CN114512085A - 一种tft显示屏的视觉色彩校准方法 - Google Patents

一种tft显示屏的视觉色彩校准方法 Download PDF

Info

Publication number
CN114512085A
CN114512085A CN202210263105.0A CN202210263105A CN114512085A CN 114512085 A CN114512085 A CN 114512085A CN 202210263105 A CN202210263105 A CN 202210263105A CN 114512085 A CN114512085 A CN 114512085A
Authority
CN
China
Prior art keywords
color
display screen
training
space conversion
conversion model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210263105.0A
Other languages
English (en)
Inventor
林惜花
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Kangsheng Network Technology Co ltd
Original Assignee
Guangzhou Kangsheng Network Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Kangsheng Network Technology Co ltd filed Critical Guangzhou Kangsheng Network Technology Co ltd
Priority to CN202210263105.0A priority Critical patent/CN114512085A/zh
Publication of CN114512085A publication Critical patent/CN114512085A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
    • G09G3/20—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters
    • G09G3/2003—Display of colours
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
    • G09G3/20—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters
    • G09G3/34—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters by control of light from an independent source
    • G09G3/36—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters by control of light from an independent source using liquid crystals
    • G09G3/3611—Control of matrices with row and column drivers
    • G09G3/3648—Control of matrices with row and column drivers using an active matrix
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2320/00—Control of display operating conditions
    • G09G2320/06—Adjustment of display parameters
    • G09G2320/0666—Adjustment of display parameters for control of colour parameters, e.g. colour temperature
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2320/00—Control of display operating conditions
    • G09G2320/06—Adjustment of display parameters
    • G09G2320/0693—Calibration of display systems
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2340/00—Aspects of display data processing
