一种像素尺寸、实际尺寸的测量方法及电子设备与流程

1.本发明属于基于机器视觉的测量技术领域，更具体地，涉及一种像素尺寸、实际尺寸的测量方法及电子设备。


背景技术：

2.测量技术的最大挑战之一是对图像中感兴趣区域(region of interest,roi)的定位和测量。为解决该问题，可将基于机器视觉(machine vision)的方法应用到大规模自动化生产以定位和测量图像中的感兴趣区域。其步骤包括对图像进行去噪、调整阈值、二值处理、边缘检测和连接轮廓，从而获得(定位)感兴趣区域。在定位感兴趣区域以后，先计算感兴趣区域的像素尺寸，再结合感兴趣区域的像素个数获得感兴趣区域的实际尺寸，例如，计算感兴趣区域的长度、宽度和面积等尺寸信息以完成尺寸测量。
3.在现有技术中，为了测量感兴趣区域的像素尺寸，先采集感兴趣区域移动前后的第一图像和第二图像，再遍历标志模板库中的标志模板，以在标志模板库中找到与第一图像最匹配的第一标志模板和与第二图像最匹配的第二标志模板，第一标志模板对应第一图像中的第一匹配区域，第二标志模板对应第二图像中的第二匹配区域，然后使用感兴趣区域的移动位移除以第一匹配区域和第二匹配区域之间的像素坐标位移以得到像素尺寸。
4.发明人发现，以上方法是直接使用标志模板库中的标志模板在第二图像中进行模板匹配，可能导致第一图像和第二图像对应的标志模板不同，进而导致第一图像中的第一匹配区域和第二图像中的第二匹配区域不同，使得计算出的像素尺寸存在系统误差。请参考图1，图1简单示意了现有技术中进行模板匹配的示意图，使用标志模板库300中的标志模板分别和第一图像100及第二图像200进行模板匹配，可得到第一匹配区域11及对应的第一标志模板31，还可得到第二匹配区域22及对应的第二标志模板32，第一标志模板31不同于第二标志标板32，使得第一匹配区域11和第二匹配区域22不同，两者在一张图像(一张第一图像或一张第二图像)中的坐标位置不同，第一匹配区域11和第二匹配区域22的像素坐标位移会包括两者在图像中的坐标位置差值，这个坐标位置差值会导致像素尺寸和实际尺寸的计算结果存在系统误差。因此，有必要提供一种精确的像素尺寸和实际尺寸的测量方法。


技术实现要素：

5.针对现有技术的至少一个缺陷或改进需求，本发明提供了一种像素尺寸、实际尺寸的测量方法及电子设备，以降低系统误差，精确测量待测量对象的像素尺寸和实际尺寸。
6.为实现上述目的，按照本发明的第一方面，提供了一种像素尺寸的测量方法，包括步骤：
7.分别采集移动待测量对象前后的第一图像和第二图像，分别获得所述第一图像和所述第二图像的二值图像；
8.从标志模板库中为所述第一图像的二值图像选取匹配的标志模板，在所述第一图像的二值图像中截取包括该匹配的标志模板的第一匹配区域并记录该第一匹配区域的位
置，还将该第一匹配区域作为标志模板在所述第二图像的二值图像中搜索匹配的第二匹配区域，并记录该第二匹配区域的位置；
9.根据所述待测量对象的移动位移以及所述第一匹配区域和第二匹配区域的像素坐标位移计算所述待测量对象的像素尺寸。
10.优选的,所述第一图像和所述第二图像均为利用带电粒子束显微镜采集到的图像,将所述第一图像和所述第二图像输入到深度学习模型，从而获得所述第一图像和所述第二图像的二值图像。
11.优选的，从所述标志模板库中为所述第一图像的二值图像按匹配度从高至低选取前n个匹配度对应的n个标志模板，n≥1，分别在所述第一图像的二值图像中截取该n个标志模板各自对应的所述第一匹配区域并记录该n个第一匹配区域的位置，还将该n个所述第一匹配区域作为n个标志模板分别在所述第二图像的二值图像中搜索匹配的n个所述第二匹配区域，并记录该n个所述第二匹配区域的位置。
12.优选的，在利用标志模板在所述第二图像的二值图像中进行匹配时，若匹配失败，则重新从所述标志模板库中为所述第一图像的二值图像选取不同于所述前n个匹配度的其他匹配度对应的标志模板，在所述第一图像的二值图像中截取该其他匹配度的标志模板对应的所述第一匹配区域并记录该第一匹配区域的位置，还将该第一匹配区域作为标志模板在所述第二图像的二值图像中搜索匹配的所述第二匹配区域。
