CN102089799B - 显示校正方法和系统 - Google Patents

Abstract

本发明的方面涉及用于压缩显示非均匀性校正数据并使用压缩的显示非均匀性校正数据的系统和方法。该方法包括：接收与第一显示系统相关联的第一校正图像；用第一模型拟合第一校正图像，从而产生与第一校正图像相关联的模型参数值；对与所述第一校正图像相关联的模型参数值进行编码，从而产生与第一校正图像相关联的已编码数据；以及将已编码数据存储在第一显示系统处的存储位置中。用于存储校正数据的方法也可以通过使用显示系统来确定。

Description

显示校正方法和系统

技术领域

本申请涉及于2007年3月29日提交的题为“Reduction of muraeffects”的美国专利申请No.11/731,094(于2008年10月2日公开为US2008/0238934A1)以及于2008年1月11日提交的题为“Correction ofvisible mura distortions in displays by use of flexible system for memoryresources and mura characteristics”的美国专利申请No.12/008,470(于2009年4月16日公开为US2009/0096729A1)，并且以上所列美国专利申请的全部内容通过引用合并于此。

本发明的实施例包括用于显示校正的方法和系统，具体地，包括用于压缩显示非均匀性校正数据并使用压缩显示非均匀性校正数据的方法和系统。

背景技术

通过操作人员来检查和测试平板显示器成本太高、耗时且基于操作人员的感知。因此，基于操作人员的检查质量取决于单独的操作人员，并且获得容易出现错误的主观结果。一些自动化检验技术依赖于逐像素测量和显示非均匀性校正。这些技术要求限制性的用于存储校正数据的存储量，并且期望用于降低针对校正数据的存储要求的方法和系统。

发明内容

本发明的一些实施例包括用于压缩显示非均匀性校正数据(具体地，校正图像)的方法和系统。

在本发明的一些实施例中，可以通过用数据模型拟合校正图像以及对模型参数值进行编码来压缩校正图像。在本发明的一些实施例中，可以使用分段多项式模型。在本发明的备选实施例中，可以使用B样条。在本发明的一些实施例中，可以将校正图像分解成两幅图像：一副包含校正图像的垂直和水平对准结构的图像，以及一副平滑变化图像。可以通过用数据模型来拟合平滑变化图像，来压缩平滑变化图像。

在本发明的一些实施例中，可以通过确定对多幅校正图像的分布加以描述的特征向量，来压缩多幅校正图像。可以通过将每幅校正图像投影在确定的特征向量上，来确定投影系数。在本发明的一些实施例中，可以根据本发明实施例的单幅校正图像压缩方法和系统来压缩与特征向量相关联的特征图像。

本发明的一些实施例包括使用已压缩显示非均匀性校正数据的方法和系统。在本发明的一些实施例中，针对显示器的校正数据是可以根据存储在显示系统上的参数来重构的。在本发明的一些实施例中，多幅校正图像可以根据存储在显示系统上的已编码特征图像来重构。

结合附图，考虑本发明的以下详细描述，本发明的上述和其他目的、特征和优点将变得更易理解。

附图说明

图1是示出了包括用模型来拟合校正图像并且对模型参数值编码以存储在显示系统处的本发明示例实施例的流程图；

图2是示出了包括对存储在显示系统处的已编码模型参数值进行解码并且使用已解码模型参数值来重构校正图像的本发明示例实施例的流程图；

图3是示出了包括使用重构的校正图像来校正显示值的本发明示例实施例的流程图；

图4是示出了包括将校正图像分解成包括水平和垂直结构的结构图像和平滑变化图像的本发明示例实施例的流程图，其中除了描述结构图像的信息以外，还可以确定、编码和存储平滑变化图像的模型参数值；

