显示屏逐点校正前的处理方法、装置、设备及存储介质与流程

1.本发明涉及显示技术领域，特别是涉及一种显示屏逐点校正前的处理方法、装置、设备及存储介质。


背景技术：

2.目前，传统对led或amoled显示屏做逐点校正前(尤其低灰)，在焦距设定好的条件下，为了让每个像素不沾粘且饱和度与成像大小都合适，必须对镜头的光圈、曝光时间(快门)、相机与显示屏距离、焦距等做来回的调整，架设时间非常的冗长。
3.例如传统拍摄低灰有用像素阵列亮度的资讯，在焦距确定下，若蓝色饱和度不足会增加曝光时间或增大光圈以达到合适的饱和度，但是这样容易造成蓝色成像大小过头，此时又要降低曝光时间或增大光圈，如此来回调整曝光时间或光圈，直至蓝色像素不沾粘且饱和度与成像大小皆合适。接着绿色与红色皆要重复上面调整硬件光学参数，直至绿色像素和红色像素不沾粘且饱和度与成像大小皆合适。这样因红色、绿色、蓝色像素最后皆要不沾粘，且个别的饱和度与成像大小皆要在合适范围内，导致架设时间极为冗长。
4.因此，如何解决显示屏逐点校正前架设时间冗长的问题，是本领域技术人员亟待解决的技术问题。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种显示屏逐点校正前的处理方法、装置、设备及存储介质，可以在对显示屏幕做逐点校正前，增加对获取合适成像的容忍度，减小架设好拍照环境的冗长时间。其具体方案如下：
6.一种显示屏逐点校正前的处理方法，包括：
7.在不同影响因子下，获取原始像素图像亮度阵列以及硬件调整后对应的实际像素图像亮度阵列，生成训练样本集；
8.以所述原始像素图像亮度阵列为输入，以所述实际像素图像亮度阵列为输出，构建用于去除像素图像亮度分布中无效讯息的卷积神经网络模型；
9.利用所述训练样本集对所述卷积神经网络模型进行训练，直至网络收敛；
10.将待处理像素图像亮度阵列输入至训练好的所述卷积神经网络模型进行处理，输出有效像素图像亮度阵列资讯。
11.优选地，在本发明实施例提供的上述显示屏逐点校正前的处理方法中，所述影响因子包括镜头的光圈大小、曝光时间、相机与显示屏之间的拍摄距离、相机的焦距、灯珠形态中的任意种。
12.优选地，在本发明实施例提供的上述显示屏逐点校正前的处理方法中，利用所述训练样本集对所述卷积神经网络模型进行训练，包括：
13.将所述原始像素图像亮度阵列输入至所述卷积神经网络模型中；
14.将所述原始像素图像亮度阵列与相应的多个卷积层进行卷积运算，得到像素亮度
特征矩阵；
15.将所述像素亮度特征矩阵进行池化运算，得到目标像素亮度特征矩阵；
16.通过激活函数对所述目标像素亮度特征矩阵进行非线性映射，得到对应的所述实际像素图像亮度阵列。
17.优选地，在本发明实施例提供的上述显示屏逐点校正前的处理方法中，在进行卷积运算的同时，还包括：
18.对所述卷积层的卷积核数值进行多次调整，直至损失函数收敛，得到所述影响因子对应的最佳卷积核数值；所述卷积层的卷积核数值的分布是矩阵内的中间值为最大值，围绕所述中间值的周围值小于所述中间值。
19.优选地，在本发明实施例提供的上述显示屏逐点校正前的处理方法中，在将所述原始像素图像亮度阵列与相应的多个卷积层进行卷积运算之前，还包括：
20.将所述原始像素图像亮度阵列进行扩展，得到扩展后的第一矩阵；
21.相应的，将所述原始像素图像亮度阵列与相应的多个卷积层进行卷积运算，包括：
22.将所述扩展后的第一矩阵与相应的多个卷积层进行卷积运算。
23.优选地，在本发明实施例提供的上述显示屏逐点校正前的处理方法中，在将所述像素亮度特征矩阵进行池化运算之前，还包括：
24.将所述像素亮度特征矩阵进行扩展，得到扩展后的第二矩阵；
25.相应的，将所述像素亮度特征矩阵进行池化运算，包括：
26.将所述扩展后的第二矩阵进行池化运算。
