CN110162290B - 一种针对OLED屏DeMURA数据的压缩方法 - Google Patents

Abstract

本发明公开了一种针对OLED屏DeMURA数据的压缩方法，步骤包括：1、OLED屏DeMURA调整参数的向量化；2、合并调整因子，计算类中心和类属性信息；3、根据聚类结果生成标签和索引。本发明根据DeMURA调整参数本身的特点，使用聚类算法对调整参数进行合并，算法复杂度低，便于实现；使用类中心和类属性信息生成DeMURA表，压缩率高；使用平均绝对误差对压缩结果进行误差分析，保证了压缩精度。

Description

一种针对OLED屏DeMURA数据的压缩方法

技术领域

本发明涉及相机或手机屏幕图像处理技术领域，尤其涉及针对OLED屏幕在DeMURA过程中的数据压缩方法。

背景技术

OLED屏每个发光单元与输入灰度呈现出非线性关系，而造成屏幕显示具有局部不均匀性，这种不均匀性称为MURA，来自于日语音译，代表粗糙的、不光滑的意思。可以通过计算OLED屏基准区域的平均亮度做gamma逆校正估计输入灰度，通过多灰阶模型计算demura调整参数进行DeMURA。该种方法在硬件实现过程中，至少需要包含3(通道数)*OLED屏幕行数*列数*256个灰度级调整因子。比如：OLED屏幕大小为2160*720，则硬件需要加载的调整因子共有4.44GB。当然在DeMURA时，对每一个灰阶都进行调整是不必要的，通常的做法是将灰阶分为7段，则调整因子可以降低至248(3*2160*720*2*4/1024/1024)MB。这对Drive IC的Flash ROM是巨大的负担，因此需要对数据进行压缩。

常用的数据压缩方法有哈夫曼编码、LZW压缩和游程编码，这些数据压缩方法对数据进行重新组织，以减少数据的存储空间，降低数据冗余。但是压缩数据在烧录Flash时需要译码，且调整因子都是浮点数，存在着精度丢失和码表过长的矛盾，数据压缩率有限。

由于存在上述问题，在尽量保证数据精度的基础上，减小DeMURA数据的大小，需要研发一种针对OLED屏DeMURA数据的压缩方法。

发明内容

本发明的目的是提供一种针对OLED屏DeMURA数据的压缩方法，降低DeMURA数据的冗余和存储空间，保证Demura数据的校正精度，同时算法的复杂度不能过高，便于解码和Flash读写。

本发明为实现上述目的所采用的技术方案是：一种针对OLED屏DeMURA数据的压缩方法，包括以下步骤：

步骤1、OLED屏Demura调整参数的向量化：

(x,y)处的灰度n，其调整系数为k(x,y,n)、b(x,y,n)，调整后输出灰度关系为：

f(x,y)＝k(x,y,n)n+b(x,y,n)，对(x,y)处的所有调整参数形成调整参数行向量：

v_(x,y)＝{k(x,y,n₁),b(x,y,n₁),k(x,y,n₂),b(x,y,n₂),...,k(x,y,n_N),b(x,y,n_N)}

N为采样的数量，n₁～n_N为采样灰度，对所有位置的调整向量按照行排列形成调整参数矩阵V＝{v_(x,y)}；

步骤2、合并调整因子，计算类中心和类属性信息：

步骤2-1、指定类中心初始值和类中心个数k

随机确定k个类中心初始值，k的个数根据压缩率计算得到；

步骤2-2、合并调整因子

利用聚类算法，对调整参数矩阵V＝{v_(x,y)}进行聚类；

步骤2-3、获取聚类结果

获取聚类后的类中心V_c以及每个位置(x,y)处的类别标签L；

步骤3、根据聚类结果生成标签和索引：

类别标签L即为索引，类中心即为压缩后的描述信息。

还包括步骤4、根据标签和压缩后的描述信息，做DeMURA：

4-1基于每个位置处的类别标签，获取对应的描述信息；

4-2基于类中心与分段的个数，找到每段的调整方程参数k(x,y,n_i),b(x,y,n_i),i∈[1,N]；

4-3根据输入的需要调整的DeMURA灰度n，计算出n与f(x,y)的比值，该比值即为(x,y)处的DeMURA调整因子。

所述聚类算法采用k-means聚类算法。

本发明的针对OLED屏DeMURA数据的压缩方法，1、提出了使用聚类算法对DeMURA数据进行压缩的方法，能够有效降低数据冗余和存储空间；2、使用k-means的聚类算法对数据进行压缩，可根据灰阶分段数据指定压缩结果的类中心个数，算法简便，易于实现；3、使用压缩后的数据恢复灰阶，与原灰阶相比，平均相对误差极小，保证了压缩精度

附图说明

图1是本发明针对OLED屏DeMURA数据的压缩方法流程图。

图2是真灰阶与平均绝对灰度误差关系图。

图3是线数量与压缩误差关系图。

具体实施方式

本发明的针对OLED屏DeMURA数据的压缩方法，流程如图1所示，对DeMURA表数据进行分析，使用聚类算法对其进行聚类，将聚类结果的类中心作为码表进行编码；计算压缩前后的灰阶，使用平均相对误差对压缩精度进行评估。