    • G09G2340/06—Colour space transformation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Color Image Communication Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种基于神经网络的色彩校准方法，包括：将训练色块集的RGB值集及标准色度值集做为样本数据集；根据样本数据集，利用LM算法，对显示屏色彩空间转换模型进行训练，得到训练完成的显示屏色彩空间转换模型；获取及测量待测显示屏色块的RGB值及标准色度值，利用显示屏色彩空间转换模型将待测显示屏色块的RGB值转换为测试色度值，计算测试色度值与标准色度值的误差；根据误差对待测显示屏进行色彩校准。此外，本发明还涉及区块链技术，RGB值可存储于区块链的节点。本发明还提出一种基于神经网络的色彩校准装置、电子设备以及存储介质。本发明可以提高色彩校准效率。

Description

一种TFT显示屏的视觉色彩校准方法
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于神经网络的色彩校准方法、装置、电子设备及计算机可读存储介质。
背景技术
由于TFT(Thin Film Transistor，薄膜晶体管)液晶显示屏本身的特点，难以保证每块显示屏都能达到相同的色准表现，导致存在色偏的问题，因此需要对显示设备上的显示屏进行色彩校准。
现有的色彩校准技术主要利用采集得到三基色光的颜色分量信息与目标色域的三基色的颜色分量信息进行对比，得到两者差异，再根据两者差异计算色彩校准数据，根据校准数据对显示屏进行色彩校准，校准之后再执行采集、对比、计算的过程直至采集到的颜色分量信息与目标色域三基色的颜色分量信息之间的差异满足标准。
综上所述,现有的色彩校准方案需要反复采集图像进行对比计算，才能将显示屏显示的色彩校准到目标色域的标准色彩，因此现有的色彩校准方案的效率有待提升。
发明内容
本发明提供一种基于神经网络的色彩校准方法、装置及计算机可读存储介质，其主要目的在于解决显示屏进行色彩校准时的效率较低的问题。
为实现上述目的，本发明提供的一种基于神经网络的色彩校准方法，包括：
在显示屏显示校准测试画面后，根据预设规则获取训练色块集，获取所述训练色块集的RGB值集，测量所述色块集的标准色度值集，将所述RGB 值集及标准色度值集做为样本数据集；
根据所述样本数据集，利用列文伯格-马夸尔特算法，对基于神经网络预构建的显示屏色彩空间转换模型进行训练，得到训练完成的显示屏色彩空间转换模型；
获取待测显示屏色块的RGB值，测量所述待测显示屏色块的标准色度值，利用所述训练完成的显示屏色彩空间转换模型对所述待测显示屏色块的RGB 值进行转换得到测试色度值，计算所述测试色度值与所述标准色度值的色彩偏差值；
根据所述色彩偏差值对所述待测显示屏进行色彩校准。
可选地，所述根据预设规则获取训练色块集，获取所述训练色块集的RGB 值集，测量所述色块集的标准色度值集，将所述RGB值集及标准色度值集做为样本数据集，包括：
将所述显示屏的RGB数字驱动值按照第一预设数量进行均分，得到第一均分RGB数字驱动值，根据所述第一均分RGB数字驱动值，利用预设的色块产生程序生成训练色块级集，获取所述训练色块集的RGB值训练集；
利用分光光度仪测量所述训练色块集对应的标准色度值，得到标准色度值训练集；
将所述显示屏的RGB数字驱动值按照第二预设数量进行均分，得到第二均分RGB数字驱动值，根据所述第二均分RGB数字驱动值，利用所述色块产生程序生成验证色块级集，获取所述验证色块集的RGB值验证集；
利用所述分光光度仪测量所述验证色块集对应的标准色度值，得到标准色度值验证集；
将所述RGB值训练集及所述标准色度值训练集作为样本数据集的训练集，将所述RGB值验证集及所述标准色度值验证集作为样本数据集的验证集。
可选地，所述根据所述样本数据集，利用列文伯格-马夸尔特算法，对基于神经网络预构建的显示屏色彩空间转换模型进行训练，得到训练完成的显示屏色彩空间转换模型，包括：
根据所述样本数据集中的训练集，利用列文伯格-马夸尔特算法调整所述基于神经网络预构建的显示屏色彩空间转换模型的参数，对所述显示屏色彩空间转换模型进行迭代训练，得到经过训练的显示屏色彩空间转换模型；
利用所述样本数据集中的验证集对所述经过训练的显示屏色彩空间转换模型进行测试及调整，得到训练完成的显示屏色彩空间转换模型。
可选地，所述根据所述样本数据集中的训练集，利用列文伯格-马夸尔特算法调整所述基于神经网络预构建的显示屏色彩空间转换模型的参数，对所述显示屏色彩空间转换模型进行迭代训练，得到经过训练的显示屏色彩空间转换模型，包括：
对所述样本数据集中的训练集进行归一化处理，得到归一化训练集；
利用所述显示屏色彩空间转换模型中的计算神经元对所述归一化训练集其中一个样本进行计算，得到对应的训练色度值集；
计算所述训练色度值集与所述标准色度值训练集之间的色彩误差值；
利用列文伯格-马夸尔特算法，最小化所述色彩误差值，得到所述显示屏色彩空间转换模型的更新参数，利用所述更新参数反向更新所述显示屏色彩空间转换模型，得到更新的所述显示屏色彩空间转换模型；
计算所述训练集中所有样本对应的色彩误差值的平均色彩误差值，判断所述平均色彩误差值是否满足预设评价值；
