CN113223453A - 一种模组Gamma初值预测方法 - Google Patents

Abstract

本发明公开了一种模组Gamma初值预测方法，包括如下步骤：统计多个样本模组的所有绑点的Gamma调节数据以得到适用于所有模组的标准特征曲线，该标准特征曲线用以表征全体绑点的特征量与Gamma调节值的映射关系；依据标准特征曲线建立第一神经网络模型；获取待测模组一个或多个预设绑点的实际收敛的Gamma调节值与标准特征曲线得到的预测Gamma调节值的差异值，利用差异值得到适用于待测模组的预测模型；利用该预测模型获取待测模组的待测绑点的Gamma调节初值，可以分离屏与屏的的变异，进而得到更为准确的屏与屏的修正模型。

Description

一种模组Gamma初值预测方法

技术领域

本发明属于模组Gamma调节领域，具体涉及一种模组Gamma初值预测方法。

背景技术

有机发光二极管(Organic Light-Emitting Diode,OLED)显示屏又称有机电激发光显示屏，在现今显示行业占有举足轻重的地位。与薄膜晶体管液晶显示屏(TFT-LCD) 为不同类型的产品，前者具有自发光性、广视角、高对比、低耗电、高反应速率、全彩化及制程简单等优点。OLED的基本结构是由一薄而透明具半导体特性之铟锡氧化物(ITO)，与电力之正极相连，再加上另一个金属阴极，包成如三明治的结构，当电力供应至适当电压时，正极空穴与阴极电荷就会在发光层中结合，产生光亮，依其配方不同产生红、绿和蓝RGB三基色，构成基本色彩。

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。其目的是使模组控制的寄存器设定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。由于生产OLED显示屏在工艺上的各种不可控因素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，因此每一片屏需要各自的设定参数，这是Gamma校正的主要难点所在。当前对于OLED的生产到出货都必须经过Gamma调节,以确保OLED的显示效果符合设计要求的曲线，业界通常的标准曲线为gamma＝2.2。

在Gamma调节过程中，对于客户要求的各个绑点，都必须满足显示要求，为此，必须得到合适的绑点RGB寄存器值。而在每个绑点Gamma调节过程中，RGB寄存器初值十分重要，初值准确就一次调过，不准确需要调节多次，花费时间。对于OLED显示屏的 Gamma调节是给待测模组某一绑点一组固定的寄存器值，使用色度计测得一组xyLv数据，用这组数据去匹配已有的调节好的屏的数据，得到最接近的屏的寄存器值作为待测模组的初值。初值预测法的精度，有赖于对于屏的器件特性的理解并建立适合的物理模型，但此物理模型，通常无法描述由于工艺和器件参数难以管控的变异所带来的变异，包括band-to-band或屏与屏的的变异或批次间的变异。

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初值预测方法，其通过获取待测模组一个或多个预设绑点的实际收敛的Gamma调节值与标准特征曲线得到的预测Gamma调节值的差异值，利用差异值得到适用于待测模组的预测模型；利用该预测模型获取待测模组的待测绑点的Gamma调节初值，可以分离屏与屏的的变异，进而得到更为准确的屏与屏的修正模型。

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初值预测方法，包括如下步骤：

S1.获取适用于所有模组的标准特征曲线，标准特征曲线用以表征模组全体绑点的特征量与Gamma调节值的映射关系；

S2.获取待测模组一个或多个预设绑点的实际收敛的Gamma调节值与标准特征曲线得到的预测Gamma调节值的差异值，利用差异值得到适用于待测模组的预测模型；利用该预测模型获取待测模组的待测绑点的Gamma调节初值。

作为本发明的进一步改进，标准特征曲线获取的过程为，统计多个样本模组的所有绑点的Gamma调节数据以得到适用于所有模组的标准特征曲线；

或选取一块标准屏，利用该标准屏全体绑点的特征量与Gamma调节值的映射关系获取该标准特征曲线。

作为本发明的进一步改进，待测模组的预测模型的获取过程具体为：获取待测模组的一个或多个探索绑点的实际收敛的Gamma调节值与标准特征曲线得到的预测 Gamma调节值的比例值，利用比例值对标准特征曲线进行修正得到待测模组的预测模型。

