一种基于BPNN的快速Gamma校正方法及装置制造方法及图纸

本发明专利技术公开了一种基于BPNN的快速Gamma校正方法及装置，包括训练BPNN模型获得初始值预测模型、利用初始值预测模型预测寄存器初始值、确定寄存器值校正模型并通过该模型预测确定RGB寄存器校正值的步骤；这种基于数据的Gamma校正方法及装置，通过反向传播神经网络训练出模型，基于训练出的模型进行预测，采集少数测试样本的数据，输入到训练好的BPNN模型里去，BPNN模型根据这些数据确定测试样本的特性，该特性既区别于测试样本，又可以联系训练样本，使得寄存器初始值以及精确值的确定既简单高效，能够做出精确地预测；其所训练好的模型具有自主学习能力以及预测能力，有效克服了传统算法获取初始值困难、逼近算法校正耗时较长的问题，能快速地对panel进Gamma校正，提升了准确性和效率。

A Fast Gamma Correction Method and Device Based on BPNN

The invention discloses a fast Gamma correction method and device based on BPNN, which includes training BPNN model to obtain initial value prediction model, using initial value prediction model to predict initial value of registers, determining register value correction model and predicting RGB register correction value through the model, and the steps of data-based Gamma correction method and device through back propagation neural network. Network training model, based on the training model to predict, collect a small number of test sample data, input into the trained BPNN model, BPNN model based on these data to determine the characteristics of the test sample, which is different from the test sample, but also can contact the training sample, so that the determination of register initial value and accurate value is simple and efficient, and can make accurate. Prediction; The trained model has the ability of autonomous learning and prediction, which effectively overcomes the difficulty of obtaining initial value by traditional algorithm and the time-consuming problem of approximation algorithm correction. It can quickly carry out Gamma correction on panel and improve the accuracy and efficiency.