当所述平均色彩误差值不满足所述预设评价值，返回所述利用所述显示屏色彩空间转换模型中的计算神经元对所述归一化训练集其中一个样本进行计算，得到对应的训练色度值集的步骤，对所述显示屏色彩空间转换模型参数进一步优化；
当所述平均色彩误差值满足所述预设评价值，则得到更新后的显示屏色彩空间转换模型，将所述更新后的显示屏色彩空间转换模型作为经过训练的显示屏色彩空间转换模型。
可选地，所述计算所述训练色度值集与所述标准色度值训练集之间的色彩误差值，包括：
利用如下公式计算所述训练色度值集与所述标准色度值训练集之间的色彩误差值：
Figure BDA0003551467560000031
其中，ΔL表示明度差异；Δa表示红/绿差异；Δb表示黄/蓝差异。
可选地，所述根据所述样本数据集，利用列文伯格-马夸尔特算法，对基于神经网络预构建的显示屏色彩空间转换模型进行训练，得到训练完成的显示屏色彩空间转换模型之前，所述方法还包括：
构建显示屏色彩空间转换模型的输入层、隐含层、输出层；
分别确定所述输入层、所述隐含层及所述输出层的节点数及所述隐含层的层数；
将正切双弯曲转移函数作为隐含层的激活函数，将线性函数作为输出层的激活函数。
可选地，所述在显示屏显示校准测试画面之前，所述方法还包括：
根据预设的显示屏校准操作对所述显示屏进行校准，并生成设备色彩特性文件，将所述设备色彩特性文件设置为所述显示屏系统的配置文件；
对所述显示屏进行白场测试，保证所述显示屏时间稳定性、空间均匀性、通道独立性及图像稳定性满足预设的标准。为了解决上述问题，本发明还提供一种基于神经网络的色彩校准装置，所述装置包括：
样本数据构建模块，用于在显示屏显示校准测试画面后，根据预设规则获取训练色块集，获取所述训练色块集的RGB值集，测量所述色块集的标准色度值集，将所述RGB值集及标准色度值集做为样本数据集；
显示屏色彩空间转换模型训练模块，用于根据所述样本数据集，利用列文伯格-马夸尔特算法，对基于神经网络预构建的显示屏色彩空间转换模型进行训练，得到训练完成的显示屏色彩空间转换模型；
色彩偏差值计算模块，用于获取待测显示屏色块的RGB值，测量所述待测显示屏色块的标准色度值，利用所述训练完成的显示屏色彩空间转换模型对所述待测显示屏色块的RGB值进行转换得到测试色度值，计算所述测试色度值与所述标准色度值的色彩偏差值；
校准模块，用于根据所述色彩偏差值对所述待测显示屏进行色彩校准。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于神经网络的色彩校准方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于神经网络的色彩校准方法。
本发明实施例利用列文伯格-马夸尔特算法，对基于神经网络预构建的显示屏色彩空间转换模型进行训练，得到训练完成的显示屏色彩空间转换模型，使得每次迭代不仅按单一的负梯度方向，也允许误差沿着恶化方向进行搜索，可以自适应调整优化神经网络权值，使神经网络能有效收敛，大大提高了所述显示屏色彩空间转换模型的收敛速度和泛化能力，从而提升了色彩校准的效率；获取待测显示屏色块的RGB值，测量所述待测显示屏色块的标准色度值，利用所述训练完成的显示屏色彩空间转换模型对所述待测显示屏色块的 RGB值进行转换得到测试色度值，计算所述测试色度值与所述标准色度值的色彩偏差值，根据所述色彩偏差值对所述待测显示屏进行色彩校准，无需对显示屏反复校准测试，简化了校准过程，提升了显示屏色彩校准的效率。因此本发明提出的基于神经网络的色彩校准方法、装置、电子设备及计算机可读存储介质，可以解决进行显示屏色彩校准时的效率较低的问题。
附图说明
图1为本发明一实施例提供的基于神经网络的色彩校准方法的流程示意图；
图2为图1所示基于神经网络的色彩校准方法中其中一个步骤的详细实施流程示意图；
图3为图1所示基于神经网络的色彩校准方法中其中另一个步骤的详细实施流程示意图；
图4为本发明一实施例提供的基于神经网络的色彩校准装置的功能模块图；
图5为本发明一实施例提供的实现所述基于神经网络的色彩校准方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种基于神经网络的色彩校准方法。所述基于神经网络的色彩校准方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于神经网络的色彩校准方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络 (ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于神经网络的色彩校准方法的流程示意图。在本实施例中，所述基于神经网络的色彩校准方法包括：
S1、在显示屏显示校准测试画面后，根据预设规则获取训练色块集，获取所述训练色块集的RGB值集，测量所述色块集的标准色度值集，将所述 RGB值集及标准色度值集做为样本数据集。
本发明实施例中，所述显示屏为TFT(Thin Film Transistor，薄膜晶体管) 液晶显示屏。