27.优选地，在本发明实施例提供的上述显示屏逐点校正前的处理方法中，所述激活函数的表达式为：
[0028][0029]
其中，z表示所述目标像素亮度特征矩阵中的数值，z表示所述卷积神经网络模型输出的像素亮度像素图像亮度阵列中的数值。
[0030]
本发明实施例还提供了一种显示屏逐点校正前的处理装置，包括：
[0031]
样本生成模块，用于在不同影响因子下，获取原始像素图像亮度阵列以及硬件调整后对应的实际像素图像亮度阵列，生成训练样本集；
[0032]
模型构建模块，用于以所述原始像素图像亮度阵列为输入，以所述实际像素图像亮度阵列为输出，构建用于去除像素图像亮度分布中无效讯息的卷积神经网络模型；
[0033]
模型训练模块，用于利用所述训练样本集对所述卷积神经网络模型进行训练，直至网络收敛；
[0034]
处理模块，用于将待处理像素图像亮度阵列输入至训练好的所述卷积神经网络模型进行处理，输出有效像素图像亮度阵列资讯。
[0035]
本发明实施例还提供了一种显示屏逐点校正前的处理设备，包括处理器和存储器，其中，所述处理器执行所述存储器中存储的计算机程序时实现如本发明实施例提供的上述显示屏逐点校正前的处理方法。
[0036]
本发明实施例还提供了一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如本发明实施例提供的上述显示屏逐点校正前的处理
方法。
[0037]
从上述技术方案可以看出，本发明所提供的一种显示屏逐点校正前的处理方法，包括：在不同影响因子下，获取原始像素图像亮度阵列以及硬件调整后对应的实际像素图像亮度阵列，生成训练样本集；以原始像素图像亮度阵列为输入，以实际像素图像亮度阵列为输出，构建用于去除像素图像亮度分布中无效讯息的卷积神经网络模型；利用训练样本集对卷积神经网络模型进行训练，直至网络收敛；将待处理像素图像亮度阵列输入至训练好的卷积神经网络模型进行处理，输出有效像素图像亮度阵列资讯。
[0038]
本发明提供的上述显示屏逐点校正前的处理方法，利用神经网络算法的方式，构建并训练卷积神经网络模型，把相机捕捉到的像素阵列以算法的方式将无效讯息扣除，进而在对显示屏幕做逐点校正前，增加对获取合适成像的容忍度，减小架设好拍照环境的冗长时间，无需靠传统的硬件光学参数调整，就可以快速获得容忍度较大的图像。
[0039]
此外，本发明还针对显示屏逐点校正前的处理方法提供了相应的装置、设备及计算机可读存储介质，进一步使得上述方法更具有实用性，该装置、设备及计算机可读存储介质具有相应的优点。
附图说明
[0040]
为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0041]
图1为本发明实施例提供的显示屏逐点校正前的处理方法的流程图；
[0042]
图2为本发明实施例提供的显示屏逐点校正前的处理方法的原理示意图；
[0043]
图3为本发明实施例提供的不同曝光时间与实际像素图像亮度阵列之间的关系示意图；
[0044]
图4为本发明实施例提供的不同光圈大小与实际像素图像亮度阵列之间的关系示意图；
[0045]
图5为本发明实施例提供的显示屏逐点校正前的处理装置的结构示意图。
具体实施方式
[0046]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0047]
本发明提供一种显示屏逐点校正前的处理方法，如图1所示，包括以下步骤：
[0048]
s101、在不同影响因子下，获取原始像素图像亮度阵列以及硬件调整后对应的实际像素图像亮度阵列，生成训练样本集；
[0049]
具体地，影响因子可以包括镜头的光圈大小、曝光时间、相机与显示屏之间的拍摄距离、相机的焦距、灯珠形态中的任意种。在实际应用中，这里的显示屏可以为led或amoled或其它显示屏。