图5是示出了包括通过将校正图像投影到关联的特征空间中来编码多幅校正图像的本发明示例实施例的流程图；

图6是示出了包括使用所存储的特征向量和投影系数来确定校正图像的本发明示例实施例的流程图；以及

图7是可以用于确定存储校正数据的方法的显示系统。

具体实施方式

参照附图更好地理解本发明的实施例，其中，贯穿附图类似的部件由类似的附图标记指定。以上所列附图明确地结合为该详细描述的一部分。

将容易理解，如这里在附图中一般描述和示意的，本发明的组件可以用各种不同配置来布置和设计。因此，本发明的方法和系统的实施例的以下更详细描述并不意在限制本发明的范围，而是仅表示本发明的当前优选实施例。

本发明实施例的元件可以以硬件、固件和/或软件来实现。尽管这里所揭示的示例实施例可以仅描述这些形式之一，但是应当理解，本领域技术人员能够以这些形式中的任何形式来实现这些元件，而同时保持在本发明范围内。

通过操作人员来检查和测试平板显示器成本太高、耗时且基于操作人员的感知。因此，基于操作人员的检查质量取决于个体操作人员，并且获得容易出现错误的主观结果。一些自动化检验技术依赖于逐像素测量和对显示非均匀性的校正。这些技术要求限制性的用于存储校正数据的存储量，并且期望用于降低针对校正数据的存储要求的方法和系统。

Mura缺陷是对比度类型缺陷，其中，在用恒定灰度级来驱动显示器并且显示器应当显示均匀亮度的情况下，显示器上的一个或多个像素比周围的像素更亮或更暗。例如，当显示预期平坦颜色区域时，显示分量的各种不理想因素会导致不期望的亮度调制。Mura缺陷也可以被称作“Alluk”缺陷，或者一般地，被称作非均匀性失真。一般地，这种对比度类型缺陷可以被识别为“团迹”、“条带”、“条纹”以及指示非均匀性的其他术语。在制造过程中存在许多会导致显示器上mura缺陷的阶段。

显示器上的mura校正需要使用针对该显示器的所存储的校正数据进行逐像素校正。在本发明的一些实施例中，所存储的校正数据可以包括与校正图像相关联的数据，校正图像可以表示为I_c，l(i，j)，且与颜色分量和灰度级相关联。这些实施例中的一些实施例可以包括表示为c的三种颜色分量，0≤c≤2。这些实施例中的一些实施例可以包括表示为l的256个灰度级，0≤l≤255。

可以关于图1描述本发明的一些实施例。在这些实施例中，模型参数值可以通过用模型(第一模型)拟合4输入校正图像2(第一校正图像)来确定。可以对模型参数值6进行编码8，以产生与校正图像相关联的编码数据。可以将已编码数据10存储12在显示器处的存储位置中。可以使用本领域已知的预测编码方法来编码8模型参数值6。一个示例编码方法是在于2007年11月28日提交的题为“Two-DimensionalDPCM with PCM Escape Mode”的美国专利申请No.11/946,298(于2009年5月28公开为US2009/0135921A1)中公开的方法，该美国专利申请的全部内容通过引用合并于此。

可以关于图2描述本发明的一些实施例。在这些实施例中，可以从显示器处的存储位置中获取16已编码图像信息18(已编码数据)，并且可以对与已编码图像信息18相关联的模型参数值进行解码20，从而产生已解码模型参数值22。已解码模型参数值22可以用来确定和重构24校正图像26的采样(校正值)。

在本发明的一些实施例中，可以获取第一图像的表示，并且可以确定第一图像的重构值。该重构值可以通过使用包括重构值的模型参数值以及使用模型参数值的第一校正值来确定。

在本发明的一些实施例中，可以获取和解码已编码校正图像信息，以便通过使用模型参数值的确定的校正值来调整显示器。

关于图3描述本发明的一些实施例，校正图像26的采样可以用来校正或调整28显示值，从而在显示器处产生经mura校正的显示值30。

本发明的一些实施例可以包括分段多项式模型(第一模型)。在这些实施例中，输入校正图像2可以分成一个或多个二维(2D)区域，也被视为图像补丁。在这些实施例中，确定与图像补丁相关联的平面参数值。在本发明的一些实施例中，分区网格(partition grid)可以在空间上是均匀的。在备选实施例中，分区网格可以是自适应的。在本发明的一些实施例中，分区网格的密度可以与校正图像的变化有关。在这些实施例中的一些实施例中，在校正图像中存在更大变化的区域中分区网格更加密集。在本发明的一些实施例中，对分区网格进行定义的信息可以与已编码模型参数值一同存储。