作为本发明的进一步改进，待测模组的预测模型的获取过程具体为：

分别获取多个样本模组的一个或多个预设绑点的实际收敛的Gamma调节值与标准特征曲线得到的预测Gamma调节值的差异值，利用差异值得到适用于所述多个样本模组的预测模型，以该预测模型作为适用于待测模组的预测模型。

作为本发明的进一步改进，步骤S2具体为：

建立第一神经网络，在训练第一神经网络模型时，第一神经网络的输入为某一样本模组的一个或多个预设绑点的实际收敛的Gamma调节值和利用所述标准特征曲线得到的Gamma调节初值之间的差异值，输出为某一样本模组的待测绑点的Gamma调节初值；

利用第一神经网络模型获取待测模组模组的待测绑点的Gamma调节初值，具体为：

利用待测模组在一个或多个探索绑点的实际收敛的Gamma调节值和利用标准特征曲线得到的Gamma调节初值之间的差异值作为第一神经网络的输入，输出为该待测模组的待测绑点的Gamma调节初值。

作为本发明的进一步改进，步骤S1还包括：

若干探索绑点下，判断待测模组的实际收敛的Gamma调节值和利用标准特征曲线得到的Gamma调节初值之间的差异值是否在第一阈值范围内，是则进入步骤S3，否则进入步骤S2；

步骤S3具体为：

任一个band下，利用获取样本模组的一个或多个预设绑点的实际收敛的Gamma调节值与由标准特征曲线得到的预测Gamma调节值的差异值，利用差异值对标准特征曲线进行补偿以得到适用于该band的修正特征曲线；利用修正特征曲线得到待测模组的所述band下待测绑点的Gamma调节初值。

作为本发明的进一步改进，“利用所述修正特征曲线得到待测模组的所述band下待测绑点的Gamma调节初值”替换为：

建立第二神经网络，利用第二神经网络模型获取待测模组的待测绑点的Gamma调节初值，具体为：

利用待测模组在该band下一个或多个探索绑点的实际收敛的Gamma调节值和利用适用于该band的修正特征曲线得到的Gamma调节初值之间的差异值作为第二神经网络的输入，输出为该待测模组的待测绑点的Gamma调节初值。

作为本发明的进一步改进，第二神经网络的训练过程具体为：

在训练第二神经网络模型时，第二神经网络的输入为某一样本模组在该band下一个或多个预设绑点的实际收敛的Gamma调节值和利用适用于该band的修正特征曲线得到的Gamma调节初值之间的差异值，输出为某一样本模组的待测绑点的Gamma调节初值。

作为本发明的进一步改进，利用差异值修正所述标准特征曲线以得到适用于所述band的修正特征曲线，具体为：

任一个band下，通过神经网络学习的方式建立第三神经网络模型，第三神经网络模型的输入为样本模组在所述band下的一个或多个预设绑点的实际收敛的Gamma调节值与标准特征曲线的预测Gamma调节值的差异值，所述第三神经网络的输出为适用于所述band的所有绑点的修正特征曲线；

通过建立的第三神经网络模型获取适用于所述band的修正特征曲线。

作为本发明的进一步改进，“利用所述修正特征曲线得到待测模组的该band下待测绑点的Gamma调节初值”替换为：

建立查找列表，查找列表用于存储所有样本模组的部分或者所有探索绑点的实际特征量与依据适用于该band的修正特征曲线得到的预测特征量之间的差异值；

获取待测模组的若干探索绑点的实际特征量与依据所述修正特征曲线得到的预测特征量之间的差异值，输入查找列表，在查找列表中查找对应绑点上与输入值匹配最接近的样本模组，将最接近的样本模组的gamma调节数据作为待测模组的gamma调节预测数据。

作为本发明的进一步改进，特征量为亮度或色度。

作为本发明的进一步改进，Gamma调节值为调节电压或RGB寄存器值，或达到白色画面时RGB寄存器或电压的比例。

作为本发明的进一步改进，对于PWM模式调节或非normal模式调节，利用归一化因子对绑点的特征量进行归一化处理，以使得PWM模式或非normal模式下的所有绑点的调节数据可用标准特征曲线或修正特征曲线进行表征。

