4. 缺陷图像预处理与增强

在KLA缺陷复判流程中，复判算法拿到的并不是一张“干净”的缺陷照片，而是由宽场扫描、电子束复查或光学复查设备在不同成像条件下采集的原始图像。这些图像往往同时带有传感器噪声、照明不均、背景纹理干扰、视场偏移和灰度分布差异。如果直接把原始图送入分类模型或人工复判界面，缺陷信号会被淹没在无关变化中，导致漏判、误判和分类置信度下降。因此，预处理与增强的目标不是“把图变好看”，而是把缺陷从背景中稳定地分离出来，并让同一类缺陷在不同设备、不同批次、不同位置下呈现出一致的输入形态。

KLA图像的基本特点

KLA缺陷图像通常具有几个典型特征。第一，缺陷尺寸小、对比度低。许多关键缺陷在像素尺度上只有几个到几十个像素，灰度差可能只有十几个灰阶，肉眼在原始图上很难分辨。第二，背景结构复杂。晶圆表面存在周期性图形、金属走线、介质层纹理和颗粒污染，这些结构在频域上可能与缺陷信号重叠。第三，成像条件不一致。不同扫描通道、不同焦距、不同增益下，同一缺陷的亮度和形状会发生变化。第四，图像中常伴随固定模式噪声和随机噪声。固定模式噪声来自传感器响应不均，随机噪声来自光子统计和电子学链路。第五，缺陷位置存在配准误差。由于机械台移动、视场拼接和扫描方向差异，同一缺陷在复查图中的坐标与扫描图中的坐标往往有偏移。

理解这些特点后，预处理策略就有了明确方向：先去噪，再增强对比度，然后配准，最后裁剪与归一化。这个顺序不是绝对的，但大体遵循“先抑制干扰、再突出信号、再对齐位置、再统一尺度”的逻辑。

去噪：先分清噪声类型再选滤波器

去噪是预处理的第一步，但“去噪”不是随便套一个滤波器。KLA图像中的噪声大致分两类：随机噪声和固定模式噪声。随机噪声表现为像素灰度的随机波动，适合用高斯滤波或非局部均值抑制；固定模式噪声表现为固定位置的条纹或斑点，需要用参考图做平场校正或减去暗场背景。如果缺陷本身是微小颗粒或细线，过度平滑会把缺陷一起抹掉，因此去噪强度必须与缺陷尺度匹配。

实际处理中，一个可操作的流程是：先估计噪声水平，再选择滤波器。例如，对一张512×512的复查图，计算背景区域的灰度标准差。如果标准差小于3个灰阶，说明噪声较弱，可以用σ=0.8的高斯核做轻度平滑；如果标准差在5到10之间，说明噪声明显，可以改用3×3中值滤波先去除脉冲噪声，再用σ=1.0的高斯滤波做二次平滑。对于周期性条纹噪声，可以在频域用陷波滤波器抑制特定频率分量，但要注意不要误伤缺陷的周期特征。

判断去噪是否合适，不能只看图像是否“干净”，而要看缺陷区域的边缘是否保留。一个简单的检查方法是：在去噪前后分别计算缺陷区域与背景区域的对比度，如果对比度下降超过30%，说明滤波过强，需要降低核尺寸或σ值。

对比度增强：让缺陷从背景中“浮”出来

去噪之后，缺陷信号仍然可能很弱。对比度增强的目标是拉开缺陷与背景的灰度差。常用的方法有全局直方图均衡、CLAHE（限制对比度自适应直方图均衡）、Gamma校正和锐化滤波。全局直方图均衡容易过度放大背景噪声，在KLA图像中一般不单独使用。CLAHE通过分块处理并限制对比度，能在提升局部对比度的同时避免噪声爆炸，是更稳妥的选择。

以CLAHE为例，典型参数是clipLimit=2.0，tileGridSize=8×8。clipLimit控制对比度放大的上限，值越大增强越强，但噪声也越明显；tileGridSize决定局部区域的大小，8×8适合128×128到512×512的图像。如果缺陷尺寸只有几个像素，tileGridSize可以缩小到4×4，让增强更局部化。Gamma校正则用于调整整体亮度分布，当图像偏暗时，γ<1可以提亮暗部；当图像偏亮时，γ>1可以压暗高光。锐化滤波可以用拉普拉斯算子或非锐化掩模，增强缺陷边缘，但要在去噪之后进行，否则会同时放大噪声。

增强效果的评价可以看缺陷区域与背景区域的灰度差是否增大，同时背景纹理是否被过度放大。如果背景出现大量伪影或颗粒感，说明增强参数过激，需要回调clipLimit或减小锐化强度。

配准：把同一缺陷对齐到同一坐标

配准解决的是“同一缺陷在不同图像中位置不一致”的问题。在KLA复判中，通常有一张参考图（如扫描图或设计版图）和一张复查图（如电子束图）。由于机械台误差、视场差异和扫描方向不同，同一缺陷在两图中的坐标可能相差几个到几十个像素。配准就是把复查图变换到参考图的坐标系下，使缺陷位置对齐。

常用的配准方法有相位相关、互相关和特征点匹配。相位相关适合整体平移的配准，计算速度快，对亮度变化不敏感。互相关适合存在局部形变的场景，但计算量较大。特征点匹配适合存在旋转和缩放的场景，但需要足够的纹理特征。在KLA图像中，如果只是平移偏差，优先用相位相关；如果存在旋转或缩放，可以用仿射变换配合特征点匹配。

配准的关键是确定变换模型和搜索范围。例如，如果已知机械台重复精度在±10像素以内，搜索窗口设为±20像素即可。配准后要检查峰值是否尖锐，如果峰值弥散，说明图像之间差异过大，可能需要重新选择参考区域或调整预处理参数。配准误差一般要求控制在1到2个像素以内，否则后续裁剪和分类都会受到影响。

裁剪与归一化：统一输入形态

配准完成后，需要从大图中裁剪出缺陷所在的感兴趣区域（ROI）。裁剪窗口的大小取决于缺陷尺寸和分类模型的要求。对于微小缺陷，ROI通常取128×128或256×256像素，并保证缺陷位于窗口中心。裁剪时要注意留出足够的背景上下文，否则分类模型无法判断缺陷与周围结构的关系。

归一化包括尺寸归一化和灰度归一化。尺寸归一化是把不同大小的ROI缩放到统一尺寸，常用双线性插值或最近邻插值。灰度归一化是把像素值映射到统一范围，如[0,1]或[-1,1]，常用最小-最大归一化或Z-score标准化。最小-最大归一化对异常值敏感，如果图像中存在极亮或极暗的坏点，会压缩整体动态范围；Z-score标准化对异常值更鲁棒，但会改变灰度分布形态。实际中可以根据缺陷类型选择：对于灰度对比度敏感的缺陷，用最小-最大归一化；对于纹理类缺陷，用Z-score标准化。

面向复判的图像质量提升检查清单

为了把上述方法落到实际复判流程中，可以按以下清单逐项检查。这份清单不是固定模板，而是帮助确认每个环节是否达到可用状态。

在实际工程中，预处理参数不是一次设定就永久不变的。不同产品层、不同扫描条件、不同设备状态都会影响图像质量。建议把上述参数做成可配置的配方（recipe），按产品层和设备通道分别管理，并在每次换层或设备维护后做一次快速验证。验证方法可以很简单：取一批已知缺陷样本，跑一遍预处理链，观察缺陷对比度、配准偏移和分类置信度是否在预期范围内。如果发现异常，再回到对应环节调整参数。这样，预处理与增强就不再是“黑盒”，而是复判流程中可观测、可调优的工程环节。