在包括分段多项式模型的本发明实施例中，可以表示为P_p(i，j)的输入校正图像2区域可以根据以下公式由平面模型(第二模型)来近似：

${\tilde{P}}_p(i,j)=a_{p}i+b_{p}j+k_p$

其中，a_p、b_p和k_p表示与图像区域P_p(i，j)相关联的模型参数，并且

表示近似区域。模型拟合4(模型选择)可以最小化图像区域P_p(i，j)与近似区域之间的差异度量。在本发明的一些实施例中，图像区域可以是矩形补丁。在本发明的一些实施例中，区域的形状可以不是矩形。

可以编码8和存储12分区中所有区域的参数a_p、b_p和k_p。可以通过解码20针对每个区域的参数18并且计算24近似区域，来重构重构校正图像26。

本发明的备选实施例可以包括在包括水平和垂直平面拟合(模型)的两种平面拟合之间进行模型选择：

和 ${\tilde{P}}_{2,p}(i,j)=b_{p}j+k_{2,p}.$

在这些实施例中，可以表示为d_p的二进制模式指示符可以指示对于给定区域选择两种拟合中的哪种拟合。

“水平”和“垂直”的含义可以看作，实质上分别沿着校正图像的横向和纵向。

可以针对分区中所有区域，编码8和存储12参数d_p和关联的模型参数(a_p，k_1，p)或(b_p，k_2，p)。可以使用二进制模式指示符所指示的适当模型，通过解码20每个区域的参数18且计算24近似区域，来重构重构校正图像26。

在本发明的一些实施例中，可以基于哪个平面拟合产生对校正图像的输入区域的最佳拟合，来在模型拟合4中进行针对区域的模式判定。

本发明的备选实施例可以包括用二维B样条表面来拟合输入校正图像2。在这些实施例中的一些实施例中，节点的位置可以是等距的，也可以认为在空间上是均匀的。在备选实施例中，节点的位置可以是自适应的，也可以认为在空间上是不均匀的。在本发明的一些实施例中，节点的密度可以与校正图像的变化有关。在这些实施例中的一些实施例中，在校正图像中存在更大变化的区域中节点更密。在本发明的一些实施例中，对节点的位置进行定义的信息可以与已编码的节点值一同存储。

在本发明的一些实施例中，n次基本B样条可以是彼此移位的拷贝。在这些实施例中，在给定可以表示为g(v，h)的节点值的情况下，可以通过对节点采样进行上采样，然后与可以表示为bⁿ(i，j)的B样条核进行卷积，来确定可以表示为

的近似校正图像。近似校正图像可以根据以下公式来确定：

${\tilde{I}}_{c,l}(i,j)={\left[g\right]}_{\↑\mathrm{mv},\mathrm{mh}}*b_{\mathrm{mv},{\mathrm{mh}}^{\′}}^n$

其中，mv和mh分别是垂直和水平空间维度中的子采样比率。

本发明的一些实施例可以包括均匀的1次B样条。这些实施例可以等同于双线性子采样，其中，节点值可以是子采样的像素强度值。

在包括用B样条表面拟合4输入校正图像2的本发明的一些实施例中，模型拟合4可以包括：确定使输入校正图像2I_c，l(i，j)与使用模型重构的校正图像

之间的误差度量最小化的节点值。示例误差度量包括均方差(MSE)、平均绝对误差(MAE)、均方根误差(MSE)以及本领域已知的其他误差度量。在包括MSE的本发明的一些实施例中，可以通过递归滤波来求解样条近似。在备选实施例中，可以通过线性方程组来求解样条近似。

