我們利用自行研發之薄膜表面量測系統，檢測所擷取之干涉圖 形。根據李正中教授[13]薄膜光學與鍍膜技術一書當中所介紹之理 論，基板表面可解析為粗糙度(Roughness)、起伏度(Waviness)、平坦 度(Flatness)等，如下圖所示。
圖九 基板表面解析
其中此系統為宏觀的平坦度檢測，干涉圖形為待測物表面與標準 片(平整度為λ/20)表面之比較，因此若待測物越平坦則干涉條紋越 少。在此章節中將比較幾張不同條紋數之干涉圖形以驗證此系統的正 確性。最後將量測不同光學薄膜之厚度。
5-1 基板表面平坦度檢測
1. 圖形解析度為 320×240，使用三階低通濾波器。
2. 圖形解析度為 320×240，使用三階低通濾波器。
3. 圖形解析度為 320×240，使用五階低通濾波器。
4. 圖形解析度為 320×240，使用五階低通濾波器。
為製鍍高品質的光學薄膜，透過程式之自行判別，我們可以事先 挑選平坦度較好之基板。同時，由圖形之比較可得知，使用高階濾波 器更能明顯呈現熵值的變化，這是由於我們利用小波轉換之低頻部 份，因此高階低通濾波器能將較細微之高頻變化濾除，使圖形更容易 為程式所辨別。因此，我們將選用五階低通濾波器做為圖形之前置處 理，提高程式判別之準確性。
5-2 薄膜表面平坦度檢測
1. 圖形解析度為 320×240，使用五階低通濾波器。
由上圖比較可知，鍍膜之後圖形明顯受到膜應力之影響，平均之 熵值均比鍍膜前為高、由此更可證明此程式之正確性！同時也可思考 是否可以透過此程式，從熵值求取應力或是求其之間的相關性。
5-3 薄膜厚度檢測
1. 量測 ZnS 膜厚
透過對擷取圖形濾波、細線化，我們才能利用程式辨別條紋間距 和位移量。輸入入射光波長，並由公式(9)可求出光學薄膜厚度。
第六章 結論
本研究成功利用小波轉換和灰階共生矩陣建構以數位訊號處理為 基礎之光學元件表面特性量測系統，灰階共生矩陣的量化分析可透過 熵值之計算來達成，同時可用來檢測光學元件表面有缺陷之影像，而 熵值可作為判別光學元件表面平坦度之指標。
此系統之架構相當便宜且易於架設，同時更能提供快速且精準的 薄膜表面平坦度指標，此外對於光學薄膜厚度之量測也是相當地快 速、便利。然而，由於此系統採用干涉式檢測，因此對於空氣擾動和 外界震動相當的靈敏，需儘量避免這些外在干擾以提升檢測之精準 度。同時由於此系統為干涉式系統，因此若待測物表面反射率越高則 所產生之干涉圖形越清晰。
在未來的發展上，我們可以透過精密壓電平移台結合相位偏移技 術來提高此一量測系統之精準度，並整合其他應用程式，進而擴展此 系統之功能如檢測薄膜應力等，以期開發一套多功能之光學薄膜檢測 系統。
參考文獻
[1]S.G Mallat, "A Theory for Multiresolution Decomposition : The
Wavelet Representation. ", IEEE Trans, Pattern analysis and machine intelligence, pp.476-693, 1989.
[2]Levesque L. , Paton B.E and Payne S.H, "Precise thickness and refractive index determination of polyimide films using attenuated total reflection," Applied Optics, Vol.33, pp.8036-8040, 1994.
[3]Rivory J., Ellipsometric Measurements Thin Films for Optical System, Chap.11, ed.by Flory F.R., Marcel Dekker Inc ,1995.
[4]Manifacier J.C.,Gasiot J., "A simple method for the determination of the optical constants n, k and the thickness of a weakly absorbing thin film," J.Phy.E: Sci. Instrum , Vol.9, pp.1002-1004, 1976.
[5]Helen L. Maynarda and Noah Hershkowitz, "Thin-film interferometry of patterned surfaces," J. Vac. Sci. Technol. B, Vol. 13, No. 3, 1995.
[6]T. Gharbi and D. Barchiesi, "Local signl processing to evaluate
resolution in SNOM images, using 1D wavelets," Opt. Comm., Vol.
77, pp. 85-93 (2000).
[7]S.G. Mallat, "A theory for multiresolution decomposition: the wavelet representation," IEEE Trans, Pattern analysis and machine
intelligence, Vol.11, pp. 674-693 (1989).
[8]A. Grossmann and J. Morlet, "Decomposition of hardy functions into square integrable wavelets of constant shape," SIAM J. Math., Vol.
[9] R.M. Haralick, K. Shammugam, I. Dinstein, "Textural features for image classification," IEEE Trans. Sys., Man Cybernet., Vol. 3, pp.610-621 (1973).
[10] Ahmet Latif Amet, Aysin Ertuzun, Aytul Ercil,“Subband domain Co-Occurrence matrices for Texture Defect Detection”submitted to Image and Vision Computing. Journal, 1998.
[11] Ross F Walker, Paul Jackway, I.D. Longstaff ,“Improving
Co-Occurrence Matrix Feature Discrimination.”DICTA '95, the 3rd Conference on Digital Image Computing: Techniques and
Applications, 6-8th December, 1995, Brisbane, Australia.
[12] K Kim, S Jeong, B.T Chun, J.Y Lee, Y Bae,“Video image retrieval on the basis of subregional co-occurrence matrix texture features and normalized correlation.”, IEEE Trans, 1999.
[13]李正中, “薄膜光學與鍍膜技術”, 第四版, 藝軒圖書出版社, pp.403-428, 2004.