CN110459170A - 一种模组Gamma校正方法、终端设备及计算机可读介质 - Google Patents

Abstract

本发明公开了一种模组Gamma校正方法、终端设备及计算机可读介质，其通过当前绑点下，获取所有模组样本的Gamma校正值得到当前参考基矩阵，利用当前参考基矩阵和当前权重矩阵得到目标模组的Gamma校正初始值，利用Gamma校正初始值进行Gamma校正以获取目标模组的Gamma校正值；其中，当前权重矩阵的获取过程具体为：利用上一绑点的权重矩阵构建当前权重矩阵的目标函数，构建当前权重矩阵的约束条件，结合所述约束条件求解所述目标函数的最小值以得到当前权重矩阵，从而提高模组Gamma校正初始值的准确性，进而减少Gamma校正的调节次数提高模组的Gamma校正效率。

Description

一种模组Gamma校正方法、终端设备及计算机可读介质

技术领域

本发明属于模组校正领域，具体涉及一种模组Gamma校正方法、终端设备及计算机可读介质。

背景技术

在OLED产线上，Gamma校正是一种对模组亮度及色度进行调整的迭代优化技术。其目的是使模组真实的线性响应与人眼感知下的非线性响应相协调，达到自然过渡、层次分明的发光效果。由于OLED模组在工艺上的细微噪声以及相同涂层上分子排布的差异性，导致同一产线上不同模组对电信号的响应不尽相同，这是Gamma校正的主要难点所在。并且，同一模组的响应也并非稳定（随时间变化），导致高精度Gamma校正难以实现，因此如何配置一个合适的收敛范围也是一个无法规避的问题。

基于现阶段Gamma校正的提速需求，降低迭代优化所需的时间将对OLED产能具有重要意义。在传统迭代优化算法逐渐趋于稳定的前提下，一个良好的初值设计将是Gamma校正必然的提升方向。目前，业内对如何给出Gamma校正的初值的方法主要分为两类: ①插值法; ②加权法。对于插值法，往往基于某种先验认识选取线性或非线性函数形式进行插值；对于加权法，通常以某块特性接近的参考屏为基础，对所有参考屏的均匀加权值进行某种平移，两种方法各有优劣，在一定程度上反映出设计者对初值选取的直觉；从实践来看，此两种方法在模组差异性较小的前提下预测效果可以接受，但在差异性较大时预测效果往往会大打折扣，由于预测结果不够准确，使得在后续的Gamma校正过程其Gamma校正的调节次数增多，因而使得Gamma校正效率低下。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种模组Gamma校正方法、终端设备及计算机可读介质，其通过利用上一绑点的权重矩阵构建当前权重矩阵的目标函数，构建当前权重矩阵的约束条件，结合约束条件求解所述目标函数的最小值以得到当前权重矩阵，利用当前参考基矩阵和当前权重矩阵得到目标模组的Gamma校正初始值，从而提高模组Gamma校正初始值的准确性，进而减少Gamma校正的调节次数提高模组的Gamma校正效率。

为实现上述目的，按照本发明的一个方面，提供了一种模组Gamma校正方法，包括如下步骤：

当前绑点下，获取所有模组样本的Gamma校正值得到当前参考基矩阵，利用当前参考基矩阵和当前权重矩阵得到目标模组的Gamma校正初始值，利用Gamma校正初始值进行Gamma校正以获取目标模组的Gamma校正值；

当前权重矩阵的获取过程具体为：

利用上一绑点的权重矩阵构建当前权重矩阵的目标函数，构建当前权重矩阵的约束条件，结合约束条件求解所述目标函数的最小值以得到当前权重矩阵。

作为本发明的进一步改进，初始绑点的权重矩阵为均值矩阵。

作为本发明的进一步改进，约束条件包括第一约束条件，第一约束条件为当前权重矩阵、上一绑点的参考基矩阵和上一绑点的目标模组的Gamma校正值三者之间的映射关系。

作为本发明的进一步改进，约束条件还包括第二约束条件，第二约束条件为当前权重矩阵的所有权重参数总和为定值。

作为本发明的进一步改进，结合约束条件求解目标函数的最小值以得到当前权重矩阵具体为：

利用KKT条件得到当前权重矩阵的近似解析解。

作为本发明的进一步改进，上一绑点和当前绑点为相邻绑点。

作为本发明的进一步改进，利用上一绑点的权重矩阵和当前权重矩阵的欧氏距离构建所述目标函数。

作为本发明的进一步改进，目标函数为欧氏距离和当前权重矩阵正则化函数的总和。

为实现上述目的，按照本发明的另一个方面，提供了一种终端设备，包括至少一个处理单元、以及至少一个存储单元，其中，存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行上述方法的步骤。