在本发明的一些实施例中，预测编码可以用来编码8代表校正图像2的模型参数。

在关于图4描述的本发明的一些实施例中，校正图像32可以分解成34第一图像和第二图像。这可以通过将校正图像2的垂直和水平对准结构35与平滑变化分量36分离开来实现。第一图像和第二图像可以分别包括垂直和水平对准结构以及平滑变化分量。可以根据上述实施例中任何实施例的模型拟合8平滑变化分量36。可以编码42模型参数值40，并且可以存储已编码模型参数值44和校正图像32(第一图像)的垂直和水平对准结构35。校正图像32I_c，l(i，j)可以根据以下公式来分解：

I_c，l(i，j)＝S_c，l(i，j)+N_c，l(i，j)

其中，S_c，l(i，j)表示垂直和水平对准结构35，N_c，l(i，j)表示平滑变化分量36。在一些实施例中，垂直和水平对准结构35可以由列向量和行向量来表示，列向量和行向量可以分别表示为Col_1xW和Row_Hx1，其中W和H分别指校正图像32的宽度和高度。在这些实施例中的一些实施例中，垂直和水平对准结构35N_c，l(i，j)可以根据以下公式来确定：

N_c，l(i，j)＝Col_Hx1*Row_1xW

在备选实施例中，垂直和水平对准结构35N_c，l(i，j)可以根据以下公式来确定：

N_c，l(i，j)＝Col_Hx1*1_1xW+1_Hx1*Row_1xW

其中，1_1xW和1_Hx1分别表示全“1”的行向量和列向量。

在本发明的一些实施例中，列向量Col_1xW和行向量Row_Hx1可以直接存储46为已编码图像信息的一部分。在备选实施例中，可以在存储之前对列向量Col_1xW和行向量Row_Hx1进行编码。

本发明的上述实施例涉及一幅校正图像。在本发明的一些实施例中，可以对多幅校正图像进行编码以用于存储或其他使用。

可以关于图5描述本发明的一些实施例。在这些实施例中，可以针对K个不同灰度级来捕获与显示器相关联的多幅mura校正图像，并且每幅mura校正图像分别与C个颜色分量相关联。显示码值范围表示为l，0≤l≤L-1，并且颜色分量可以表示为c，0≤c≤C。在示例实施例中可以存在256个灰度级以及3个颜色分量。在该示例实施例中，l，0≤l≤255和c，0≤c≤2。mura校正图像可以表示为

其中，0≤k≤K-1，并且l_k表示与mura校正图像相对应的灰度级。因此可以存在3K个mura校正图像，可以表示为I_p(i，j)，0≤p≤3K-1。可以将每个mura校正图像50堆叠52成长度为WxH的向量，其中，W和H分别表示mura校正图像I_p(i，j)，0≤p≤3K-1的宽度和高度。示例堆叠52方法包括行堆叠52、列堆叠52、以及其他堆叠52方法，其中，将2D图像重新格式化成1D向量格式。与mura校正图像I_p(i，j)相对应的向量可以表示为Γ_p，并且可以被称作校正图像向量。可以形成多个校正图像向量，并且每个校正图像向量与校正图像相关联。Γ_p的平均校正图像向量Ψ，可以表示为，根据以下公式来确定54：

$\mathrm{\Ψ}=\frac{1}{3K}\underset{p=0}{\overset{3K-1}{\mathrm{\Σ}}}{\mathrm{\Γ}}_p$

与每个校正图像向量Γ_p相对应的平均调整校正图像向量可以表示为Φ_p，可以根据以下公式通过从每个校正图像向量Γ_p中减去平均校正向量Ψ来获得：

Φ_p＝Γ_p-Ψ

与平均调整校正图像向量相关联的协方差矩阵可以表示为Cov，可以根据以下公式而形成58：

$\mathrm{Cov}=\frac{1}{3K}\underset{p=0}{\overset{3K-1}{\mathrm{\Σ}}}{\mathrm{\Φ}}_p{\mathrm{\Φ}}_p^T$

可以通过确定60与多幅校正图像相关联的协方差矩阵Cov的特征值和特征向量，来应用主分量分析(PCA)。特征向量及其关联特征值可以分别表示为u_q和λ_q，其中，0≤q≤m-1。可以根据以下公式将每个输入校正图像向量Γ_p投影62到与特征向量和特征值相对应的特征空间：