13.优选的，若匹配失败，则重新从所述标志模板库中按匹配度从高至低从第n 1个匹配度开始依次选取对应的标志模板，并根据重新选取的标志模板搜索所述第二匹配区域，响应于搜索到所述第二匹配区域以停止重新选取和搜索。
14.优选的，按匹配度从高至低设定在标志模板库中的遍历范围，所述遍历范围的一端为所述第n 1个匹配度，另一端为大于或等于匹配度阈值且最接近匹配度阈值的一匹配度，按所述遍历范围依次选取对应的标志模板。
15.优选的，若n≥4，且有n对一一对应的所述第一匹配区域和第二匹配区域，则根据所述待测量对象的移动位移以及所述第一图像和所述第二图像对应的第一匹配区域和第二匹配区域的像素坐标位移计算所述待测量对象的像素尺寸包括：
16.将该n对一一对应的所述第一匹配区域和第二匹配区域的像素坐标位移按照大小排序，去除前n个像素坐标位移和后n个像素坐标位移，其中，n为正整数，且2n＜n，对剩下的像素坐标位移求取平均值，根据所述移动位移和所述平均值计算待测量对象的像素尺寸。
17.优选的，在所述第二图像的二值图像中搜索最高匹配度的区域作为所述第二匹配区域。
18.按照本发明的第二方面，提供了一种实际尺寸的测量方法，包括：根据任一项上述的像素尺寸的测量方法获得像素尺寸，根据获得的所述像素尺寸以及待测量对象的像素个数获得所述待测量对象的实际尺寸。
19.按照本发明的第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现任一项上述的方法的步骤。
20.总体而言，本发明与现有技术相比，具有有益效果：
21.本发明中，将第一图像中的第一匹配区域确定为标志模板，并和第二图像进行模
板匹配以获得第二匹配区域，而并非是直接用标志模板库中的标志模板在第二图像中进行模板匹配以获得第二匹配区域，请参考图2，使用第一匹配区域11作为标志模板在第二图像200中匹配到第二匹配区域21，第一匹配区域11对应的第一标志模板31和第二匹配区域21对应的标志模板(即第一匹配区域11)具有高相似度，进而使得第一匹配区域11和第二匹配区域21在一张图像(一张第一图像或一张第二图像)中的位置基本相同，故可以大大降低系统误差，精确测量待测量对象的像素尺寸和实际尺寸，可以大大提高检测精确度。
附图说明
22.图1是现有技术中通过标志模板库分别和第一图像及第二图像进行模板匹配的示意图；
23.图2是本发明实施例中通过标志模板库分别和第一图像及第二图像进行模板匹配的示意图；
24.图3是本发明实施例的一种像素尺寸的测量方法的流程示意图；
25.图4是本发明实施例的一种像素尺寸的测量方法的原理图；
26.图5是本发明实施例的标志模板库的示意图；
27.图6是本发明实施例的通过深度学习模型获得二值化图的示意图；
28.图7-8是本发明实施例的单次标志模板匹配过程的示意图，图7和图8分别示意了第一图像和第二图像；
29.图9是本发明实施例的多重标志模板匹配时第二图像的示意图；
30.图10-12是本发明实施例的标志模板匹配结果的示意图。
具体实施方式
31.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
32.图3示出了本发明实施例的一种像素尺寸的测量方法的流程，包括步骤：
33.s101，分别采集移动待测量对象前后的第一图像和第二图像，分别获得第一图像和第二图像的二值图像。
34.首先采集待测量对象的图像，并将该图像进行二值化处理，得到二值图像，二值图像中包含待测量对象的边缘信息。
35.然后移动待测量对象，再次采集待测量对象的图像，并将该图像进行二值化处理，得到二值图像，二值图像中包含移动后的待测量对象的边缘信息。