为实现上述目的，按照本发明的另一个方面，提供了一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行上述方法的步骤。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

本发明的一种模组Gamma校正方法、终端设备及计算机可读介质，其通过利用上一绑点的权重矩阵构建当前权重矩阵的目标函数，构建当前权重矩阵的约束条件，结合约束条件求解所述目标函数的最小值以得到当前权重矩阵，利用当前参考基矩阵和当前权重矩阵得到目标模组的Gamma校正初始值，从而提高模组Gamma校正初始值的准确性，进而减少Gamma校正的调节次数提高模组的Gamma校正效率。

本发明的一种模组Gamma校正方法、终端设备及计算机可读介质，其通过优选一绑点和当前绑点为相邻绑点，利用相邻绑点的特性确定待调制绑点的gamma校正初始值，从而进一步提高模组Gamma校正初始值的准确性，从而提高gamma校正的效率。

本发明的一种模组Gamma校正方法、终端设备及计算机可读介质，其通过引入当前权重矩阵的所有权重参数总和为定值的约束条件，由于所有参考模组与目标模组在相同绑点上都有相同的目标亮度与色度，求和为定值可保证所有参考模组的收敛亮度与色度组合后仍然得到一个满足收敛范围需求的目标模组预测亮度与色度。

本发明的一种模组Gamma校正方法、终端设备及计算机可读介质，其通过将当前权重矩阵的正则化函数引入目标函数，可以通过KKT条件简单获取整个优化问题的近似解析解，从而可以降低计算资源上的损耗。

附图说明

图1是本发明实施例的一种基于凸优化的模组Gamma校正方法的示意图；

图2为本发明实施例的相邻绑点的示意图。

具体实施方式

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。下面结合具体实施方式对本发明进一步详细说明。

图1是本发明实施例的一种基于凸优化的模组Gamma校正方法的示意图。如图1所示，一种基于凸优化的模组Gamma校正方法，其包括如下步骤：

当前绑点下，获取所有模组样本的Gamma校正值得到当前参考基矩阵，利用当前参考基矩阵和当前权重矩阵得到目标模组的Gamma校正初始值，利用Gamma校正初始值进行Gamma校正以获取目标模组的Gamma校正值；

当前权重矩阵的获取过程具体为：

利用上一绑点的权重矩阵构建当前权重矩阵的目标函数，构建当前权重矩阵的约束条件，结合所述约束条件求解所述目标函数的最小值以得到当前权重矩阵。

初始绑点的权重矩阵为预设值，作为一个示例，初始绑点的权重矩阵为均值矩阵，即该权重矩阵的所有权重参数相同。

Gamma校正值为模组Gamma校正后的最终值，作为一个示例，常用的模组Gamma校正方法包括等比例调节方法和分开调节方法，以等比例调节为例：在目标模组上选择一个待调节的绑点，绑点为模组厂商指定的调制模式，设定模组的灰阶及其他指定参数值，在该指定调制模式下，通过初值预测方法预测一个R、G、B寄存器迭代起点，利用探头采集该点的实际亮度与色度，判断实际亮度与色度和理论亮度与色度的偏差是否在可容忍的范围内；如果在则该绑点收敛，并跳至下一绑点继续调节；如果不在则该绑点未收敛，需要在该绑点上进行迭代优化，迭代优化步骤如下：根据当前实际亮度与色度和理论亮度与色度的差值，利用某种“比例规则”尝试迭代一步获取新的R、G、B寄存器值，利用探头采集该点的实际亮度与色度，更新“比例规则”，判断亮度色度是否在可容忍范围内。如果在，则收敛，并跳至下一绑点继续调节；如果不在，则继续根据“比例规则”迭代，直至该绑点收敛，在该绑点的R、G、B寄存器收敛值即为该绑点的Gamma校正值。