${\mathrm{\ω}}_p\left(q\right)=u_q^T\·{\mathrm{\Φ}}_p,$ 0≤q≤m-1

可以根据这里描述的任何方法和系统压缩64、66和编码平均校正图像向量Ψ和特征向量u_q，以通过将向量解堆叠(un-stack)回到图像形式，来压缩单图像校正图像。图像形式的解堆叠后特征向量可以被称作特征图像，并且解堆叠后的平均校正图像向量可以被称作平均校正图像。可以存储68经编码的平均校正图像、特征图像和投影系数，ω_p(q)、0≤q≤m-1、0≤p≤3K-1。在本发明的一些实施例中，可以直接存储68投影系数。在本发明的备选实施例中，可以将投影系数编码为已编码数据，并存储在显示器处的存储位置中。在本发明的一些实施例中，已编码平均校正图像向量是可以与其他已编码数据一同存储的已编码平均向量。通过拟合来自平均校正图像向量的平均图像以及用第一模型拟合平均图像，来编码已编码平均校正图像向量，这产生了与平均图像相关联的模型参数。

在关于图6描述的本发明的一些实施例中，可以对与显示系统相关联的校正图像或校正图像信息进行重构，以用于校正显示值。在这些实施例中，可以解码所存储的数据。可以通过解码特征图像并堆叠这些特征图像以形成特征向量，来根据所存储的数据解码70每个特征向量u_q，0≤q≤m-1。类似的，可以根据所存储的数据来解码72平均校正图像向量Ψ，并且可以根据所存储的数据来获得74投影系数。已解码特征向量可以表示为

0≤q≤m-1，并且已解码平均向量可以表示为

对于与所捕获的mura校正图像相对应的灰度级和颜色分量，重构的校正图像可以表示为

可以根据以下公式来确定：

${\tilde{I}}_p=\mathrm{unstack}[\underset{q=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_p\left(q\right){\tilde{u}}_q+\widetilde{\mathrm{\Ψ}}]$

在本发明的一些实施例中，第一组多个校正图像可以与第一颜色分量相关，第二组多个校正图像可以与第二颜色分量相关。在本发明的一些实施例中，可以通过使用最接近的两个相邻灰度级的线性插值，来确定丢失的灰度级校正图像。在本发明的一些实施例中，可以对特征空间中的投影坐标应用该插值。

在本发明的一些实施例中，每个特征向量可以与关联的投影系数相乘，以产生缩放的特征向量。对缩放的特征向量和平均向量进行求和，以确定校正值。

本发明的一些实施例可以包括用第一模型拟合平均图像的方法，包括：将平均图像分解成第一图像和第二图像，其中，第一图像包括来自平均图像的垂直和水平对准结构，第二图像包括来自平均图像的平滑变化分量；用第一模型拟合第二图像；以及存储第一图像的表示值以及已编码数据。

本发明的一些实施例可以包括将平均图像分成至少一个图像补丁并且确定与每个图像补丁相关联的平面模型参数值的方法，其中，至少一个模型参数值包括与每个图像补丁相关联的平面模型参数值。

本发明的一些实施例可以包括一种如下方法：用第二模型拟合平均图像；选择第一模型或第二模型，从而产生模型选择(模型选择器)；以及存储模型选择以及已编码数据。

本发明的一些实施例可以包括：第一模型选择器，与第一补丁相关联，并且根据与第一补丁相关联的补丁参数值来确定校正值。

本发明的一些实施例可以包括一种方法，其中，第一模型是水平平面模型和垂直平面模型中的一个，并且第二模型是水平平面模型和垂直平面模型中的另一个。

本发明的一些实施例可以包括一种如下方法：当第一模型与第二模型相比提供对平均图像的更好近似时，选择第一模型；以及当第二模型与第一模型相比提供对平均图像的更好近似时，选择第二模型。