36.进一步地，第一图像和第二图像均为利用带电粒子束显微镜获得图像，带电粒子束显微镜可以为sem(扫描电子束显微镜)或fib(聚焦离子束设备)，但不限于此。采用带电粒子束显微镜可以获得足够小的视场的图像。在本实施例中，使用扫描电子束显微镜分别采集sem图像得到第一图像和第二图像。
37.其中，待测量对象为样品的图像中的感兴趣区域(roi)。在本实施例中，样品为晶圆，感兴趣区域为晶圆的sem图像中的缺陷区域，缺陷区域可以包括划痕或冗余的颗粒，但
不限于此。
38.在现有技术中，使用传统的机器视觉方法的前提是准确定位获得待测量对象。而随着纳米科技的发展，检测微观纳米物体检测需求快速增长。如半导体芯片制造不断朝着更小单元的工艺发展，感兴趣区域的直径通常达到微米级以下。测量更细微实际物理的尺度的物体的需求随之提升。一方面，传统的光学镜头(ccd或cmos摄像头)已经无法获得足够小的视场(fov)的图像，无法准确定位和测量微尺寸(微米级以下)的待测量对象；另一方面，虽然采用带电粒子束显微镜(例如，扫描电子显微镜，简称为sem)可以获得足够小的视场的图像，但是由于sem图像具有噪声大，边缘梯度小等特点导致传统的机器视觉方法(例如，基于sobel算子或canny算子的方法)无法识别特征点、边缘、频率和相关性特征，从而也无法准确定位和测量微尺寸的待测量对象。进一步地，二值化图像的获得方法是：将第一图像和第二图像输入到深度学习模型(dnn)，从而获得第一图像和第二图像的二值图像，深度学习模型可以准确定位待测量对象。后文具体说明其具体实现。
39.s102，从标志模板库中为第一图像的二值图像选取匹配的标志模板，在第一图像的二值图像中截取包括该匹配的标志模板的第一匹配区域并记录该第一匹配区域的位置，还将该第一匹配区域作为标志模板在第二图像的二值图像中搜索匹配的第二匹配区域，并记录该第二匹配区域的位置。
40.其中，标志模板库中存储有大量的标志模板，以第一图像为例(第二图像同理)，将标志模板库中的一个标志模板在第一图像中进行模板匹配以得到该标志模板的匹配度，遍历标志数据库中的标志模板可以得到各标志模板的匹配度。其中，可以使用现有的归一化相关匹配法或归一化相关系数匹配法实现模板匹配，在此不再赘述。在本实施例中，将匹配度进行排序，可以按匹配度从高至低选取前n个匹配度对应的n个标志模板，n≥1，若n＝1，即选取匹配度最高的1个，若n＞1，即从高到低选取匹配度最高的n个。
41.在本实施例中，在所述第二图像的二值图像中搜索最高匹配度的区域作为所述第二匹配区域。
42.s103，根据所述待测量对象的移动位移以及所述第一匹配区域和第二匹配区域的像素坐标位移计算待测量对象的像素尺寸。
43.通过步骤s102和s103，通过模板匹配定位并记录移动待测量对象前后的两张二值图像中的匹配区域位置，再分别计算二者的像素位移，进而精确定位和测量sem图像等图像中的感兴趣区域的实际尺寸，大大提高了检测精确度，特别适用于基于sem图像的测量，也适用于基于其他图像的测量，尤其是对基于其他噪声图像的测量具有较好的改善效果。
44.以下以第一图像和第二图像均为sem图像作为示例说明。
45.图4示出了本发明另一实施例的一种测量方法的流程，总体上分为线下和线上两个组成部分。其中线下部分包括收集sem图像数据，并对这些图像进行标注，将边缘标注成一类，其他区域为背景。准备好数据后，采用前面的深度学习网络结构进行训练，经过多次迭代后获得神经元相互连接的权重值，得到深度学习模型，深度学习模型可以为卷积神经网络模型，但不限于此。训练集中的sem图像经过该模型后输出的二值图像与所标注的图像差异越小越好。线下训练好的深度学习模型和预设的二值模板库(标志模板库)可供线上部分使用。当执行线上部分的步骤时，首先对采集的sem图像输入到深度学习模型后获得二值图像，即获得边缘信息，然后根据步骤s102中图像匹配的方法进行精确定位和记录匹配区
域的位置，再通过步骤s103获得最终结果。