【技术实现步骤摘要】
一种基于BPNN的快速Gamma校正方法及装置
本专利技术属于机器学习与图像处理
，更具体地，涉及一种基于BPNN的快速Gamma校正方法及装置。
技术介绍
Gamma校正是普遍应用在摄影技术、视频图像和计算机图形学中的一种技术；Gamma是指表征灰度的电信号与光学亮度之间的非线性，这种非线性通常由器件本征的光电特性决定。在生产制造中，由于工艺的偏差以及所使用的材料不同，驱动OLED器件的Gamma电压曲线有所不同，这给Gamma校正带来了相当的难度。Gamma校正是指更改Gamma值以匹配监视器的中间灰度；参照图1，现有Gamma校正流程包括开始校正、获取RGB寄存器初始值、采用逼近算法获取寄存器精确值、获取误差及校正时长。当前确定寄存器值初始值的方法主要有两种，一是平均值法，先调好若干个panel的Gamma确定合适的寄存器值，将这些寄存器值取平均作为初始值，如果待测panel所需的初始值与这个平均值差异较大则需要重新调另一批panel以获取新的初始值，这样会大大的增加工作量；二是将上一片调好Gamma的panel的寄存器值作为下一个待测panel的初始值；这种方法中，如果前一个调试好的panel与后一个待调试的panel特性差异较大的话，会对后续的调节产生较大的影响。当前确定寄存器精确值的方法为逼近算法，逼近步长的选择是该方法的难点：步长太长，精度达不到要求；步长太短，效率低下；当前算法是试探性的去确定，每个绑点的校正次数较多(现有算法平均6-7次)，导致校正耗时较长，超出了用户对校正耗时的要求(用户要求校正次数不超过4次)。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于BPNN(BackPropagationNeuralNet，反向传播神经网络)的快速Gamma校正方法及装置，其目的在于解决现有技术获取寄存器初始值困难、确定寄存器精确值耗时较长的问题。为实现上述目的，按照本专利技术的一个方面，提供了一种基于BPNN的快速Gamma校正方法，包括如下步骤：(1)以模组的颜色坐标以及亮度作为输入、以模组RGB寄存器值作为输出训练BPNN模型获得初始值预测模型；(2)将用户给定的颜色坐标以及亮度值作为所述初始值预测模型的输入，预测获得若干组寄存器值；采用这若干组寄存器值设置作为测试样本的模组，将测试样本的颜色坐标以及亮度值实测值中最接近设定值的一个组所对应的RGB寄存器作为测试样本RGB寄存器值的初始值；(3)根据训练样本的颜色坐标和亮度构成第一矩阵、RGB寄存器值构成第二矩阵、由第一矩阵中的元素与基准值的差值过构成第三矩阵、由第二矩阵中的元素与基准值的差值过构成第四矩阵；并以第一、第三矩阵作为输入、第二、第四矩阵作为输出训练BPPN模型，获得寄存器值校正模型；(4)以所述RGB寄存器值的初始值作为所述寄存器值校正模型的输入，将该寄存器值校正模型的输出作为RGB寄存器的校正值。优选地，上述基于BPNN的快速Gamma校正方法，其步骤(1)具体为：选择N个模组作为训练样本，将这N个训练样本随机分成m个块，每块训练样本包含N/m个训练样本；将每块训练样本的数据包括模组的颜色坐标以及亮度作为输入、模组的寄存器值作为输出，对BPNN模型进行训练获得m个初始值预测模型。(2)利用初始值预测模型预测确定寄存器初始值，具体如下：(2.1)将用户给定的颜色坐标以及亮度值作为初始值预测模型的输入，通步骤(1)所生成的模型的输入，预测出m组寄存器值；(2.2)将这m组寄存器值分别写入测试样本，读取m组模组的颜色坐标以及亮度值。(2.3)将这m组颜色坐标以及亮度值与用户给定的值作比较，从这m组中选择最接近用户给定值的一组，将这一组对应的寄存器值作为测试样本RGB寄存器值的初始值。(3)确定寄存器值校正模型并利用该模型确定校正值；(3.1)采集训练样本数据，并构建两个矩阵：由模组的颜色坐标和亮度构成的第一矩阵A，由模组的寄存器值构成的第二矩阵B；(3.2)对于第一矩阵A，以矩阵中间行当做基准，其它行减去这个基准，得到一组颜色坐标和亮度的Δ值，这组值构成第三矩阵ΔA；采用同样的方法对第二矩阵B进行处理得到第四矩阵ΔB；(3.3)以(A，ΔA)作为输入、(B，ΔB)作为输出，利用BPNN训练模型，获得寄存器值校正模型。优选地，上述基于BPNN的快速Gamma校正方法，其步骤(4)包括如下子步骤：(4.1)将步骤(2)获得的寄存器初始值写入模组，利用CA-310采集该模组的颜色坐标以及亮度xylv，将所述模组颜色坐标以及亮度减去用户给定的值，得到一组差值Δxylv；(4.2)将模组颜色坐标以及亮度采集值xylv与差值Δxylv作为寄存器值校正模型的输入，预测出寄存器值rgb以及寄存器值差值Δrgb，将寄存器值rgb以及寄存器值差值Δrgb进行结合得到寄存器值的校正值(rgb+Δrgb)；这个校正的寄存器值是在初始值基础之上进行校正直至达到误差范围之内，所得到的精确值。为实现上述目的，按照本专利技术的令一个方面，提供了一种基于BPNN的快速Gamma校正装置，包括初始值预测模型训练单元、RGB寄存器值初始值获取单元、寄存器值校正模型训练单元以及RGB寄存器校正值获取单元；其中，初始值预测模型训练单元用于以模组的颜色坐标以及亮度作为输入、以模组RGB寄存器值作为输出训练BPNN模型获得初始值预测模型；RGB寄存器值初始值获取单元用于将用户给定的颜色坐标以及亮度值作为所述初始值预测模型的输入，预测获得若干组寄存器值；采用这若干组寄存器值来设置作为测试样本的模组，将测试样本的颜色坐标以及亮度值实测值中最接近设定值的一个组所对应的RGB寄存器作为测试样本RGB寄存器值的初始值；寄存器值校正模型训练单元用于根据训练样本的颜色坐标和亮度构成第一矩阵、RGB寄存器值构成第二矩阵、由第一矩阵中的元素与基准值的差值过构成第三矩阵、由第二矩阵中的元素与基准值的差值过构成第四矩阵；并以第一、第三矩阵作为输入、以第二、第四矩阵作为输出训练BPPN模型，获得寄存器值校正模型；RGB寄存器校正值获取单元将测试样本RGB寄存器值的初始值作为所述寄存器值校正模型的输入，将所述寄存器值校正模型的输出作为RGB寄存器的校正值。优选的，上述的快速Gamma校正装置，其初始值预测模型训练单元根据以下方法训练获得初始值预测模型：选择N个模组作为训练样本，将这N个训练样本随机分成m个块，每块训练样本包含N/m个训练样本；将每块训练样本的数据包括模组的颜色坐标以及亮度作为输入、模组的寄存器值作为输出，对BPNN模型进行训练获得m个初始值预测模型；其中，N、m、N/m为自然数。优选的，上述的快速Gamma校正装置，其RGB寄存器值初始值获取单元根据以下方法确定测试样本RGB寄存器值的初始值：(2.1)将用户给定的颜色坐标以及亮度值作为输入，通过所述初始值预测模型预测出m组寄存器值；(2.2)将所述m组寄存器值分别写入测试样本，读取m组模组的颜色坐标以及亮度值；(2.3)将所述m组颜色坐标以及亮度值与用户给定的值作比较，从这m组中选择最接近用户给定值的一组，将这一组对应的寄存器值作为测试样本RGB寄存器值的初始值。优选的，上述的快速Gamma校正装置，本文档来自技高网...

