Gamma校准方法、装置、计算机设备、存储介质与流程

gamma校准方法、装置、计算机设备、存储介质
技术领域
1.本公开涉及显示技术领域，特别是涉及一种gamma校准方法、装置、计算机设备、存储介质。


背景技术：

2.在oled产线上，gamma调制是一种通过改变模组寄存器值使面板色度、亮度趋近目标值的迭代优化技术。其目的是使模组真实的线性响应与人眼感知下的非线性响应相协调，达到自然过渡、层次分明的发光效果。
3.目前现有的gamma调校算法，主要是通过给出初始r、g、b三组ic寄存器值，驱动ic点亮模组后，使用光学探头获取对应绑点的色坐标值、亮度值，对比确认是否落在目标值的误差范围内，如果在范围内即调试结束；如果不在范围内，再改变寄存器值，重新确认亮度及色坐标值。
4.然而，目前的gamma的调校算法需要反复尝试寄存器的值，导致调整时间长，且每片模组都需要重复以上的参数尝试步骤，导致效率低。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种无需反复尝试寄存器的值，且减少尝试寄存器的参数的次数的gamma校准方法、装置、计算机设备、存储介质。
6.第一方面，本公开提供了一种gamma校准方法。所述方法包括：
7.获取历史校准参数；
8.对所述历史校准参数进行参数数据处理，确定初始分布参数，所述参数数据处理至少包括：聚类处理和均值处理；
9.利用预设的未预测参数、所述历史校准参数和所述初始分布参数，并根据极大似然估计法得到预测参数；
10.通过所述预测参数进行gamma校准。
11.在其中一个实施例中，所述利用预设的未预测参数、所述历史校准参数和所述初始分布参数，并根据极大似然估计法得到预测参数，包括：
12.根据历史校准参数、未预测参数和初始分布参数，确定所述预设的未预测参数的概率值；
13.调整所述初始分布参数，得到调整后初始分布参数；
14.根据历史校准参数、未预测参数和调整后初始分布参数，重新确定所述预设的未预测参数的概率值；
15.在所述概率值最大的情况下，根据调整后初始分布参数确定预测参数。
16.在其中一个实施例中，所述根据调整后初始分布参数确定预测参数，包括：
17.计算所述初始分布参数和所述调整后初始分布参数的偏差值；
18.在所述偏差值小于预设的偏差阈值的情况下，根据所述调整后初始分布参数确定
预测参数；
19.在所述偏差值大于等于预设的偏差阈值的情况下，重新调整所述初始分布参数，直至确定预测参数。
20.在其中一个实施例中，所述利用预设的未预测参数、所述历史校准参数和所述初始分布参数，并根据极大似然估计法得到预测参数，包括：
21.采用下述公式计算得到预设的未预测参数的概率值：
22.qi(z(i))＝p(z(i)|x(i)；θ)
23.采用下述公式计算得到使所述概率值最大的预测参数：
[0024][0025]
其中，z为未预测参数，x为历史校准参数，θ为初始分布参数；p为未预测参数的概率值。
[0026]
在其中一个实施例中，所述对所述历史校准参数进行参数数据处理，确定初始分布参数，至少包括下述一种：
[0027]
计算所述历史校准参数的均值，根据所述均值确定初始分布参数；
[0028]
或，
[0029]
通过聚类算法确定所述历史校准参数的聚类中心，根据所述聚类中心确定初始分布参数，所述聚类算法至少包括：k均值算法、密度聚类算法和层次聚类算法。
[0030]
在其中一个实施例中，所述方法还包括：获取当前亮度曲线的中历史校准参数；
[0031]
在切换gamma校准的亮度曲线后，根据当前亮度曲线的中历史校准参数计算得到当前亮度曲线的预测参数。
[0032]
在其中一个实施例中，所述方法还包括：
[0033]
将所述预测参数存储至预先构建的预测参数集中；
[0034]
在所述预测参数集中预测参数的数量大于预设的参数阈值的情况下，根据所述预测参数的产生时间覆盖所述预测参数，使所述预测参数集中预测参数的数量等于所述预设的参数阈值。
[0035]
第二方面，本公开还提供了一种gamma校准装置。所述装置包括：
[0036]
数据获取模块，用于获取历史校准参数；
[0037]
数据处理模块，用于对所述历史校准参数进行参数数据处理，确定初始分布参数，所述参数数据处理至少包括：聚类处理和均值处理；
[0038]
参数计算模块，用于利用预设的未预测参数、所述历史校准参数和所述初始分布参数，并根据极大似然估计法得到预测参数；
[0039]
校准模块，用于通过所述预测参数进行gamma校准。
[0040]
第三方面，本公开还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一方法实施例的步骤。
[0041]
第四方面，本公开还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法实施例的步
骤。
[0042]
第五方面，本公开还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一方法实施例的步骤。
[0043]
上述各实施例中，通过历史校准参数能够确定大部分的模组参数中相对稳定的区间范围，能够减少随机的尝试参数的次数。而在这个区间范围中对历史校准参数进行参数数据处理能够进一步的缩小预测参数的范围，减少了尝试参数的次数。而利用预设的未预测参数、所述历史校准参数和所述初始分布参数，并根据极大似然估计法得到预测参数时，能够借助算法确定预测参数，无需每个参数都需要进行调试，提高了效率。并且能够最大化的提高第一次点亮模组时的亮度符合目标值，减少了尝试寄存器的参数的次数，从而缩短单次gamma校准的时间，提高单位时间内的产能。
附图说明
[0044]
为了更清楚地说明本公开具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施方式，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，还可以根据这些附图获得其他的附图。