46.图5示出了供本发明使用的标志(mark)模板库的实施例的示意图。根据图像中可能出现的边缘形状(如直角，弧形)设计标志模板库，标志模板也是二值模板。这些模板一般选择在边缘拐角，目的是最大化图片中不同块(patch)的差异以避免模板匹配过程中的二义性和提升模板匹配的准确率。
47.进一步地，标志模板库的生成方法包括步骤：设计一个位于中心位置的种子模板，再对该种子模板进行多个角度的旋转、多个比例的缩放和不同的位移变换，获得多个不同的标志模板，变换公式如公式(1)。
[0048][0049]
其中，x、y为变换前种子模板上一点的坐标，x’、y’为变换后标志模板上对应点的坐标，ai(i＝1，2，3，4)、t
x
和ty是变换参数。
[0050]
图6示出了本发明一实施例的获取二值图像的方法。针对sem图像的特点，选择合适的网络结构，在保证预测前景和背景精度下避免过拟合的现象。网络输入是原始sem图像，输出是二值图像。利用多尺度融合的卷积神经网络(cnn)分别提取图像低层语义和高层语义信息。学习这些融合的特征可对图像上的每个像素是否是边缘进行识别。编码阶段进行逐层下采样和在解码阶段逐层进行上采样提取高层语义信息，并最终恢复到图像的原先尺寸。为了更好的融合不同的低层语义信息和高层语义信息，以及减少反向传播过程中的梯度消失问题，在每层都进行相互跳接融合。sem图像的高层语义信息不如光学图像那么丰富，对网络结构和骨干网络(backbone)的层次数量和跳接方式做剪枝操作，选取层数较低的骨干网络以避免过拟合。深度学习网络训练的目标是减小预测的边缘二值与真实的边缘二值的差异，采用交叉熵(cross entropy)或均方根误差(mse)作为损失函数。本发明采用基于该深度神经网络结构的方法去学习sem图像的边缘特征，并通过识别这类特征去精准地定位和测量sem图像中的感兴趣区域。
[0051]
进一步地，深度学习模型的训练包括步骤：选取需要调整的训练参数，并给定每个训练参数的选取列表，通过排列组合这些训练参数形成多组训练参数，分别利用每组训练参数训练深度学习模型，获得每组训练参数各自对应的损失值，选择损失最小的那组训练参数作为为深度学习模型选择的训练参数，再多次对深度学习模型进行训练。
[0052]
换而言之，对于不同的参数组合，通过算法选择一组最优的参数用于训练。通过制定训练策略，智能的选取合适的训练参数，可以节省训练时间和降低训练人员的门槛，更重要的是能有效的提升模型的关键指标，如dice和iou损失。本方法首先选取需要调整的参数，并给定每个参数的选取列表，其中设定训练次数(epoch)为一个不是很大的整数值ne，学习率(learning rate)根据以下训练次数(n
l1
,n
l2
,n
l3
)进行以小于1的衰减率进行衰减，损失函数指定交叉熵(cross entropy)或均方根误差(mse)，优化器选择adam或sgd。通过排列组合这些参数作为训练参数，分别进行训练获得各自的损失值。最后选择损失最小的那组参数组合，加大训练次数对深度学习网络进行训练，最终获得需要的深度学习模型(即获得神经网络权重)。
[0053]
进一步地，步骤s102的具体实现为：从标志模板库中为第一图像的二值图像按匹
配度从高至低选取前n个匹配度对应的n个标志模板，n≥1，分别在第一图像的二值图像中截取该匹配的n个标志模板各自对应的所述第一匹配区域并记录该n个第一匹配区域的位置，还将该n个所述第一匹配区域作为n个标志模板分别在第二图像的二值图像中搜索匹配的n个所述第二匹配区域，并记录该n个所述第二匹配区域的位置。
[0054]
其中若n＝1，则对应单次标志模板匹配过程，n＞1，对应多重标志模板匹配过程。
[0055]