本发明实施例中，所述RGB值包含红(R)、绿(G)、蓝(B)；所述色度值为一种色彩模式值,即Lab值，包含三个要素：亮度(L)，a和b是两个颜色通道，a包括的颜色是从深绿色(低亮度值)到灰色(中亮度值)再到亮粉红色(高亮度值)；b是从亮蓝色(低亮度值)到灰色(中亮度值)再到黄色(高亮度值)。
具体地，所述在显示屏显示校准测试画面之前，所述方法还包括：
根据预设的显示屏校准操作对所述显示屏进行校准，并生成设备色彩特性文件，将所述设备色彩特性文件设置为所述显示屏系统的配置文件；
对所述显示屏进行白场测试，保证所述显示屏时间稳定性、空间均匀性、通道独立性及图像稳定性满足预设的标准。
本发明实施例中，对所述显示屏进行校准包含对所述显示屏的色温、对比度和亮度进行校准。
本发明实施例中所述设备色彩特性文件(ICC Profile)用于描述色彩输入、输出设备或者某种色彩空间的特性的数据集合，由国际色彩联盟(ICC)主持制定，记录了显示器RGB和XYZ颜色关系。
详细地，S1中所述根据预设规则获取训练色块集，获取所述训练色块集的RGB值集，测量所述色块集的标准色度值集，将所述RGB值集及标准色度值集做为样本数据集，包括：
将所述显示屏的RGB数字驱动值按照第一预设数量进行均分，得到第一均分RGB数字驱动值，根据所述第一均分RGB数字驱动值，利用预设的色块产生程序生成训练色块级集，获取所述训练色块集的RGB值训练集；
利用分光光度仪测量所述训练色块集对应的标准色度值，得到标准色度值训练集；
将所述显示屏的RGB数字驱动值按照第二预设数量进行均分，得到第二均分RGB数字驱动值，根据所述第二均分RGB数字驱动值，利用所述色块产生程序生成验证色块级集，获取所述验证色块集的RGB值验证集；
利用所述分光光度仪测量所述验证色块集对应的标准色度值，得到标准色度值验证集；
将所述RGB值训练集及所述标准色度值训练集作为样本数据集的训练集，将所述RGB值验证集及所述标准色度值验证集作为样本数据集的验证集。
本发明其中一实施例，将RGB的数字驱动值0-255按每隔51进行6级分割(0、51、102、153、204、255)，编写色块产生程序，RGB分别取其中一个值组成一种颜色，共有63即216个训练色块；利用分光光度仪测量所述216 个训练色块对应的Lab值。
本发明其中一实施例，将RGB的数字驱动值0-255按每隔36进行8级分割(0、36、72、108、144、180、216、255)，编写色块产生程序，RGB分别取其中一个值组成一种颜色，共有83即512个验证色块；利用分光光度仪测量所述512个验证色块对应的Lab值。
S2、根据所述样本数据集，利用列文伯格-马夸尔特算法，对基于神经网络预构建的显示屏色彩空间转换模型进行训练，得到训练完成的显示屏色彩空间转换模型。
本发明实施例中，所述列文伯格-马夸尔特算法(Levenberg-Marquardt)，简称LM算法，是一种对非线性函数求解最小值的数值计算方法。
详细地，所述S2之前，所述方法还包括：
构建显示屏色彩空间转换模型的输入层、隐含层、输出层；
分别确定所述输入层、所述隐含层及所述输出层的节点数及所述隐含层的层数；
将正切双弯曲转移函数作为隐含层的激活函数，将线性函数作为输出层的激活函数。
本发明实施例中，所述显示屏色彩空间转换模型基于BP(back propagation) 神经网络构建，包含输入层、隐含层、输出层，利用所述输出层输出结果和期望输出的误差反向调节所述显示屏色彩空间转换模型的参数。
本发明实施例中，由于所述显示屏色彩空间转换模型是将RGB值转换为 Lab值，所述RGB值为红、绿、蓝三个通道的值，所以所述输入层的神经元个数为3；所述Lab值为L、a、b的值，所以所述输出层的神经元个数为3。
本发明其中一个实施例，可先确定一个隐含层，后续在训练过程中根据网络性能情况考虑增加隐含层。
本发明其中一个实施例，可采用网络结构增长型方法选择隐含层节点数，即先设置较少的节点数对神经网络进行训练，根据所述训练集得到的色彩误差逐渐调整节点数，直至所述色彩误差不再有明显的减少为止，所述隐含层节点数可以为20。
本发明另一实施例，可采用经验公式
Figure BDA0003551467560000081
确定隐含层节点数，其中m表示隐含层节点数，n表示输入层节点数，l表示输出层节点数，a表示1-10之间的常数。
详细地，参阅图2所示，所述S2包括：
S21、根据所述样本数据集中的训练集，利用列文伯格-马夸尔特算法调整所述基于神经网络预构建的显示屏色彩空间转换模型的参数，对所述显示屏色彩空间转换模型进行迭代训练，得到经过训练的显示屏色彩空间转换模型；
S22、利用所述样本数据集中的验证集对所述经过训练的显示屏色彩空间转换模型进行测试及调整，得到训练完成的显示屏色彩空间转换模型。
本发明实施例中，所述显示屏色彩空间转换模型的参数包括：所述隐含层层数、所述隐含层神经元个数、权值、阈值。
进一步地，参阅图3所示，所述S21包括：
S211、对所述样本数据集中的训练集进行归一化处理，得到归一化训练集；
S212、利用所述显示屏色彩空间转换模型中的计算神经元对所述归一化训练集其中一个样本进行计算，得到对应的训练色度值集；
S213、计算所述训练色度值集与所述标准色度值训练集之间的色彩误差值；
S214、利用列文伯格-马夸尔特算法，最小化所述色彩误差值，得到所述显示屏色彩空间转换模型的更新参数，利用所述更新参数反向更新所述显示屏色彩空间转换模型，得到更新的所述显示屏色彩空间转换模型；