本发明的一些实施例可以包括一种方法，其中，第一模型包括B样条，并且用第一模型拟合平均图像包括确定B样条的多个节点。

本发明的一些实施例可以包括一种方法，其中，用第一模型拟合第一特征图像包括：将第一特征图像分成至少一个图像补丁；以及确定与每个图像补丁相关联的平面模型参数值，其中，模型参数值包括与每个图像补丁相关联的平面模型参数。

本发明的一些实施例可以包括一种如下方法：用第二模型拟合第一特征图像；选择第一模型或第二模型，从而产生模型选择；以及存储模型选择和已编码数据。

本发明的一些实施例可以包括一种如下方法：当第一模型与第二模型相比提供对第一特征图像的更好近似时，选择第一模型；以及当第二模型与第一模型相比提供对第一特征图像的更好近似时，选择第二模型。

本发明的一些实施例可以包括一种方法，其中，第一模型包括B样条，并且用第一模型拟合第一特征图像包括确定B样条的多个节点。

本发明的一些实施例可以包括一种如下方法：将第一特征图像分解成第一图像和第二图像，其中，第一图像包括来自第一特征图像的垂直和水平对准结构，第二图像包括来自第一特征图像的平滑变化分量；用第一模型拟合第二图像；以及存储第一图像的表示值和已编码数据。

本发明的一些实施例可以包括一种方法，其中，模型参数值是与B样条相关联的节点。

本发明的一些实施例可以包括一种方法，其中，模型参数值是与第一特征图像的第一补丁相关联的平面模型参数，所述第一图像与特征向量相关联。

本发明的一些实施例可以包括一种方法，其中，根据已编码校正图像信息解码第一特征向量包括：获取第一模型选择器，其中，第一模型选择器与第一特征向量的第一补丁相关联；根据与第一特征向量相关联的至少一个模型参数值确定与第一补丁相关联的至少一个补丁参数值；基于模型选择器选择第一模型；以及使用与第一特征向量相关联的模型参数、第一模型和补丁参数值来确定第一特征向量。

本发明的一些实施例可以包括一种方法，其中，根据已编码校正图像信息解码平均向量包括：对与平均向量相关联的至少一个模型参数进行解码；以及使用与平均向量相关联的模型参数来确定平均向量。

本发明的一些实施例可以包括一种方法，其中模型参数值是与平均图像的第一补丁相关联的平面模型参数，所述平均图像与平均向量相关联。

本发明的一些实施例可以包括一种方法，其中，根据已编码校正图像信息解码平均向量包括：获取与平均向量相关联的第一模型选择器，其中，第一模型选择器与平均向量的第一补丁相关联；对与平均向量相关联的至少一个模型参数进行解码；根据与平均向量相关联的模型参数值来确定与第一补丁相关联的至少一个补丁参数值；基于模型选择器选择第一模型；以及使用与平均向量相关联的模型参数、与平均向量相关联的第一模型以及与平均向量相关联的补丁参数值，来确定平均向量。

本发明的一些实施例可以包括一种方法，其中，根据已编码校正图像信息解码多个特征向量包括：获取第一图像的表示值，其中，第一图像包括多个特征向量中与第一特征向量相关联的水平和垂直对准图像结构；使用表示值来确定第一图像的重构；针对第一特征向量，解码与第一特征向量相关联的至少一个模型参数；以及使用与第一特征向量相关联的模型参数和第一图像的重构，来确定第一特征向量。

本发明的一些实施例可以包括一种方法，其中，解码平均向量包括：获取第一图像的表示值，其中第一图像包括与平均向量相关联的水平和垂直对准图像结构；使用表示值来确定第一图像的重构；针对平均向量，解码与平均向量相关联的至少一个模型参数；以及使用与平均向量相关联的模型参数以及第一图像的重构，来确定平均向量。

在一些实施例中，可以通过使用显示系统来确定用于存储校正数据的方法。图7示出了包括本发明方面的显示系统。该显示系统包括用于存储校正图像信息的存储器82。显示系统还包括用于解码校正图像信息从而产生已解码校正图像信息的解码器84。已解码校正图像信息可以包括模型参数值。已解码校正图像信息也可以包括与多幅校正图像相关联的多个特征向量和多个系数。显示系统还包括使用已解码校正图像信息来重构校正图像的重构器86。显示系统还包括使用校正图像来校正显示值的校正器88。显示系统还包括使用校正器88校正的显示值来显示图像的显示器90。