作为一个优选的实施例，上一绑点和当前绑点为相邻绑点。通过选取同一产线上的OLED模组绘制相邻绑点的收敛电压值（即Gamma校正值）在空间中的分布情况，可以发现，相邻绑点的收敛电压值在空间上的分布相似度颇高，因此，利用相邻绑点的特性确定待调制绑点的gamma校正初始值，可以使得gamma校正的调节次数减少，从而提高gamma校正的效率。

图2为本发明实施例的相邻绑点的示意图。如图2所示，作为一个示例，相邻绑点可以为以当前绑点为中心的周围最临近或次临近的8个绑点，图2的横轴为灰阶值，纵轴为band编号，中心黑点为当前绑点，周围8个白点均为相邻绑点。具体选择哪一个相邻绑点作为计算依据可以从两个方面确定：①一方面依赖于实际的Gamma校正绑点切换流程（只能选择前面已经调好的绑点）；②另一方面依赖于参考基校正值（已知）在当前绑点和周围绑点于空间分布上的相似性（优先选择相似性高的）。

当然，以上仅为一个示例，模组样本的选取以及Gamma校正值以何种参数表征可以依据具体的调制需求进行相应的调整，并不局限于上述的一种形式。

相应地，可优选与目标模组同一生产线的其他模组作为模组样本，以选取个模组样本为示例，当前绑点下，获取 个模组样本模组样本的Gamma校正值得到当前绑点下的参考基矩阵，以Gamma校正值为模组Gamma校正后的R、G、B寄存器所对应的电压值为示例，可以将参考基矩阵表述为：

其中，代表当前绑点下的参考基矩阵，分别为第一个模组样本Gamma校正后的R、G、B寄存器所对应的电压值，分别为第二个模组样本Gamma校正后的R、G、B寄存器所对应的电压值，分别为第个模组样本Gamma校正后的R、G、B寄存器所对应的电压值；

当前权重矩阵的获取过程具体为：

利用上一绑点的权重矩阵构建当前权重矩阵的目标函数，构建当前权重矩阵的约束条件，结合约束条件求解目标函数的最小值以得到当前权重矩阵。优选地，可利用上一绑点的权重矩阵和当前权重矩阵的欧氏距离构建目标函数，约束条件包括第一约束条件，第一约束条件为当前权重矩阵、上一绑点的参考基矩阵和上一绑点的目标模组的Gamma校正值三者之间的映射关系；约束条件还包括第二约束条件，第二约束条件为当前权重矩阵的所有权重参数总和为定值，这个定值可依据需求进行设定，作为一个示例，该定值可以设定为1。通过引入权重参数求和为定值的仿射约束主要好处有两点：①如果参考基内的所有数据（三维r、g、b）均位于某条直线或某个平面上时（概率极低），那么有充足的理由相信目标模组在相同绑点上也位于同一条直线/同一个平面上。②仿射组合也是一种线性组合。由于所有参考模组与目标模组在相同绑点上都有相同的目标亮度与色度，求和为定值可保证所有参考模组的收敛亮度与色度组合后仍然得到一个满足收敛范围需求的目标模组预测亮度与色度。

相应地，可将上一绑点的参考基矩阵表示为，上一绑点的权重矩阵表示为，当前权重矩阵表示为，作为一个示例，利用上一绑点的权重矩阵和当前权重矩阵的欧氏距离构建目标函数可以表示为：

引入该目标函数的目的主要在于表达空间中两个向量之间的相似度，对相似度的衡量有多种方式，比如常见的夹角余弦值及皮尔逊相关系数等，优选可采用欧式距离建立目标函数进行衡量，由于欧式距离展开后内部的交叉项带有夹角余弦的含义，且其包括正则化项，且其形成的目标函数为凸函数，便于设计一个好的易于求解的凸优化方程。

作为一个示例，当前权重矩阵、上一绑点的参考基矩阵和上一绑点的目标模组的Gamma校正值三者之间的映射关系可以表示为，当前权重矩阵和上一绑点的参考基矩阵的乘积为上一绑点下目标模组的Gamma校正值，当然，该映射关系也可以依据求解需求表示为其他形式。