作为本发明的进一步改进，PWM模式的归一化因子为占空比，非normal模式的归一化因子为通过数学拟合或神经网络方法得到的等效占空比。

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，当程序被处理单元执行时，使得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，当程序在终端设备上运行时，使得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初值预测方法，其利用适用于所有模组的标准特征曲线建立第一神经网络模型，利用探索绑点的Gamma调节数据对第一神经网络模型进行参数调整，可以分离屏与屏的的变异，进而得到更为准确的屏与屏的修正模型。

本发明的一种模组Gamma初值预测方法，其判断待测模组的实际收敛的Gamma调节值和利用标准特征曲线得到的Gamma调节初值之间的差异值是否在第一阈值范围内，以判断屏与屏的的变异是否在可接受范围内，在可接受范围内时利用band to band修正变异，从而提高初值预测的预测效率。

本发明的一种基于特征曲线的模组Gamma初值预测方法，其在通过有限绑点上的特征值测量，可以提高给出该屏的变异，提高初值预估的精度，而采用特征量对屏与屏变异进行修正后，可以部分地分离屏与屏变异和band-to-band变异，进而得到更为准确的band-to-band的修正模型。

附图说明

图1是本发明实施例的一种模组Gamma初值预测方法的示意图；

图2是本发明实施例的PWM模式下各绑点数据与标准特征曲线偏差的示意图；

图3是本发明实施例的PWM模式下各绑点数据归一化后与标准特征曲线偏差的示意图；

图4是本发明实施例的Normal模式下各绑点数据与标准特征曲线偏差的示意图；

图5是本发明实施例的多band绑点数据与标准特征曲线偏差的示意图；

图6是本发明实施例的修正特征曲线在低亮度下最低点的漂移示意图。

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模组Gamma初值预测方法的示意图。如图1所示，一种模组Gamma初值预测方法，其包括如下步骤：

S1.获取适用于所有模组的标准特征曲线，标准特征曲线用以表征模组全体绑点的特征量与Gamma调节值的映射关系；

S2.获取待测模组一个或多个预设绑点的实际收敛的Gamma调节值与标准特征曲线得到的预测Gamma调节值的差异值，利用差异值得到适用于待测模组的预测模型；利用该预测模型获取待测模组的待测绑点的Gamma调节初值。作为一个优选的方案，标准特征曲线获取的过程为，统计多个样本模组的所有绑点的Gamma调节数据以得到适用于所有模组的标准特征曲线；

或选取一块标准屏，利用该标准屏全体绑点的特征量与Gamma调节值的映射关系获取该标准特征曲线。

作为一个优选的方案，待测模组的预测模型的获取过程具体为：获取待测模组的一个或多个探索绑点的实际收敛的Gamma调节值与标准特征曲线得到的预测Gamma调节值的比例值，利用比例值对标准特征曲线进行修正得到待测模组的预测模型。

作为一个优选的方案，待测模组的预测模型的获取过程具体为：

分别获取多个样本模组的一个或多个预设绑点的实际收敛的Gamma调节值与标准特征曲线得到的预测Gamma调节值的差异值，利用差异值得到适用于所述多个样本模组的预测模型，以该预测模型作为适用于待测模组的预测模型。

作为一个优选的方案，可以利用神经网络来实现步骤二，具体为：建立第一神经网络，在训练第一神经网络模型时，第一神经网络的输入为某一样本模组的一个或多个探索绑点的实际收敛的Gamma调节值和利用所述标准特征曲线得到的Gamma调节初值之间的差异值，输出为所述某一样本模组的待测绑点的Gamma调节初值；

利用第一神经网络模型获取待测模组的待测绑点的Gamma调节初值，具体为：

利用待测模组在一个或多个探索绑点的实际收敛的Gamma调节值和利用所述标准特征曲线得到的Gamma调节初值之间的差异值作为第一神经网络的输入，输出为该待测模组的待测绑点的Gamma调节初值。

作为一个施例，可以通过曲线拟合的方式实现屏与屏变异的修正方法即步骤2的过程，具体为：

例如，可以从标准特征曲线出发，取其某一高亮探索绑点上的gamma收敛值，在此收敛值上测量样本模组1的亮度色度，计算其亮度值与预测值的比例，以此比例值作为归一因子，对样本模组1其余各绑点的的预测值进行修正，得到对样本模组1的屏与屏的变异修正特征曲线。以此类推于其余各样本模组。以此方法对于100片样本模组进行归一化后的结果，仅针对高亮端设置1个探索绑点的情形，利用探索绑点的测量值对待测绑点初值归一化修正后的初值预测精度改进情况，如表1所示。