存储器82、解码器84、重构器86和校正器88均以类似于上述图1至6的处理的方式执行它们的处理。

在一些实施例中，显示系统还可以包括计算机系统上用于确定存储校正图像数据的方法的计算机程序。该计算机程序存储在存储介质上，例如，光盘或磁盘。包含内容数据和实现内容处理设备的功能的计算机程序的存储介质不限于光盘(可以是CD-ROM(压缩盘只读存储器)、MO(磁光盘)、MD(迷你盘)、或DVD(数字万能盘))或磁盘(可以是FD(软盘)或硬盘)。这种存储介质的示例包括：磁带，例如，磁带和盒带；卡存储介质，例如IC(集成电路)卡和光卡；以及半导体存储器，例如，掩膜ROM、EPROM(可擦除可编程ROM)、EEPROM(电可擦除可编程ROM)、以及闪速ROM。然而，计算机系统需要具有用于从这些存储介质中进行获取的读出设备。

上述说明书中已经采用的术语和表达方式这里用作描述目的，并非限制性的，使用这样的术语和表达方式并不意在排除所示和所描述的特征或特征的一部分的等同物，应当认识到本发明的范围仅由所附权利要求来限定和限制。

Claims (7)

1.一种用于存储校正图像数据的方法，所述方法包括：

a)接收与第一显示系统相关联的第一校正图像；

b)用第一模型拟合所述第一校正图像，从而产生与所述第一校正图像相关联的至少一个模型参数值；

c)对与所述第一校正图像相关联的所述至少一个模型参数值进行编码，从而产生与所述第一校正图像相关联的已编码数据；以及

d)将所述已编码数据存储在所述第一显示系统处的存储位置中，

其中，用第一模型拟合所述第一校正图像包括：

a)将所述第一校正图像分成至少一个图像补丁；以及

b)确定与所述至少一个图像补丁中每一个相关联的平面模型参数值，其中，所述至少一个模型参数包括与所述至少一个图像补丁中每一个相关联的所述平面模型参数值。

2.根据权利要求1所述的方法，还包括：使用所述已编码数据来校正所述第一显示系统处的显示值，其中，使用已编码数据来校正所述第一显示系统处的显示值包括：

a)从所述存储位置获取所述已编码数据；

b)根据所述已编码数据对与所述第一校正图像相关联的所述至少一个模型参数值进行解码；以及

c)使用所述至少一个模型参数值来确定校正值。

3.根据权利要求1所述的方法，还包括：

a)用第二模型拟合所述第一校正图像；

b)选择所述第一模型或所述第二模型，从而产生模型选择；以及

c)将所述模型选择与所述已编码数据存储。

4.根据权利要求3所述的方法，其中：

a)所述第一模型是水平平面模型和垂直平面模型中的一个；以及

b)所述第二模型是所述水平平面模型和所述垂直平面模型中的另一个。

5.根据权利要求3所述的方法，其中，所述选择包括：

a)当相比于所述第二模型，所述第一模型提供对所述第一校正图像的更好拟合模型时，选择所述第一模型；以及

b)当相比于所述第一模型，所述第二模型提供对所述第一校正图像的更好拟合模型时，选择所述第二模型。

6.根据权利要求1所述的方法，其中：

a)所述第一模型包括二维B样条表面；以及

b)用第一模型拟合所述第一校正图像包括：确定所述B样条表面的多个节点。

7.根据权利要求1所述的方法，其中，用第一模型拟合所述第一校正图像包括：

a)将所述第一校正图像分解成第一图像和第二图像，其中：

i)所述第一图像包括来自所述第一校正图像的垂直和水平对准结构；

ii)所述第二图像包括来自所述第一校正图像的平滑变化分量；

b)用所述第一模型拟合所述第二图像；以及

c)将所述第一图像的表示值与所述已编码数据存储。

Images