[发明专利]一种基于深度学习的GAMMA曲线调校方法及装置

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。