【技术保护点】
1.一种基于BPNN的快速Gamma校正方法，其特征在于，包括如下步骤：(1)以模组的颜色坐标以及亮度作为输入、以模组RGB寄存器值作为输出训练BPNN模型获得初始值预测模型；(2)将用户给定的颜色坐标以及亮度值作为所述初始值预测模型的输入，预测获得若干组寄存器值；采用这若干组寄存器值来设置作为测试样本的模组，将测试样本的颜色坐标以及亮度值实测值中最接近设定值的一个组所对应的RGB寄存器作为测试样本RGB寄存器值的初始值；(3)根据训练样本的颜色坐标和亮度构成第一矩阵、RGB寄存器值构成第二矩阵、由第一矩阵中的元素与基准值的差值过构成第三矩阵、由第二矩阵中的元素与基准值的差值过构成第四矩阵；并以第一、第三矩阵作为输入、以第二、第四矩阵作为输出训练BPPN模型，获得寄存器值校正模型；(4)以所述RGB寄存器值的初始值作为所述寄存器值校正模型的输入，将所述寄存器值校正模型的输出作为RGB寄存器的校正值。

【技术特征摘要】
1.一种基于BPNN的快速Gamma校正方法，其特征在于，包括如下步骤：(1)以模组的颜色坐标以及亮度作为输入、以模组RGB寄存器值作为输出训练BPNN模型获得初始值预测模型；(2)将用户给定的颜色坐标以及亮度值作为所述初始值预测模型的输入，预测获得若干组寄存器值；采用这若干组寄存器值来设置作为测试样本的模组，将测试样本的颜色坐标以及亮度值实测值中最接近设定值的一个组所对应的RGB寄存器作为测试样本RGB寄存器值的初始值；(3)根据训练样本的颜色坐标和亮度构成第一矩阵、RGB寄存器值构成第二矩阵、由第一矩阵中的元素与基准值的差值过构成第三矩阵、由第二矩阵中的元素与基准值的差值过构成第四矩阵；并以第一、第三矩阵作为输入、以第二、第四矩阵作为输出训练BPPN模型，获得寄存器值校正模型；(4)以所述RGB寄存器值的初始值作为所述寄存器值校正模型的输入，将所述寄存器值校正模型的输出作为RGB寄存器的校正值。2.如权利要求1所述的快速Gamma校正方法,其特征在于，所述步骤(1)具体为：选择N个模组作为训练样本，将这N个训练样本随机分成m个块，每块训练样本包含N/m个训练样本；将每块训练样本的数据包括模组的颜色坐标以及亮度作为输入、模组的寄存器值作为输出，对BPNN模型进行训练获得m个初始值预测模型；其中，N、m、N/m为自然数。3.如权利要求1或2所述的快速Gamma校正方法,其特征在于，所述步骤(2)包括如下子步骤：(2.1)将用户给定的颜色坐标以及亮度值作为输入，通过所述初始值预测模型预测出m组寄存器值；(2.2)将所述m组寄存器值分别写入测试样本，读取m组模组的颜色坐标以及亮度值；(2.3)将所述m组颜色坐标以及亮度值与用户给定的值作比较，从这m组中选择最接近用户给定值的一组，将这一组对应的寄存器值作为测试样本RGB寄存器值的初始值。4.如权利要求1或2所述的快速Gamma校正方法,其特征在于，所述步骤(3)包括如下子步骤：(3.1)采集训练样本数据，并构建两个矩阵：由模组的颜色坐标和亮度构成的第一矩阵A，由模组的寄存器值构成的第二矩阵B；(3.2)对于第一矩阵A，以矩阵中间行当做基准，其它行减去这个基准，得到一组颜色坐标和亮度与基准值的差值Δ，这组差值Δ构成第三矩阵ΔA；采用同样的方法对第二矩阵B进行处理得到第四矩阵ΔB；(3.3)以(A，ΔA)作为输入、(B，ΔB)作为输出训练BPPN模型，获得寄存器值校正模型。5.如权利要求1或2所述的快速Gamma校正方法,其特征在于，所述步骤(4)包括如下子步骤：(4.1)将步骤(2)获得的寄存器初始值写入模组，采集所述模组颜色坐标以及亮度xylv，将所述模组颜色坐标以及亮度减去用户给定的值，得到一组差值Δxylv；(4.2)将模组颜色坐标以及亮度采集值xylv与差值Δxylv作为寄存器值校正模型的输入，预测出寄存器值rgb以及寄存器值差值Δrgb，将寄存器值rgb以及寄存器值差值Δrgb进行结合得到寄存器值的校正值(rgb+Δrgb)。6.一种基于BPNN的快速Gamma校正装置，其特征在于，包括初始值预测模型训练单元、RGB寄存器值初始值获取单元、寄存器值校正模型训练单元以及RGB寄存器校正值获取单元；所述初始值预测模型训练单元用于以...

【专利技术属性】
技术研发人员：阮彦浪，张胜森，郑增强，唐斐，
申请(专利权)人：武汉精测电子集团股份有限公司，
类型：发明
国别省市：湖北,42