表1本发明实施例的利用探索绑点进行初值预测的精度的对比示意表

可利用神经网络或数值拟合的方式得到上述标准特征曲线，作为一个示例，可通过数值拟合或神经网络得到某一个样本模组的标准特征曲线，求取每个样本模组的标准特征曲线的参数，对所有样本模组的标准特征曲线的参数取平均得到标准特征曲线，当然也可以通过其他更优的拟合算法或通过神经网络学习得到适用于所有模组的标准特征曲线。作为一个优选的实施例，该特征量为亮度或色度；Gamma调节值为调节电压或 RGB寄存器值，或达到白色画面时RGB寄存器或电压的比例。

作为一个优选的实施例，对于待测模组，在若干探索绑点上对特征量进行测量，并依据实际测量值与标准特征曲线得到待测模组的待测绑点的Gamma调节初值之差异值，采用神经网络模型，给出该屏其它绑点上对标准特征曲线的预测初值之修正值。在多片训练样本模组中，测量特征值与gamma调节值的对应关系，并以此训练而建立第一神经网络。使用该第一神经网络时，输入在待测模组上若干探索绑点上的特征量测量值，输出为所有绑点或下一待测量绑点上对于标准特征曲线的修正值，作为第三阶近似，用于实现待测模组的所有待测绑点的Gamma调节初值预测。

作为一个优选的实施例，对于normal模式各个DC模式bands的所有绑点对其满足规格要求的R或G或B寄存器值，存在一个数学函数映射关系，即为标准特征曲线。图2和图3分别为是本发明实施例的normal模式中PWM模式下各绑点数据及其归一化后与标准特征曲线偏差的示意图。如图2和3所示，对于PWM模式(normal模式的一种)以其占空比作为归一化因子后，该模式的各个band的绑点也可以用同一条特征曲线表示。对其它非normal模式可以通过用数学拟合或神经网络方法得到等效的占空比，以使得所述非normal模式下的所有绑点的调节数据也都可用标准特征曲线得到一级近似的表征。图4是本发明实施例的Normal模式下各绑点数据与标准特征曲线偏差的示意图。如图4所示，Vr,Vg,Vb分别为满足白色规格时对应的的红绿蓝寄存器电压值，低电压对应高亮度，对于满足亮度和色度规格的各个绑点来说，RGB寄存器值存在相应的比例关系。

对于屏的各绑点，其亮度色度与驱动电压或寄存器值的对应关系，存在器件物理特性可以描述的数学模型或标准特征曲线，但单凭此标准特征曲线，其精确度通常不足以给出足够好的初值预测。作为进一步的改进方法，可以通过建立一个学习样本库，以此库的数据建立神经网络或机器学习的模型，对以上的特征曲线进行修正，得到更精确的模型，特别是band-to-band的变异，以此得到二级近似的表征。但是在一些情况下，尤其是屏与屏的变异比较大时，此二级近似的结果作为初值预测的精度仍然需要进一步改进。在屏与屏变异比band-to-band变异更大时，需要对屏与屏的变异加以预测和修正。

作为一个优选的实施例，步骤S1还包括：

若干探索绑点下，判断待测模组的实际收敛的Gamma调节值和利用标准特征曲线得到的Gamma调节初值之间的差异值是否在第一阈值范围内，是则进入步骤S3，否则进入步骤S2；

步骤S3具体为：

任一个band下，利用获取样本模组的一个或多个预设绑点的实际收敛的Gamma调节值与由标准特征曲线得到的预测Gamma调节值的差异值，利用差异值对修正所述标准特征曲线进行补偿以得到适用于该band的修正特征曲线；利用修正特征曲线得到待测模组的该band下待测绑点的Gamma调节初值。

作为一个优选的方案，任一个band下，利用样本模组的一个或多个预设绑点的实际收敛的Gamma调节值与标准特征曲线的预测Gamma调节值的差异值，利用差异值对标准特征曲线进行补偿以得到适用于该band的修正特征曲线；依据适用于该band的修正特征曲线得到待测模组的待测绑点的Gamma调节初值。

