)人：卡尔蔡司显微镜有限责任公司，
类型：发明
国别省市：德国;DE