[0050]
上述原始像素图像亮度阵列是硬件未调整前得到的像素图像亮度阵列，即未调整好光学参数的原始像素图像亮度阵列。它包括红色像素图像亮度阵列、绿色像素图像亮度阵列、蓝色像素图像亮度阵列。
[0051]
硬件调整指的是对镜头的光圈大小、曝光时间、相机与显示屏之间的拍摄距离、相机的焦距、灯珠形态等进行调整，在硬件调整后得到得实际像素图像亮度阵列中红、绿、蓝像素皆不沾粘，且个别的饱和度与成像大小皆在合适范围内。
[0052]
s102、以原始像素图像亮度阵列为输入，以实际像素图像亮度阵列为输出，构建用于去除像素图像亮度分布中无效讯息的卷积神经网络模型；
[0053]
如图2所示，将未调整好光学参数的原始像素图像亮度阵列通过人工智能算法(即卷积神经网络模型中的算法)，可输出接近以硬件调整好光学参数的像素亮度阵列。
[0054]
s103、利用训练样本集对卷积神经网络模型进行训练，直至网络收敛；
[0055]
s104、将待处理像素图像亮度阵列输入至训练好的卷积神经网络模型进行处理，输出有效像素图像亮度阵列资讯。
[0056]
需要注意的是，在本发明中，人工智能算法可以取代在显示屏逐点校正前的硬件光学参数的调整时间，通过训练好的卷积神经网络模型可以直接输出校正前所需的最贴切像素阵列亮度分布。
[0057]
在本发明实施例提供的上述显示屏逐点校正前的处理方法中，利用神经网络算法的方式，构建并训练卷积神经网络模型，把相机捕捉到的像素阵列以算法的方式将无效讯息扣除，进而在对显示屏幕做逐点校正前，增加对获取合适成像的容忍度，减小架设好拍照环境的冗长时间，无需靠传统的硬件光学参数调整，就可以快速获得容忍度较大的图像。
[0058]
进一步地，在具体实施时，在本发明实施例提供的上述显示屏逐点校正前的处理方法中，步骤s103利用训练样本集对卷积神经网络模型进行训练，具体可以包括：首先，将原始像素图像亮度阵列输入至卷积神经网络模型中；然后，将原始像素图像亮度阵列与相应的多个卷积层进行卷积运算，得到像素亮度特征矩阵；之后，将像素亮度特征矩阵进行池化运算，得到目标像素亮度特征矩阵；最后，通过激活函数对目标像素亮度特征矩阵进行非线性映射，得到对应的实际像素图像亮度阵列。
[0059]
在训练的过程中，需要以卷积神经网路方式找到个别影响因子的权重，训练出合适的卷积核数值。因此，在具体实施时，在上述步骤中进行卷积运算的同时，还可以包括：对卷积层的卷积核数值进行多次调整，直至损失函数收敛，得到影响因子对应的最佳卷积核数值。
[0060]
优选地，在训练网络时，卷积层的卷积核数值的分布是矩阵内的中间值为最大值，围绕该中间值的周围值小于该中间值，即卷积层的卷积核数值的分布可以设置成中间大四周小，例如，当该卷积层的大小为5*5时，该5*5卷积核矩阵可以设置为：
[0061][0062]
上述5*5卷积核矩阵的中间值为2，围绕2的四周值为1，围绕1的四周值为0；该卷积核数值可以作为影响因子对应的最佳卷积核数值。
[0063]
另外，在具体实施时，在本发明实施例提供的上述显示屏逐点校正前的处理方法中，为了方便将阵列与卷积层的数值作一对一对应，在将原始像素图像亮度阵列与相应的多个卷积层进行卷积运算之前，还可以包括：将原始像素图像亮度阵列进行扩展，得到扩展后的第一矩阵；
[0064]
相应的，将原始像素图像亮度阵列与相应的多个卷积层进行卷积运算，可以包括：将扩展后的第一矩阵与相应的多个卷积层进行卷积运算。
[0065]
同理，在具体实施时，在本发明实施例提供的上述显示屏逐点校正前的处理方法中，为了方便将特征矩阵与池化层的数值作一对一对应，在将像素亮度特征矩阵进行池化运算之前，还可以包括：将像素亮度特征矩阵进行扩展，得到扩展后的第二矩阵；