作为一个示例，还可以通过曲线拟合的方式实现上述步骤，即建立适用于该band的修正特征曲线的参数，利用样本模组的一个或多个预设绑点的实际Gamma调节值与预测Gamma调节值的差异值，对适用于该band的修正特征曲线的参数进行修正以得到适用于该band的修正特征曲线。

作为一个示例，对于每一待测模组的每一band，取其两端点的绑点作为探索绑点，测量其亮度色度收敛值与对应的RGB寄存器电压的关系。以此探索绑点上实测的对应关系与修正特征曲线的差异，作为第二神经网络模型的输入，得到该屏对应的每一band 上各绑点上对修正特征曲线的偏差值，从而得到这些绑点上的预测初值。

对于待测模组，在若干探索绑点上对特征量进行测量，并依据实际测量值与适用于该绑点的修正特征曲线得到待测模组的待测绑点的Gamma调节初值之差异值，采用列表查找方法，给出该屏其它绑点上对修正特征曲线的预测初值之修正值。在多片训练样本模组中，测量所有绑点上特征值与gamma调节值的对应关系，并以列表形式存贮之。使用列表时，输入在待测模组上若干探索绑点上的特征量测量值，在列表中查找在探索绑点上特征值与gamma调节值的对应关系最接近的屏，并输出为所有绑点或下一待测量绑点上该屏由此映射关系而对于标准特征曲线或修正特征曲线的修正值，作为第三阶近似，用于实现待测模组的所有待测绑点的Gamma调节初值预测。

图5是本发明实施例的多band绑点数据与标准特征曲线偏差的示意图。如图5所示，band-to-band的变异造成了每个band的绑点与标准特征曲线相比有系统偏差，其中band 1-5为normal模式中的DCbands,而band 6-11是归一化之后的PWM bands.采用多项式拟合，可以发现每一band的拟合参数与标准特征曲线的差异，从而每一band的拟合结果可以作为该band之修正特征曲线，因此，在标准特征曲线的基础上，对于样本库中一片或多片屏中每一band分别进行亮度对绿色寄存器值进行拟合，其结果与标准特征曲线进行比较，得到每一band的修正特征曲线。在存在多片屏时，对于不同屏所得参数的平均值可以作为修正特征曲线的参数。而这些参数的标准差，可以作为屏与屏变异的度量值。从而通过补偿band与band的变异，可以得到更为精确的预测模型即适用于该band的修正特征曲线。

对于band-to-band变异，也可以通过建立第三神经网络模型得到修正特性曲线。对于图5所示的band-to-band变异，采用多片训练样本模组，在其每一band所有绑点上测量亮度与绿色电压的对应关系，并以此来训练第三神经网络模型，调节网络参数使其拟合的误差最小。在使用第三神经网络模型时，对于待测模组输入band编号和绑点编号后第一神经网络输出该band上对应绑点上对于标准特征曲线的修正值，从而得到修正特征曲线。

表2为本发明实施例的各种调节模式下绿色电压和绿色寄存器的拟合偏差值的示意。表1中第2，3，4，5列分别给出对应于图5的案例中，分别对应于normal模式中的DC模式，normal-DC+PWM模式但未经归一化处理，normal-DC+PWM模式经过归一化处理，以及之后利用神经网络对band-to-band变异加以修正后的拟合精度的对比值，第2列给出对应的绿色电压的拟合平均偏差值，第3列给出对应的绿色寄存器的拟合平均偏差值，对应于normal-DC模式，在此加入PWM模式后，对PWM模式进行归一化之后，以及最后对归一化结果利用神经网络方法进行band-to-band补偿后的拟结果。由此可以看出，归一化和经过神经网络修正后拟合的精度都有显著的改进。

表2本发明实施例的各种调节模式下绿色电压和绿色寄存器的拟合偏差值的示意表

图6是本发明实施例的修正特征曲线在低亮度下最低点的漂移示意图。如图6所示，样本数约为100，对八个不同亮点的PWM bands分别拟合所得的曲线作图，结果近似落在一条直线上，由此确认对于不同band得到特征曲线存在近似线性的漂移，此漂移对于低亮的绑点的预测准确性影响很大。对图5中的PWM band的拟合曲线之最小点的电压值V0,j(j＝100nits,60nits,,,,2nits)随亮度降低而向低电压方向漂移。此漂移量可能随屏与屏的变异而不同，用来作为屏与屏变异的特征量。此线性关系或可以用于预测对应于低亮度的修正，从而给出各band-to-band的修正特性曲线。