作为一个优选的方案，目标函数还可以为利用欧氏距离和当前权重矩阵的正则化函数的总和。

作为一个优选的方案，结合约束条件求解目标函数的最小值以得到当前权重矩阵具体为：

利用KKT条件得到当前权重矩阵的近似解析解。其中，KKT条件：Karush-Kuhn-Tuckerconditions，KKT条件是非线性规划领域重要的理论成果。一般来说，对于一般的优化问题（同时带等式约束与不等式约束），KKT条件可利用相关条件的组合进行求解，相关条件包括：①原问题可行性；②对偶问题可行性；③互补松弛条件；④稳定性条件。

作为一个示例，当前权重矩阵的正则化函数可以为L1正则化函数或L2正则化函数，L1正则化函数可以增强参数的稀疏性，L2正则化函数可以增强模型的稳定性，可依据求解需求对正则化函数进行相应的调整，引入正则化函数可以通过KKT条件简单获取整个优化问题的近似解析解，从而可以降低计算资源上的损耗。

一种终端设备，包括至少一个处理单元、以及至少一个存储单元，其中，存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行上述方法的步骤。

一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行上述方法的步骤。

以某个批次的模组gamma调制为示例，算法实现过程可以对部分环节予以了简化，如：采用寄存器值代替电压值，按照预设的逻辑规则进行绑点切换，从多次仿真效果来看，对于所有灰阶过渡平缓的模组，利用上述方法预测的初值与真实收敛值在所有绑点上的平均距离可以达到2个寄存器单位以内；对于低灰阶过渡陡峭的模组，平均距离可以达到4~5个寄存器单位以内。整体来看，该方法在目前已知的初值预测方法中处于领先水平。以某个批次的模组gamma调制为示例，选取330块采用旧的初值且gamma校正完毕的模组进行仿真，其中，选取任意选择30块作为目标模组，以剩余的300块作为参考模组，直接利用目标模组已经调节完毕的收敛值可以略去中间的迭代优化过程从而快速进行算法测试，整体测试效果如下：当前30块目标模组上的所有绑点初值与收敛值之间距离的平均值，大约为24.435个寄存器单位，代入相应的拟合曲线可得平均步数大约为15.5步。随着选取的参考模组数目逐渐增多（5块至300块），采用本发明的gamma校正方法对30块目标模组上的所有绑点的初值与收敛值之间距离的平均值进行预测，最后大约为2.225个寄存器单位（对应于300块参考模组），代入相应的拟合曲线可得平均步数大约为7.6步。因此整体的迭代步数或效率可以预估大约提升51%。

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。

Claims (9)

1.一种模组Gamma校正方法，其特征在于，包括如下步骤：

当前绑点下，获取所有模组样本的Gamma校正值得到当前参考基矩阵，利用所述当前参考基矩阵和当前权重矩阵得到目标模组的Gamma校正初始值，利用Gamma校正初始值进行Gamma校正以获取目标模组的Gamma校正值；

所述当前权重矩阵的获取过程具体为：

利用上一绑点的权重矩阵和当前权重矩阵的欧氏距离构建当前权重矩阵的目标函数，构建当前权重矩阵的约束条件，结合所述约束条件求解所述目标函数的最小值以得到当前权重矩阵。

2.根据权利要求1所述的一种模组Gamma校正方法，其特征在于，初始绑点的权重矩阵为均值矩阵。

3.根据权利要求1所述的一种模组Gamma校正方法，其特征在于，所述约束条件包括第一约束条件，所述第一约束条件为当前权重矩阵、上一绑点的参考基矩阵和上一绑点的目标模组的Gamma校正值三者之间的映射关系。

4.根据权利要求3所述的一种模组Gamma校正方法，其特征在于，所述约束条件还包括第二约束条件，所述第二约束条件为当前权重矩阵的所有权重参数总和为定值。

5.根据权利要求1所述的一种模组Gamma校正方法，其特征在于，所述结合所述约束条件求解所述目标函数的最小值以得到当前权重矩阵具体为：

利用KKT条件得到当前权重矩阵的近似解析解。

6.根据权利要求1所述的一种模组Gamma校正方法，其特征在于，所述上一绑点和当前绑点为相邻绑点。

7.根据权利要求1-6中任一项所述的一种模组Gamma校正方法，其特征在于，所述目标函数为所述欧氏距离和当前权重矩阵正则化函数的总和。

8.一种终端设备，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行权利要求1～7任一权利要求所述方法的步骤。

9.一种计算机可读介质，其特征在于，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行权利要求1～7任一权利要求所述方法的步骤。