[发明专利]一种基于深度学习的GAMMA曲线调校方法及装置有效

专利信息
申请号: 201710504489.X 申请日: 2017-06-28
公开(公告)号: CN107346653B 公开(公告)日: 2021-05-07
发明(设计)人: 郑增强;许恩;张胜森;阳芬;饶兴;刘钊;李苗;游维平;邓标华;刘荣华;沈亚非 申请(专利权)人: 武汉精测电子集团股份有限公司
主分类号: G09G3/3208 分类号: G09G3/3208
代理公司: 暂无信息 代理人: 暂无信息
地址: 430070 湖北省武汉*** 国省代码: 湖北;42
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 深度 学习 gamma 曲线 调校 方法 装置
【权利要求书】:

1.一种基于深度学习的GAMMA曲线调校方法,用于对OLED模组进行GAMMA曲线调校,其特征在于,该方法包括以下步骤:

1)提供一包含目标GAMMA绑点的多个第一初始亮度值、或/和多个第一初始色度值及与每个该第一初始亮度值、或/和每个该第一初始色度值相对应的多个RGB寄存器配置值的GAMMA数据模型;

2)采集该OLED模组的该目标GAMMA绑点的第二初始亮度值、或/和第二初始色度值,并将该第二初始亮度值、或/和第二初始色度值与每个该第一初始亮度值、或/和每个该第一初始色度值进行比较,得到与该第二初始亮度值、或/和该第二初始色度值的误差最小的第一初始亮度值、或/和第一初始色度值;则,

该误差最小的第一初始亮度值、或/和第一初始色度值对应的RGB寄存器配置值即为该目标GAMMA绑点的RGB寄存器配置值。

2.根据权利要求1所述的GAMMA曲线调校方法,其特征在于,训练该GAMMA数据模型包括以下步骤:

11)获得包含该目标GAMMA绑点的该多个第一初始亮度值、或/和该多个第一初始色度值及该多个RGB寄存器配置值的数据集;

12)将该多个第一初始亮度值、或/和该多个第一初始色度值作为输入值,该多个RGB寄存器配置值作为输出值,利用卷积神经网络对该数据集进行训练,得到该GAMMA数据模型。

3.根据权利要求2所述的GAMMA曲线调校方法,其特征在于,该数据集的获取步骤包括:

获得该目标GAMMA绑点的所有R、G、B寄存器值组合对应的亮度值、或/和色度值,并取与该目标GAMMA绑点的目标亮度值、或/和目标色度值的误差最小的亮度值、或/和色度值作为第一初始亮度值、或/和第一初始色度值,取与该误差最小的亮度值、或/和色度值对应的R、G、B寄存器值组合作为RGB寄存器配置值。

4.根据权利要求2所述的GAMMA曲线调校方法,其特征在于,该数据集的获取步骤包括:

采用CIE标准色度学系统获得该目标GAMMA绑点的所有亮度值、或/和色度值,并取与该目标GAMMA绑点的目标亮度值、或/和目标色度值的误差最小的亮度值、或/和色度值作为第一初始亮度值、或/和第一初始色度值,取与该误差最小的亮度值、或/和色度值对应的R、G、B寄存器值组合作为RGB寄存器配置值。

5.根据权利要求2所述的GAMMA曲线调校方法,其特征在于,该GAMMA数据模型包含每个该第一初始亮度值、或/和每个该第一初始色度值与每个该RGB寄存器配置值对应关系的网络权重。

6.根据权利要求5所述的GAMMA曲线调校方法,其特征在于,利用神经网络框架训练该数据集获得该目标GAMMA绑点的网络权重。

7.一种基于深度学习的GAMMA曲线调校方法,用于对OLED模组进行GAMMA曲线调校,其特征在于,该方法包括以下步骤:

1)提供一包含目标GAMMA绑点的多个第一初始亮度值、或/和多个第一初始色度值及与每个该第一初始亮度值、或/和每个该第一初始色度值相对应的多个RGB寄存器配置值的GAMMA数据模型;

2)采集该OLED模组的该目标GAMMA绑点的第二初始亮度值、或/和第二初始色度值,并将该第二初始亮度值、或/和第二初始色度值与每个该第一初始亮度值、或/和每个该第一初始色度值进行比较,得到最小误差的第一初始亮度值、或/和第一初始色度值;

若该最小误差在目标误差范围内,则该最小误差的第一初始亮度值、或/和第一初始色度值对应的RGB寄存器配置值即为该目标GAMMA绑点的RGB寄存器配置值;

若该最小误差在目标误差范围以外,则根据最高灰阶亮度值、最低灰阶亮度值及亮度-灰阶公式获得该目标GAMMA绑点的目标亮度值、或/和目标色度值,并通过调节R、G、B寄存器值得到该目标GAMMA绑点的目标亮度值、或/和目标色度值对应的RGB寄存器配置值。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于武汉精测电子集团股份有限公司,未经武汉精测电子集团股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201710504489.X/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top