3. 图像采集与预处理：图像传感器类型、噪声来源与去噪基础

在晶圆表面微颗粒缺陷的显微检测中，图像采集是决定后续特征提取质量的第一道关卡。显微图像的质量不仅取决于光学系统的分辨率，更与图像传感器的类型、噪声特性以及预处理算法的有效性密切相关。本节将系统阐述工业显微成像中常用的传感器类型、主要噪声来源及其物理模型，并介绍图像去噪的基础方法。

3.1 图像传感器类型

在半导体显微检测领域，主流的图像传感器分为两大类：CCD（电荷耦合器件）和CMOS（互补金属氧化物半导体）。两者在结构、噪声特性和应用场景上存在显著差异。

3.2 噪声来源与数学模型

显微图像中的噪声会严重干扰微颗粒缺陷的识别与特征提取。主要噪声来源包括：高斯噪声和泊松噪声，此外还有固定模式噪声（FPN）和暗电流噪声。

3.2.1 高斯噪声

高斯噪声主要来源于传感器读出电路的热噪声和放大器噪声。其概率密度函数服从正态分布：

P(x) = (1 / (σ * √(2π))) * exp(-(x - μ)² / (2σ²))

其中 μ 为均值（通常为 0），σ 为标准差，代表噪声强度。在显微图像中，高斯噪声表现为像素值的随机波动，对缺陷边缘的锐度影响较大。

3.2.2 泊松噪声（散粒噪声）

泊松噪声源于光子到达传感器像素的量子特性，其强度与信号本身相关。在低光照条件下（如暗场显微成像），泊松噪声尤为显著。其方差等于信号均值：

Var(I) = E[I]

这意味着信号越强，噪声值越大，但信噪比随信号增强而提高。对于微颗粒缺陷这种低对比度目标，泊松噪声会掩盖真实缺陷信号。

3.3 图像去噪基础

图像去噪是显微图像预处理的核心步骤，旨在抑制噪声的同时保留微颗粒缺陷的边缘与细节。根据噪声模型的不同，去噪方法可分为以下几类：

3.3.1 空间域滤波

• 均值滤波：用邻域像素均值替代中心像素，对高斯噪声有效，但会模糊边缘。
• 高斯滤波：加权平均，权重由高斯核决定，平滑效果更自然。
• 中值滤波：用邻域像素中值替代中心像素，对椒盐噪声效果极佳，边缘保持优于均值滤波。
• 双边滤波：同时考虑空间距离和像素值差异，在去噪的同时保留边缘。

3.3.2 变换域滤波

• 小波去噪：将图像分解为不同频率子带，对高频噪声系数进行阈值处理，再重构图像。
• BM3D（三维块匹配滤波）：将相似图像块分组为三维数组，联合滤波后反变换，是目前公认的去噪效果最好的算法之一。

3.3.3 针对泊松噪声的去噪方法

• 方差稳定变换（VST）：如 Anscombe 变换，将泊松噪声转换为近似高斯噪声，再应用高斯去噪算法。
• 纯泊松去噪模型：基于泊松分布的极大似然估计，直接优化泊松噪声下的图像复原。

3.4 去噪效果评估指标

在晶圆缺陷检测中，去噪效果不能仅凭主观视觉判断，需要定量评估。常用指标包括：

3.5 去噪算法代码示例

以下 Python 代码展示了使用 OpenCV 对晶圆显微图像进行高斯滤波、中值滤波和双边滤波的对比实现：

import cv2
import numpy as np

# 读取含噪晶圆显微图像（灰度图）
img = cv2.imread('wafer_defect_noisy.png', cv2.IMREAD_GRAYSCALE)

# 高斯滤波（核大小 5x5，sigma=1.5）
gaussian_blur = cv2.GaussianBlur(img, (5, 5), 1.5)

# 中值滤波（核大小 5x5）
median_blur = cv2.medianBlur(img, 5)

# 双边滤波（d=9，sigma_color=75，sigma_space=75）
bilateral_blur = cv2.bilateralFilter(img, 9, 75, 75)

# 计算 PSNR 和 SSIM（需导入 skimage.metrics）
from skimage.metrics import peak_signal_noise_ratio, structural_similarity

psnr_gauss = peak_signal_noise_ratio(img, gaussian_blur)
ssim_gauss = structural_similarity(img, gaussian_blur)

print(f'高斯滤波 - PSNR: {psnr_gauss:.2f} dB, SSIM: {ssim_gauss:.4f}')

# 保存结果
cv2.imwrite('wafer_gaussian.png', gaussian_blur)
cv2.imwrite('wafer_median.png', median_blur)
cv2.imwrite('wafer_bilateral.png', bilateral_blur)