在屏与屏变异比band-to-band变异更大时，以上得到的修正特性曲线的精度仍然不够满意。因此需要对屏与屏的变异加以预测和修正。

作为一个优选的方案，对于待测模组，在若干探索绑点上对特征量进行测量，并依据实际测量值与适用于该绑点的修正特征曲线得到待测模组的待测绑点的Gamma调节初值之差异值，采用神经网络模型，给出该屏其它绑点上对修正特征曲线的预测初值之修正值。在多片训练样本模组中，测量特征值与gamma调节值的对应关系，并以此训练而建立第二神经网络。使用该第二神经网络时，输入在待测模组上若干探索绑点上的特征量测量值，输出为所有绑点或下一待测量绑点上对于标准特征曲线或修正特征曲线的修正值，作为第三阶近似，用于实现待测模组的所有待测绑点的Gamma调节初值预测。

作为一个示例，对于每一待测模组的每一band，取其两端点的绑点作为探索绑点，测量其亮度色度收敛值与对应的RGB寄存器电压的关系。以此探索绑点上实测的对应关系与标准特征曲线的差异，作为第二神经网络模型的输入，得到该屏对应的每一band 上各绑点上对标准特征曲线的偏差值，从而得到这些绑点上的预测初值。如表3所示，如此进行了band-to-band和屏与屏变异的修正之后，拟合的平均误差值也有显著减小。

表3本发明实施例的采用神经网络修正后的后偏差值示意表

作为一个优选的方案，依据适用于该band的修正特征曲线得到待测模组的待测绑点的Gamma调节初值替换为：

建立查找列表，查找列表用于存储样本模组的若干探索绑点的实际特征量与依据适用于所述band的修正特征曲线得到的预测特征量之间的差异值；

获取待测模组的若干探索绑点的实际特征量与依据适用于该band的修正特征曲线得到的预测特征量之间的差异值，输入查找列表得到差异值最接近的样本模组，将差异值最接近的样本模组的gamma调节数据作为待测模组的gamma调节预测数据。

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 (16)

1.一种模组Gamma初值预测方法，其特征在于，包括如下步骤：

S1.获取适用于所有模组的标准特征曲线，所述标准特征曲线用以表征模组全体绑点的特征量与Gamma调节值的映射关系；

S2.获取待测模组一个或多个预设绑点的实际收敛的Gamma调节值与标准特征曲线得到的预测Gamma调节值的差异值，利用所述差异值得到适用于待测模组的预测模型；利用该预测模型获取待测模组的待测绑点的Gamma调节初值。

2.根据权利要求1所述的一种模组Gamma初值预测方法，其特征在于，所述标准特征曲线获取的过程为，统计多个样本模组的所有绑点的Gamma调节数据以得到适用于所有模组的标准特征曲线；

或选取一块标准屏，利用该标准屏全体绑点的特征量与Gamma调节值的映射关系获取该标准特征曲线。

3.根据权利要求1所述的一种模组Gamma初值预测方法，其特征在于，所述待测模组的预测模型的获取过程具体为：获取待测模组的一个或多个探索绑点的实际收敛的Gamma调节值与标准特征曲线得到的预测Gamma调节值的比例值，利用所述比例值对标准特征曲线进行修正得到待测模组的预测模型。

4.根据权利要求1所述的一种模组Gamma初值预测方法，其特征在于，所述待测模组的预测模型的获取过程具体为：

分别获取多个样本模组的一个或多个预设绑点的实际收敛的Gamma调节值与标准特征曲线得到的预测Gamma调节值的差异值，利用所述差异值得到适用于所述多个样本模组的预测模型，以该预测模型作为适用于待测模组的预测模型。

5.根据权利要求1所述的一种模组Gamma初值预测方法，其特征在于，步骤S2具体为：

建立第一神经网络，在训练第一神经网络模型时，所述第一神经网络的输入为某一样本模组的一个或多个预设绑点的实际收敛的Gamma调节值和利用所述标准特征曲线得到的Gamma调节初值之间的差异值，输出为所述某一样本模组的待测绑点的Gamma调节初值；