S215、计算所述训练集中所有样本对应的色彩误差值的平均色彩误差值；
S216、判断所述平均色彩误差值是否满足预设评价值；
当所述平均色彩误差值不满足所述预设评价值，返回所述S212的步骤，对所述显示屏色彩空间转换模型参数进一步优化；
当所述平均色彩误差值满足所述预设评价值，S217、得到更新后的显示屏色彩空间转换模型，将所述更新后的显示屏色彩空间转换模型作为经过训练的显示屏色彩空间转换模型。
本发明实施例中，RGB值得变化范围为0～255，L亮度范围为0～100，直接用所述训练集进行训练，可能会突出数量级大的样本数据，降低数量级较小的样本数据的作用，将所述样本数据集中的训练集缩放到具有共同数据特性的区间内，可以采用mapminmax函数对所述训练集进行归一化处理，这种归一化处理方式使得所述训练集中样本数据在训练过程中的作用相同。
进一步地，利用如下公式计算所述训练色度值集与所述标准色度值训练集之间的色彩误差值：
Figure BDA0003551467560000091
其中，ΔL表示明度差异；Δa表示红/绿差异；Δb表示黄/蓝差异。
本发明实施例中，选择所述平均色彩误差值作为评价标准判断所述显示屏色彩空间转换模型是否收敛，例如所述预设评价值为1，当所述平均色彩误差值小于等于1时，将所述更新后的显示屏色彩空间转换模型作为经过训练的显示屏色彩空间转换模型；当所述平均色彩误差值大于1时，需要重新训练所述显示屏色彩空间转换模型直至所述平均色彩误差值小于等于1。
本发明实施例，采用LM算法使得每次迭代不仅按单一的负梯度方向，也允许误差沿着恶化方向进行搜索，同时可以自适应调整优化所述神经网络权值，使所述神经网络能有效收敛，大大提高了所述显示屏色彩空间转换模型的收敛速度和泛化能力。
S3、获取待测显示屏色块的RGB值，测量所述待测显示屏色块的标准色度值，利用所述训练完成的显示屏色彩空间转换模型对所述待测显示屏色块的RGB值进行转换得到测试色度值，计算所述测试色度值与所述标准色度值的色彩偏差值。
本发明实施例中，测量所述待测显示屏色块的标准色度值的方法与所述 S1步骤中测量方法一致，不在此赘述。
本发明实施例中，计算所述测试色度值与所述标准色度值的色彩偏差值的方法与所述S213步骤中计算方法一致，不在此赘述。
S4、根据所述色彩偏差值对所述待测显示屏进行色彩校准。
本发明实施例，对所述色彩偏差值进行数据处理，得到所述显示屏的色彩调整数据，所述显示屏利用所述色彩调整数据对所述显示屏的色彩数据进行校准达到标准色彩数据，进而完成所述显示屏的色彩校准。
本发明实施例利用列文伯格-马夸尔特算法，对基于神经网络预构建的显示屏色彩空间转换模型进行训练，得到训练完成的显示屏色彩空间转换模型，使得每次迭代不仅按单一的负梯度方向，也允许误差沿着恶化方向进行搜索，可以自适应调整优化神经网络权值，使神经网络能有效收敛，大大提高了所述显示屏色彩空间转换模型的收敛速度和泛化能力，从而提升了色彩校准的效率；获取待测显示屏色块的RGB值，测量所述待测显示屏色块的标准色度值，利用所述训练完成的显示屏色彩空间转换模型对所述待测显示屏色块的 RGB值进行转换得到测试色度值，计算所述测试色度值与所述标准色度值的色彩偏差值，根据所述色彩偏差值对所述待测显示屏进行色彩校准，无需对显示屏反复校准测试，简化了校准过程，提升了显示屏色彩校准的效率。因此本发明提出的基于神经网络的色彩校准方法，可以解决进行显示屏色彩校准时的效率较低的问题。
如图4所示，是本发明一实施例提供的基于神经网络的色彩校准装置的功能模块图。
本发明所述基于神经网络的色彩校准装置100可以安装于电子设备中。根据实现的功能，所述基于神经网络的色彩校准装置100可以包括样本数据构建模块101、显示屏色彩空间转换模型训练模块102、色彩偏差值计算模块 103及校准模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述样本数据构建模块101，用于在显示屏显示校准测试画面后，根据预设规则获取训练色块集，获取所述训练色块集的RGB值集，测量所述色块集的标准色度值集，将所述RGB值集及标准色度值集做为样本数据集；
所述显示屏色彩空间转换模型训练模块102，用于根据所述样本数据集，利用列文伯格-马夸尔特算法，对基于神经网络预构建的显示屏色彩空间转换模型进行训练，得到训练完成的显示屏色彩空间转换模型；
所述色彩偏差值计算模块103，用于获取待测显示屏色块的RGB值，测量所述待测显示屏色块的标准色度值，利用所述训练完成的显示屏色彩空间转换模型对所述待测显示屏色块的RGB值进行转换得到测试色度值，计算所述测试色度值与所述标准色度值的色彩偏差值；
所述校准模块104，用于根据所述色彩偏差值对所述待测显示屏进行色彩校准。