[0066]
相应的，将像素亮度特征矩阵进行池化运算，可以包括：将扩展后的第二矩阵进行池化运算。
[0067]
在具体实施时，在本发明实施例提供的上述显示屏逐点校正前的处理方法中，激活函数的表达式为：
[0068][0069]
其中，z表示目标像素亮度特征矩阵中的数值，z表示卷积神经网络模型输出的像素亮度像素图像亮度阵列中的数值。
[0070]
可以理解的是，将目标像素亮度特征矩阵中的数值代入到激活函数的公式后，得到的数值即为卷积神经网络模型输出的像素亮度像素图像亮度阵列中对应位置的数值。
[0071]
下面以一个具体实例对本发明实施例提供的上述显示屏逐点校正前的处理方法进行举例说明，具体步骤如下：
[0072]
步骤一、拍摄某一颜色的m*n像素亮度阵列(例如蓝色)，该阵列b如下：
[0073][0074]
步骤二、将m*n像素亮度阵列扩展成的(m 4)*(n 4)矩阵，该矩阵如下：
[0075][0076]
步骤三、选取合适的5*5卷积核：
[0077][0078]
需要说明的是，以上为合适的5*5卷积核范例，步骤二的多个不同(m 4)*(n 4)矩阵会与多个卷积核做卷积，此卷积核都是5*5，但卷积核里的矩阵数值大小可能是不同的；
[0079]
步骤四、将(m 4)*(n 4)矩阵与卷积核做卷积后，得到像素亮度特征矩阵m*n，该矩阵x如下：
[0080][0081]
步骤五、将像素亮度特征矩阵m*n扩展成2m*2n矩阵，该矩阵如下：
[0082][0083]
步骤六、将2m*2n矩阵进行池化运算，得到目标像素亮度特征矩阵m*n，该矩阵y如下：
[0084][0085]
需要说明的是，池化的目的为放大特征量用，为步骤五里的数值做2*2采样得出；
[0086]
步骤七、选取合适的激活函数，该激活函数为：
[0087][0088]
步骤八、输出有效像素阵列资讯zh：
[0089][0090]
其中，训练出最佳卷积核数值的具体步骤包括如下：
[0091]
第一步、固定输入变数并实测在此变数条件下，硬件调整后的实际m*n亮度数据阵列；
[0092]
如图3所示，输入5次曝光时间，得到对应的5个硬件调整后的实际m*n亮度数据阵列(即实际输出矩阵z1)；如图4所示，输入5个光圈大小，得到对应的5个硬件调整后的实际m*n亮度数据阵列(即实际输出矩阵z2)；
[0093]
第二步、计算损失函数j1和j2：
[0094][0095]
&
[0096][0097]
其中，p表示采样数，zh表示上述步骤八里最后输出的有效像素阵列资讯，z1表示曝光时间为影响因子时得到的实际输出矩阵，z2表示光圈大小为影响因子时的实际输出矩阵。
[0098]
第三步、采用下式计算最小损失函数，得出合适的卷积核数值；
[0099][0100]
&
[0101][0102]
其中，a1表示某一实际输入变数，a2表示另一实际输入变数，ki表示对输入变数a1对应的第i个卷积核，k’i
表示对输入变数a2对应的第i个卷积核，k
i 1
表示对输入变数a1对应的第i 1个卷积核，k’i 1
表示对输入变数a2对应的第i 1个卷积核。
[0103]
需要指出的是，上述实例的输入影响因子只考虑了光圈大小、曝光时间，实际上若这两个影响因子考虑不周全，可以再加入拍摄距离、灯珠形态等，分配不同卷积核权重再加上余值，重新做训练找出个别影响因子对应的最佳卷积核值与冗余值，以提高网络的精准度。
[0104]
基于同一发明构思，本发明实施例还提供了一种显示屏逐点校正前的处理装置，由于该装置解决问题的原理与前述一种显示屏逐点校正前的处理方法相似，因此该装置的实施可以参见显示屏逐点校正前的处理方法的实施，重复之处不再赘述。
[0105]
在具体实施时，本发明实施例提供的显示屏逐点校正前的处理装置，如图5所示，具体包括：