利用第一神经网络模型获取待测模组模组的待测绑点的Gamma调节初值，具体为：

利用待测模组在一个或多个探索绑点的实际收敛的Gamma调节值和利用所述标准特征曲线得到的Gamma调节初值之间的差异值作为第一神经网络的输入，输出为该待测模组的待测绑点的Gamma调节初值。

6.根据权利要求1-5中任一项所述的一种模组Gamma初值预测方法，其特征在于，步骤S1还包括：

若干探索绑点下，判断待测模组的实际收敛的Gamma调节值和利用标准特征曲线得到的Gamma调节初值之间的差异值是否在第一阈值范围内，是则进入步骤S3，否则进入步骤S2；

步骤S3具体为：

任一个band下，利用获取样本模组的一个或多个预设绑点的实际收敛的Gamma调节值与由标准特征曲线得到的预测Gamma调节值的差异值，利用所述差异值对所述标准特征曲线进行补偿以得到适用于所述band的修正特征曲线；利用所述修正特征曲线得到待测模组的所述band下待测绑点的Gamma调节初值。

7.根据权利要求6所述的一种模组Gamma初值预测方法，其特征在于，“利用所述修正特征曲线得到待测模组的所述band下待测绑点的Gamma调节初值”替换为：

建立第二神经网络，利用第二神经网络模型获取待测模组的待测绑点的Gamma调节初值，具体为：

利用待测模组在所述band下一个或多个探索绑点的实际收敛的Gamma调节值和利用适用于所述band的修正特征曲线得到的Gamma调节初值之间的差异值作为第二神经网络的输入，输出为该待测模组的待测绑点的Gamma调节初值。

8.根据权利要求7所述的一种模组Gamma初值预测方法，其特征在于，所述第二神经网络的训练过程具体为：

在训练第二神经网络模型时，所述第二神经网络的输入为某一样本模组在所述band下一个或多个预设绑点的实际收敛的Gamma调节值和利用适用于所述band的修正特征曲线得到的Gamma调节初值之间的差异值，输出为所述某一样本模组的待测绑点的Gamma调节初值。

9.根据权利要求6所述的一种模组Gamma初值预测方法，其特征在于，所述利用差异值修正所述标准特征曲线以得到适用于所述band的修正特征曲线，具体为：

任一个band下，通过神经网络学习的方式建立第三神经网络模型，所述第三神经网络模型的输入为样本模组在所述band下的一个或多个预设绑点的实际收敛的Gamma调节值与标准特征曲线的预测Gamma调节值的差异值，所述第三神经网络的输出为适用于所述band的所有绑点的修正特征曲线；

通过建立的第三神经网络模型获取适用于所述band的修正特征曲线。

10.根据权利要求6所述的一种模组Gamma初值预测方法，其特征在于，“利用所述修正特征曲线得到待测模组的所述band下待测绑点的Gamma调节初值”替换为：

建立查找列表，查找列表用于存储所有样本模组的部分或者所有探索绑点的实际特征量与依据适用于所述band的修正特征曲线得到的预测特征量之间的差异值；

获取待测模组的若干探索绑点的实际特征量与依据所述修正特征曲线得到的预测特征量之间的差异值，输入查找列表，在查找列表中查找对应绑点上与输入值匹配最接近的样本模组，将所述最接近的样本模组的gamma调节数据作为待测模组的gamma调节预测数据。

11.根据权利要求1-10中任一项所述的一种模组Gamma初值预测方法，其特征在于，所述特征量为亮度或色度。

12.根据权利要求1-10中任一项所述的一种模组Gamma初值预测方法，其特征在于，所述Gamma调节值为调节电压或RGB寄存器值，或达到白色画面时RGB寄存器或电压的比例。

13.根据权利要求1-10中任一项所述的一种模组Gamma初值预测方法，其特征在于，对于PWM模式调节或非normal模式调节，利用归一化因子对绑点的特征量进行归一化处理，以使得PWM模式或非normal模式下的所有绑点的调节数据可用标准特征曲线或修正特征曲线进行表征。

14.根据权利要求13所述的一种模组Gamma初值预测方法，其特征在于，PWM模式的归一化因子为占空比，非normal模式的归一化因子为通过数学拟合或神经网络方法得到的等效占空比。

15.一种终端设备，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1～14任一权利要求所述方法的步骤。

16.一种计算机可读介质，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1～14任一权利要求所述方法的步骤。

Images