详细地，本发明实施例中所述基于神经网络的色彩校准装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于神经网络的色彩校准方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于神经网络的色彩校准方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于神经网络的色彩校准程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于神经网络的色彩校准程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于神经网络的色彩校准程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如 WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘 (Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5 示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于神经网络的色彩校准程序是多个指令的组合，在所述处理器10中运行时，可以实现：
在显示屏显示校准测试画面后，根据预设规则获取训练色块集，获取所述训练色块集的RGB值集，测量所述色块集的标准色度值集，将所述RGB 值集及标准色度值集做为样本数据集；
根据所述样本数据集，利用列文伯格-马夸尔特算法，对基于神经网络预构建的显示屏色彩空间转换模型进行训练，得到训练完成的显示屏色彩空间转换模型；
获取待测显示屏色块的RGB值，测量所述待测显示屏色块的标准色度值，利用所述训练完成的显示屏色彩空间转换模型对所述待测显示屏色块的RGB 值进行转换得到测试色度值，计算所述测试色度值与所述标准色度值的色彩偏差值；
根据所述色彩偏差值对所述待测显示屏进行色彩校准。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
在显示屏显示校准测试画面后，根据预设规则获取训练色块集，获取所述训练色块集的RGB值集，测量所述色块集的标准色度值集，将所述RGB 值集及标准色度值集做为样本数据集；
根据所述样本数据集，利用列文伯格-马夸尔特算法，对基于神经网络预构建的显示屏色彩空间转换模型进行训练，得到训练完成的显示屏色彩空间转换模型；
获取待测显示屏色块的RGB值，测量所述待测显示屏色块的标准色度值，利用所述训练完成的显示屏色彩空间转换模型对所述待测显示屏色块的RGB 值进行转换得到测试色度值，计算所述测试色度值与所述标准色度值的色彩偏差值；
根据所述色彩偏差值对所述待测显示屏进行色彩校准。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于神经网络的视觉色彩校准方法，其特征在于，所述方法包括：
在显示屏显示校准测试画面后，根据预设规则获取训练色块集，获取所述训练色块集的RGB值集，测量所述色块集的标准色度值集，将所述RGB值集及标准色度值集做为样本数据集；
根据所述样本数据集，利用列文伯格-马夸尔特算法，对基于神经网络预构建的显示屏色彩空间转换模型进行训练，得到训练完成的显示屏色彩空间转换模型；
获取待测显示屏色块的RGB值，测量所述待测显示屏色块的标准色度值，利用所述训练完成的显示屏色彩空间转换模型对所述待测显示屏色块的RGB值进行转换得到测试色度值，计算所述测试色度值与所述标准色度值的色彩偏差值；
根据所述色彩偏差值对所述待测显示屏进行色彩校准。
2.如权利要求1所述的基于神经网络的色彩校准方法，其特征在于，所述根据预设规则获取训练色块集，获取所述训练色块集的RGB值集，测量所述色块集的标准色度值集，将所述RGB值集及标准色度值集做为样本数据集，包括：
将所述显示屏的RGB数字驱动值按照第一预设数量进行均分，得到第一均分RGB数字驱动值，根据所述第一均分RGB数字驱动值，利用预设的色块产生程序生成训练色块级集，获取所述训练色块集的RGB值训练集；
利用分光光度仪测量所述训练色块集对应的标准色度值，得到标准色度值训练集；
将所述显示屏的RGB数字驱动值按照第二预设数量进行均分，得到第二均分RGB数字驱动值，根据所述第二均分RGB数字驱动值，利用所述色块产生程序生成验证色块级集，获取所述验证色块集的RGB值验证集；
利用所述分光光度仪测量所述验证色块集对应的标准色度值，得到标准色度值验证集；
将所述RGB值训练集及所述标准色度值训练集作为样本数据集的训练集，将所述RGB值验证集及所述标准色度值验证集作为样本数据集的验证集。
3.如权利要求2所述的基于神经网络的色彩校准方法，其特征在于，所述根据所述样本数据集，利用列文伯格-马夸尔特算法，对基于神经网络预构建的显示屏色彩空间转换模型进行训练，得到训练完成的显示屏色彩空间转换模型，包括：
根据所述样本数据集中的训练集，利用列文伯格-马夸尔特算法调整所述基于神经网络预构建的显示屏色彩空间转换模型的参数，对所述显示屏色彩空间转换模型进行迭代训练，得到经过训练的显示屏色彩空间转换模型；
利用所述样本数据集中的验证集对所述经过训练的显示屏色彩空间转换模型进行测试及调整，得到训练完成的显示屏色彩空间转换模型。
4.如权利要求3所述的基于神经网络的色彩校准方法，其特征在于，所述根据所述样本数据集中的训练集，利用列文伯格-马夸尔特算法调整所述基于神经网络预构建的显示屏色彩空间转换模型的参数，对所述显示屏色彩空间转换模型进行迭代训练，得到经过训练的显示屏色彩空间转换模型，包括：