图7-8示出了本发明实施例中单次标志模板匹配过程的示意图。首次自动识别标志。首先将第一张sem图像通过深度学习模型转换成边缘的二值图像。然后在二值图像中，通过归一化相关匹配法或归一化相关系数匹配法搜索标志模板库中最匹配的区域。记录该区域的位置信息，如左上角坐标(x1,y1)，并截取这个区域作为下一张sem图像的标志匹配模板。然后，通过轻微移动样品获得第二张sem图像，将该图像输入到深度学习模型，获得边缘二值图像。然后将上个步骤中获得标志匹配模板在这个二值图像中搜索最匹配的区域，记录该区域的信息，如左上角坐标(x2,y2)，根据坐标(x2,y2)和(x1,y1)的差获得像素坐标位移，根据待测量对象的移动位移和所述像素坐标位移可以获得sem图像的像素尺寸，根据像素尺寸和待测量对象的像素个数可以获得待测量对象(即感兴趣区域)的实际尺寸。
[0056]
图9示出了本发明实施例中多重标志模板匹配过程的示意图。一方面，若进行单次标志模板匹配，则容易受到随机误差以及(带动被测量对象运动的机械运动平台)运动误差的影响，不利于获得准确的像素尺寸以及被测量对象的实际尺寸；另一方面，由于sem图像噪声大、特征点少和边缘模糊等特点，使用单次标志模板方法可能会匹配失败。为解决上述问题，本发明实施例还提供一种多重标志匹配方法。这个方法是通过匹配算法从标志模板库中选取前n个最匹配的标志模板，其中n是大于1的整数。并截取各自的匹配区域作为标志模板，分别用于匹配第二张sem图像，即利用在第一图像上截取得到的多个区域，分别与第二张sem图像进行匹配，获得在第二张sem图像中对应的n个匹配的区域。也就是说，多重标志模板匹配过程中，最后第一图像和第二图像间有n对一一对应的匹配区域，再一一计算每一对匹配区域间的距离。
[0057]
进一步地，若n≥4，且有n对一一对应的所述第一匹配区域和第二匹配区域，则根据所述待测量对象的移动位移以及所述第一图像和所述第二图像对应的第一匹配区域和第二匹配区域的像素坐标位移计算所述待测量对象的像素尺寸包括：将该n对一一对应的所述第一匹配区域和第二匹配区域的像素坐标位移按照大小排序(升序或降序)，去除前n个像素坐标位移和后n个像素坐标位移，其中，n为正整数，且2n＜n，对剩下的像素坐标位移求取平均值，根据所述移动位移和所述平均值计算待测量对象的像素尺寸。当选取足够大的n时可获得更加精确的亚像素数值。
[0058]
此时，像素坐标位移(δpy，δpy)的计算公式如下：
[0059][0060][0061]
其中，x
2:n 1
代表在第二图像的二值图像的第n 1个匹配区域左上角的x轴坐标，x
1:n 1
代表在第一图像的二值图像的第n 1个匹配区域左上角的x轴坐标，其他符号同理可以类推其含义。y
2:n 1
代表在第二图像的二值图像的第n 1个匹配区域左上角的x轴坐标，y
1:n 1
代表在第一图像的二值图像的第n 1个匹配区域左上角的x轴坐标。n是选择多重匹配的数量，2n代表排除在计算外的个数。
[0062]
在利用新的标志模板在第二图像的二值图像中进行匹配时，由于移动了待测量样品，如果待测量样品移动位移较大，则存在标志模板匹配失败的可能，一旦出现这类情况，有以下几种策略。
[0063]
一种简单的策略是：若匹配失败，则舍弃匹配失败的标志模板。此时第一图像和第二图像间一一对应的匹配区域是少于n的，以n＝5为例，如果只有4个匹配成功，则只根据这4个匹配成功时的数据代入公式(2)和公式(3)，即将n的值从5更新为4。但是，舍弃了匹配失败的标志模板，计算式n的值更新为一个较小的值，会降低数据(δp
x
，δpy)的计算精度。
[0064]
另一种策略是，在利用新的标志模板在第二图像的二值图像中进行匹配时，若匹配失败，则重新从所述标志模板库中为所述第一图像的二值图像选取不同于所述前n个匹配度的其他匹配度对应的标志模板，在所述第一图像的二值图像中截取该其他匹配度的标志模板对应的所述第一匹配区域并记录该第一匹配区域的位置，还将该第一匹配区域作为标志模板在所述第二图像的二值图像中搜索匹配的所述第二匹配区域。
[0065]