本发明所述的一种针对OLED屏DeMURA数据的压缩算法主要包括三个步骤：1、OLED屏Demura调整参数的向量化；2、利用聚类算法进行调整因子的合并，得到类中心和类属性信息；3、根据聚类结果生成标签和索引，即压缩后的Demura数据。

步骤1、OLED屏Demura调整参数的向量化：

对(x,y)处的灰度n，其调整系数为k(x,y,n)、b(x,y,n)，调整后输出灰度关系为：f(x,y)＝k(x,y,n)n+b(x,y,n)，则对于(x,y)的所有调整参数可以形成调整参数行向量：

v_(x,y)＝{k(x,y,n₁),b(x,y,n₁),k(x,y,n₂),b(x,y,n₂),...,k(x,y,n_N),b(x,y,n_N)}

N为采样的数量，n₁～n_N代表采样灰度，对所有位置的调整向量按照行排列形成调整参数矩阵V＝{v_(x,y)}；

步骤2、合并调整因子，计算类中心和类属性信息：

步骤2-1、指定类中心初始值和类中心个数k

随机确定k个类中心初始值，k的个数可以根据压缩率计算得到，k越大，则压缩率越小，但压缩精度越高，一般的取值范围是k∈[16,256]；

步骤2-2、合并调整因子

利用聚类算法，对调整参数矩阵V＝{v_(x,y)}进行聚类；

步骤2-3、获取聚类结果

获取聚类后的类中心V_c(行＝压缩长度，列＝2*N)以及每个位置(x,y)处的类别标签L；

步骤3、根据聚类结果生成标签和索引：

类别标签L即为索引，类中心即为压缩后的描述信息，整体最能影响保存数据大小的只有索引位数、采集数据行数与列数，而调整过程中仅涉及简单的乘加运算，因此，算法十分简便。

步骤4、根据标签和压缩后的描述信息，做DeMURA：

4-1基于每个位置处的类别标签，获取对应的描述信息(类中心)；

4-2基于类中心与分段的个数，找到每段的调整方程参数k(x,y,n_i),b(x,y,n_i),i∈[1,N]；

4-3根据输入的需要调整的DeMURA灰度n，计算出n与f(x,y)的比值，该比值即为(x,y)处的DeMURA调整因子。

本发明方法压缩结果的误差分析：使用压缩结果进行Demura仿真，与压缩前的Demura结果进行对比，图1表明灰阶的平均绝对误差小于0.4，关系成重型曲线。图2表明压缩的曲线条数越多，则精度越高，压缩后DeMURA表小于4.5M。

本发明是通过实施例进行描述的，本领域技术人员知悉，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。

Claims (3)

1.一种针对OLED屏DeMURA数据的压缩方法，其特征在于：包括以下步骤：

步骤1、OLED屏Demura调整参数的向量化：

(x,y)处的灰度n，其调整系数为k(x,y,n)、b(x,y,n)，调整后输出灰度关系为：

f(x,y)＝k(x,y,n)n+b(x,y,n)，对(x,y)处的所有调整参数形成调整参数行向量：

v_(x,y)＝{k(x,y,n₁),b(x,y,n₁),k(x,y,n₂),b(x,y,n₂),...,k(x,y,n_N),b(x,y,n_N)}

N为采样的数量，n₁～n_N为采样灰度，对所有位置的调整向量按照行排列形成调整参数矩阵V＝{v_(x,y)}，x为位置(x,y)的横坐标，y为位置(x,y)的纵坐标；

步骤2、合并调整因子，计算类中心和类属性信息：

步骤2-1、指定类中心初始值和类中心个数k

随机确定k个类中心初始值，k的个数根据压缩率计算得到；

步骤2-2、合并调整因子

利用聚类算法，对调整参数矩阵V＝{v_(x,y)}进行聚类；

步骤2-3、获取聚类结果

获取聚类后的类中心V_c以及每个位置(x,y)处的类别标签L；

步骤3、根据聚类结果生成标签和索引：

类别标签L即为索引，类中心即为压缩后的描述信息。

2.根据权利要求1所述的一种针对OLED屏DeMURA数据的压缩方法，其特征在于：还包括步骤4、根据标签和压缩后的描述信息，做DeMURA：

4-1基于每个位置处的类别标签，获取对应的描述信息；

4-2基于类中心与分段的个数，找到每段的调整方程参数k(x,y,n_i),b(x,y,n_i),i∈[1,N]；

4-3根据输入的需要调整的DeMURA灰度n，计算出n与f(x,y)的比值，该比值即为(x,y)处的DeMURA调整因子。

3.根据权利要求1所述的一种针对OLED屏DeMURA数据的压缩方法，其特征在于：所述聚类算法采用k-means聚类算法。

Images