对所述样本数据集中的训练集进行归一化处理，得到归一化训练集；
利用所述显示屏色彩空间转换模型中的计算神经元对所述归一化训练集其中一个样本进行计算，得到对应的训练色度值集；
计算所述训练色度值集与所述标准色度值训练集之间的色彩误差值；
利用列文伯格-马夸尔特算法，最小化所述色彩误差值，得到所述显示屏色彩空间转换模型的更新参数，利用所述更新参数反向更新所述显示屏色彩空间转换模型，得到更新的所述显示屏色彩空间转换模型；
计算所述训练集中所有样本对应的色彩误差值的平均色彩误差值，判断所述平均色彩误差值是否满足预设评价值；
当所述平均色彩误差值不满足所述预设评价值，返回所述利用所述显示屏色彩空间转换模型中的计算神经元对所述归一化训练集其中一个样本进行计算，得到对应的训练色度值集的步骤，对所述显示屏色彩空间转换模型参数进一步优化；
当所述平均色彩误差值满足所述预设评价值，则得到更新后的显示屏色彩空间转换模型，将所述更新后的显示屏色彩空间转换模型作为经过训练的显示屏色彩空间转换模型。
5.如权利要求4所述的基于神经网络的色彩校准方法，其特征在于，所述计算所述训练色度值集与所述标准色度值训练集之间的色彩误差值，包括：
利用如下公式计算所述训练色度值集与所述标准色度值训练集之间的色彩误差值：
Figure FDA0003551467550000031
其中，ΔL表示明度差异；Δa表示红/绿差异；Δb表示黄/蓝差异。
6.如权利要求1至5中任一项所述的基于神经网络的色彩校准方法，其特征在于，所述根据所述样本数据集，利用列文伯格-马夸尔特算法，对基于神经网络预构建的显示屏色彩空间转换模型进行训练，得到训练完成的显示屏色彩空间转换模型之前，所述方法还包括：
构建显示屏色彩空间转换模型的输入层、隐含层、输出层；
分别确定所述输入层、所述隐含层及所述输出层的节点数及所述隐含层的层数；
将正切双弯曲转移函数作为隐含层的激活函数，将线性函数作为输出层的激活函数。
7.如权利要求1所述的基于神经网络的色彩校准方法，其特征在于，所述在显示屏显示校准测试画面之前，所述方法还包括：
根据预设的显示屏校准操作对所述显示屏进行校准，并生成设备色彩特性文件，将所述设备色彩特性文件设置为所述显示屏系统的配置文件；
对所述显示屏进行白场测试，保证所述显示屏时间稳定性、空间均匀性、通道独立性及图像稳定性满足预设的标准。
8.一种基于神经网络的色彩校准装置，其特征在于，所述装置包括：
样本数据构建模块，用于在显示屏显示校准测试画面后，根据预设规则获取训练色块集，获取所述训练色块集的RGB值集，测量所述色块集的标准色度值集，将所述RGB值集及标准色度值集做为样本数据集；
显示屏色彩空间转换模型训练模块，用于根据所述样本数据集，利用列文伯格-马夸尔特算法，对基于神经网络预构建的显示屏色彩空间转换模型进行训练，得到训练完成的显示屏色彩空间转换模型；
色彩偏差值计算模块，用于获取待测显示屏色块的RGB值，测量所述待测显示屏色块的标准色度值，利用所述训练完成的显示屏色彩空间转换模型对所述待测显示屏色块的RGB值进行转换得到测试色度值，计算所述测试色度值与所述标准色度值的色彩偏差值；
校准模块，用于根据所述色彩偏差值对所述待测显示屏进行色彩校准。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于神经网络的色彩校准方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于神经网络的色彩校准方法。
CN202210263105.0A 2022-03-17 2022-03-17 一种tft显示屏的视觉色彩校准方法 Pending CN114512085A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210263105.0A CN114512085A (zh) 2022-03-17 2022-03-17 一种tft显示屏的视觉色彩校准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210263105.0A CN114512085A (zh) 2022-03-17 2022-03-17 一种tft显示屏的视觉色彩校准方法

Publications (1)

Publication Number Publication Date
CN114512085A true CN114512085A (zh) 2022-05-17

Family

ID=81554145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210263105.0A Pending CN114512085A (zh) 2022-03-17 2022-03-17 一种tft显示屏的视觉色彩校准方法

Country Status (1)

Country Link
CN (1) CN114512085A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116453438A (zh) * 2023-06-19 2023-07-18 深圳市瑞桔电子有限公司 一种显示屏参数检测方法、装置、设备及存储介质
