[发明专利]图形分类方法及其装置、以及能用计算机读出的存储媒体

说明书

本发明涉及那种例如适用于找出缺陷，对在缺陷种类等的图形(pattern)分类中所用的图形词典进行优化处理的图形分类方法及其装置，以及能用计算机读出的存储媒体。

背景技术

LCD的玻璃基片的检查和半导体晶片的检查，对玻璃基片进行摄像，取得其图像数据，从该图像数据中例如提取缺陷的面积、形状、浓淡值等图形特征量，对该被提取的图形特征量利用以下图形分类方法来进行检查。

对根据已知图形特征量及其分类范畴信息而编辑的图形词典预先进行登记。在此，如果图形特征量是适用于上述玻璃基片检查的，那么就是例如面积、形状、浓淡度等。分类范畴信息例如是图形缺陷种类、灰尘、斑痕、焦点模糊、聚焦偏差等。

若输入图形分类对象的图形特征量(输入图形)，则对该图形特征量和上述图形词典进行图形匹配处理。作为分类结果，输出分类范畴、相似度或距离的数值信息。对输入图形进行分类，使其属于这样的分类范畴，即其具有作为分类结果的数值信息中最适当的值(若是相似度，则为1，若是距离，则是接近0的值)，并且把作为分类结果的数值信息与某阈值相比较，若为阈值以下(或以上)，则加以确定。

作为数值信息使用的相似度和距离，利用单纯相似度和复合相似度作为相似度尺度。利用欧几里德距离和市街地距离、马哈朗诺比斯(マハラノビス)距离等作为距离尺度。

作为相似度尺度的单纯相似度，把预先登记的特征量向量g和新提取的特征量向量g’所形成的角度的余弦(Cosine)定义为评价尺度s。

S＝(g，g’)/(‖g‖·‖g’‖)           ……(1)

式中，(，)表示内积。相似度s仅依存于特征量向量方向(即角度)，不取决于该向量的大小。而且，相似度尺寸作为向距离尺度s’的变换，也常进行以下距离变换：

s’＝1。0-单纯相似度  ………(2)

复合相似度是考虑了多个学习特征量向量的分布状态的相似度值。利用登记特征量向量的固有值λj和固有向量uj，对新提取的特征量向量g的评价尺度s定义如下：

s＝∑_j＝1，rλj(gtu_j)²/(λ1‖g‖²)                ……(3)

因此，与单纯类似法相比，能期待提高分类精度。但需要大量学习数据。

作为距离尺度，最一般的距离尺度，即欧几里德距离d根据登记特征量向量g和新提取的特征量向量g’定义如下。 d = ( g - g ′ ) 2 - - - ( 4 ) ]]>

市街地距离，其别名也可称为曼哈顿距离，根据登记特征量向量g和新提取的特征量向量g’定义如下。

d＝|g-g’|         ……(5)

若按照市街地距离，则能进行高速的距离计算。

马哈拉诺比斯距离D²与复合相似度一样，是考虑了登记特征量向量数据的分散的距离，是现在最适合于图形分类的距离之一。该马哈拉诺比斯距离D²可由下式表示。

D²＝d^tV^-1d          ……(6)

在上式中，假定分类范畴数据x_i(＝x_i0、x_i1、x_i2、……、x_ip、：i是分类范围，p是特征量次元数)的共同方差。协方差矩阵V的逆矩阵为V^-1；与分类范畴平均值x_i的差矩阵为d(＝xi-xi)；其转置矩阵为d^t。