[0106]
样本生成模块11，用于在不同影响因子下，获取原始像素图像亮度阵列以及硬件调整后对应的实际像素图像亮度阵列，生成训练样本集；
[0107]
模型构建模块12，用于以原始像素图像亮度阵列为输入，以实际像素图像亮度阵列为输出，构建用于去除像素图像亮度分布中无效讯息的卷积神经网络模型；
[0108]
模型训练模块13，用于利用训练样本集对卷积神经网络模型进行训练，直至网络收敛；
[0109]
处理模块14，用于将待处理像素图像亮度阵列输入至训练好的卷积神经网络模型进行处理，输出有效像素图像亮度阵列资讯。
[0110]
在本发明实施例提供的上述显示屏逐点校正前的处理装置中，可以通过上述四个模块的相互作用，利用神经网络算法的方式，构建并训练卷积神经网络模型，把相机捕捉到的像素阵列以算法的方式将无效讯息扣除，进而在对显示屏幕做逐点校正前，增加对获取合适成像的容忍度，减小架设好拍照环境的冗长时间，无需硬件光学参数调整。
[0111]
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
[0112]
相应地，本发明实施例还公开了一种显示屏逐点校正前的处理设备，包括处理器和存储器；其中，处理器执行存储器中存储的计算机程序时实现前述实施例公开的显示屏逐点校正前的处理方法。
[0113]
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
[0114]
进一步地，本发明还公开了一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现前述公开的显示屏逐点校正前的处理方法。
[0115]
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
[0116]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备、存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0117]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0118]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0119]
综上，本发明实施例提供的一种显示屏逐点校正前的处理方法，包括：在不同影响因子下，获取原始像素图像亮度阵列以及硬件调整后对应的实际像素图像亮度阵列，生成训练样本集；以原始像素图像亮度阵列为输入，以实际像素图像亮度阵列为输出，构建用于去除像素图像亮度分布中无效讯息的卷积神经网络模型；利用训练样本集对卷积神经网络
模型进行训练，直至网络收敛；将待处理像素图像亮度阵列输入至训练好的卷积神经网络模型进行处理，输出有效像素图像亮度阵列资讯。上述方法利用神经网络算法的方式，构建并训练卷积神经网络模型，把相机捕捉到的像素阵列以算法的方式将无效讯息扣除，进而在对显示屏幕做逐点校正前，增加对获取合适成像的容忍度，减小架设好拍照环境的冗长时间，无需靠传统的硬件光学参数调整，就可以快速获得容忍度较大的图像。此外，本发明还针对显示屏逐点校正前的处理方法提供了相应的装置、设备及计算机可读存储介质，进一步使得上述方法更具有实用性，该装置、设备及计算机可读存储介质具有相应的优点。
[0120]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0121]
以上对本发明所提供的显示屏逐点校正前的处理方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。