在本实施例中，若匹配失败，则重新从所述标志模板库中按匹配度从高至低从第n 1个匹配度开始依次选取对应的标志模板，并根据重新选取的标志模板搜索所述第二匹配区域，响应于搜索到所述第二匹配区域以停止重新选取和搜索。即按匹配度从高到低的顺序依次补充选择第n 1个、第n 2个等标志模板。首先利用第n 1个标志模板在第一图像的二值图像上截取对应的区域作为第一匹配区域，再将第一匹配区域与第二张sem图像进行匹配，如果成功，则用本次匹配成功的区域的信息替代匹配失败的情况，如果失败，则依次选择第n 2个标志模板，再进行匹配，直至找到匹配成功的标志模板。
[0066]
在本实施例中，按匹配度从高至低设定在标志模板库中的遍历范围，所述遍历范围的一端为所述第n 1个匹配度，另一端为大于或等于匹配度阈值且最接近匹配度阈值的一匹配度，按所述遍历范围依次选取对应的标志模板。
[0067]
当然，如果所有符合匹配度阈值条件的数据均遍历后，仍然存在匹配失败的情况，此时已没有替代匹配失败情况的可能，故舍弃该匹配失败的标志模板，即若根据重新选取的标志模板未能搜索到所述第二匹配区域，则舍弃匹配失败的标志模板(舍弃重新选取前匹配失败的标志模板，当然，重新选取后匹配失败的标志模板也被舍弃)。综上所述，在本实施例中，利用了前n个标志模板以外的标志模板，寻找能够匹配成功的标志模板替代匹配失败的标志模板，如果每一个匹配失败的标志模板都能找到作为替代的标志模板，则公式(2)和公式(3)中的n的值不变，n的值无需更新。退一步说，即使完成遍历后，仍然存在匹配失败的标志模板，以至于需要舍弃相应的标志模板，且更新n的值，此时，因为我们利用了前n个标志模板以外的标志模板，并根据匹配情况进行替代，所以更新后n的值也与未更新前n的值是最接近的，仍然有利于提高数据的计算精度。
[0068]
图10-12是本发明实施例的标志模板匹配结果的示意图，图10为原始sem图像，图11为边缘提取图，即二值图像，图12为在二值图像中识别出标志的示意图。
[0069]
在本发明一实施例中，在步骤s103中，使用以下的公式(4)和公式(5)获得像素尺寸：
[0070][0071][0072]
其中，k
x
和ky是在x轴和y轴方向的像素尺寸(也可称为实际尺寸转化系数)，δp
x
，δpy为上文计算的第一图像和第二图像对应第一匹配区域和第二匹配区域之间的像素坐标位移，δl
x
，δly为待测量对象的实际移动位移。
[0073]
本发明实施例还提供一种实际尺寸的测量方法，包括：根据上述的像素尺寸的测量方法获得像素尺寸，根据获得的所述像素尺寸以及待测量对象的像素个数获得所述待测量对象的实际尺寸lx和ly。
[0074]
l
x
＝k
x
×
p
x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0075]
ly＝ky×
pyꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0076]
其中，p
x
和py为待测量对象在x轴和y轴方向的像素个数，l
x
和ly为待测量对象在x轴和y轴方向的实际尺寸。k
x
和ky是在x轴和y轴方向的像素尺寸。
[0077]
本实施例还提供了一种电子设备，其包括至少一个处理器、以及至少一个存储器，其中，存储器中存储有计算机程序，当计算机程序被处理器执行时，使得处理器执行任意方法实施例中测量方法的步骤，此处不再赘述；本实施例中，处理器和存储器的类型不作具体限制，例如：处理器可以是微处理器、数字信息处理器、片上可编程逻辑系统等；存储器可以是易失性存储器、非易失性存储器或者它们的组合等。
[0078]
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现上述任一测量方法实施例的技术方案。其实现原理、技术效果与上述方法类似，此处不再赘述。
[0079]
必须说明的是，上述任一实施例中，方法并不必然按照序号顺序依次执行，只要从执行逻辑中不能推定必然按某一顺序执行，则意味着可以以其他任何可能的顺序执行。
[0080]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。