WO2024000473A1 (zh) * 2022-06-30 2024-01-04 京东方科技集团股份有限公司 色彩校正模型的生成方法、校正方法及装置、介质、设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859117A (zh) * 2018-12-30 2019-06-07 南京航空航天大学 一种采用神经网络直接校正rgb值的图像颜色校正方法
WO2019203499A1 (ko) * 2018-04-17 2019-10-24 삼성전자주식회사 전자 장치 및 전자 장치의 제어 방법
CN110475043A (zh) * 2019-07-31 2019-11-19 西安工程大学 一种CMYK到Lab颜色空间的转换方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019203499A1 (ko) * 2018-04-17 2019-10-24 삼성전자주식회사 전자 장치 및 전자 장치의 제어 방법
CN109859117A (zh) * 2018-12-30 2019-06-07 南京航空航天大学 一种采用神经网络直接校正rgb值的图像颜色校正方法
CN110475043A (zh) * 2019-07-31 2019-11-19 西安工程大学 一种CMYK到Lab颜色空间的转换方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024000473A1 (zh) * 2022-06-30 2024-01-04 京东方科技集团股份有限公司 色彩校正模型的生成方法、校正方法及装置、介质、设备
CN116453438A (zh) * 2023-06-19 2023-07-18 深圳市瑞桔电子有限公司 一种显示屏参数检测方法、装置、设备及存储介质
CN116453438B (zh) * 2023-06-19 2023-08-18 深圳市瑞桔电子有限公司 一种显示屏参数检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN114512085A (zh) 一种tft显示屏的视觉色彩校准方法
CN115547270B (zh) 基于光谱分析的色差调整方法、装置、设备及存储介质
CN109817152A (zh) 屏幕亮度调节方法及相关产品
CN107346653B (zh) 一种基于深度学习的gamma曲线调校方法及装置
US11410412B2 (en) Anti-counterfeiting method and system for under-screen fingerprint identification
CN113467739B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN113610934B (zh) 图像亮度调整方法、装置、设备及存储介质
CN113495709A (zh) 色彩校正方法、ap芯片、终端和存储介质
CN115311167B (zh) 基于多色光线的色域控制方法、装置、设备及存储介质
KR20230099610A (ko) 스크린 광 누설량을 추정하는 방법, 장치 및 전자기기
CN114494800B (zh) 预测模型训练方法、装置、电子设备及存储介质
CN109729333A (zh) 色彩空间映射方法、装置、计算机可读存储介质及系统
CN112016621B (zh) 分类模型的训练方法、颜色的分类方法及电子设备
CN117320219A (zh) 一种无荧光粉多基色led灯照明控制方法及系统
US20210004699A1 (en) Learning apparatus, inferring apparatus, learning method, program, and inferring method
CN117315369A (zh) 基于神经网络的眼底病分类方法及装置
CN115278186B (zh) 基于物联网的可控制均匀投影方法、装置、设备及介质
CN110896466B (zh) 一种显示装置的白平衡调整方法及系统
CN116303677A (zh) 基于数据分布均衡度的衡量方法、装置、设备及存储介质
CN116168658A (zh) 基于径向反射的lcd色差调整方法、装置、设备及介质
CN116187470A (zh) 舌诊图像的颜色校正模型训练方法、颜色校正方法及设备
CN112801216B (zh) 波长补偿方法、装置、计算机设备和存储介质
CN118130056B (zh) Lcd显示系统性能测试方法、装置、设备及存储介质
CN118037868B (zh) 基于图像处理的高色域显示屏质量快速检测方法及系统
CN116109501B (zh) 低照度图像序列增强方法、装置、电子设备以及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20220517

RJ01 Rejection of invention patent application after publication