[0045]
图1为一个实施例中gamma校准方法的应用环境示意图；
[0046]
图2为一个实施例中gamma校准方法的流程示意图；
[0047]
图3为一个实施例中历史校准参数确定过程的步骤的流程示意图；
[0048]
图4为一个实施例中gamma调校步骤的流程示意图；
[0049]
图5为一个实施例中期望值与调试次数的分布示意图；
[0050]
图6为一个实施例中标准差与调试次数的分布示意图；
[0051]
图7为一个实施例中s206步骤的流程示意图；
[0052]
图8为一个实施例中确定预测参数的详细流程示意图；
[0053]
图9为一个实施例中s310步骤的流程示意图；
[0054]
图10为一个实施例中另一种gamma校准方法的流程示意图；
[0055]
图11为另一个实施例中gamma校准方法的流程示意图；
[0056]
图12为一个实施例中gamma校准装置的结构示意框图；
[0057]
图13为一个实施例中计算机设备的内部结构示意图。
具体实施方式
[0058]
为了使本公开的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公开进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本公开，并不用于限定本公开。
[0059]
需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚
地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0060]
在本文中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0061]
本公开实施例提供了一种gamma校准方法，可以应用于如图1所示的应用环境中。其中，上位机102与光学探头106和信号发生器104进行通信。信号发生器104根据上位机102传输的信号驱动模组产品，并读写模组产品的ic寄存器并将ic寄存器传输至上位机102。上位机102控制光学探头106采集亮度、色坐标值。上位机102每次对模组产品进行gamma校准后，记录历史校准参数。在对下一个模组产品进行gamma校准时，上位机102获取历史校准参数。上位机102对历史校准参数进行参数数据处理，确定初始分布参数。上位机102进行参数数据处理至少可以包括：对参数数据进行聚类处理或者对参数数据进行均值处理。上位机102利用预设的未预测参数、历史校准参数和初始分布参数，根据极大似然估计法得到预测参数。上位机102通过预测参数进行gamma校准。其中，上位机102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等。信号发生器可以为pattern generator信号发生器，用来给模组提供电信号、显示信号的驱动。单独的模组(例如未组装成成品手机前的模组)是无外部电源，外部显示信号的，可以通过信号发生器来提供电压电流来点亮(例如不同的亮度需要不同电流大小)，显示信号(例如彩色图片，灰阶图片)等。模组产品可以包含各种类型的成品屏幕(如手机屏幕、电脑屏幕、显示器屏幕、电视机屏幕等)。
[0062]
在一个实施例中，如图2所示，提供了一种gamma校准方法，以该方法应用于图1中的上位机102为例进行说明，包括以下步骤：
[0063]
s202，获取历史校准参数。
[0064]
其中，历史校准参数通常可以是在一个新的模组产品通过gamma校准后，得到的校准参数。校准参数通常情况下可以通过一定数量的调整次数进行确定。
[0065]
具体地，在一个新的模组产品需要进行gamma校准时，可以获取与该新的模组产品类型对应的模组产品的历史校准参数。
[0066]
s204，对所述历史校准参数进行参数数据处理，确定初始分布参数，所述参数数据处理至少包括：聚类处理和均值处理。
[0067]
其中，参数数据处理通常可以是在本实施例中对历史校准参数进行处理的方式，目的是使初始分布参数更加接近预测参数。聚类处理可以是通过聚类算法对历史校准参数进行处理的方式。均值处理可以是计算历史校准参数的平均值的方式。
[0068]
具体地，可以通过聚类处理方式或均值处理方式对历史校准参数进行处理，处理后可以确定初始分布参数。
[0069]
s206，利用预设的未预测参数、所述历史校准参数和所述初始分布参数，并根据极大似然估计法得到预测参数。
[0070]
其中，极大似然估计法可以是em算法。em算法通常可以称为期望最大算法，其是一种从不完全数据或有数据丢失的数据集(存在隐含变量)中求解概率模型参数的最大似然估计方法。
[0071]
具体地，根据预设的未预测参数，所述历史校准参数和所述初始分布参数给出预
设的未预测参数的期望估计，即未预测参数的概率值，根据未预测参数的概率值，给出初始分布参数的极大似然估计。极大似然估计即可以是本实施例中的预测参数。预设的未预测参数可以是极大似然估计法中的隐变量。
[0072]
s208，通过所述预测参数进行gamma校准。
[0073]
具体地，上述确定预测参数之后，可以将该预测参数看为目标值，通过该目标值设置r、g、b寄存器参数，点亮模组产品。
[0074]
上述gamma校准方法中，通过历史校准参数能够确定大部分的模组参数中相对稳定的区间范围，能够减少随机的尝试参数的次数。而在这个区间范围中对历史校准参数进行参数数据处理能够进一步的缩小预测参数的范围，进一步减少了尝试参数的次数。而利用预设的未预测参数、所述历史校准参数和所述初始分布参数，并根据极大似然估计法得到预测参数时，能够借助算法确定预测参数，无需每个参数都需要进行调试，提高了效率。并且能够最大化的提高第一次点亮模组时的亮度符合目标值，减少了尝试寄存器的参数的次数，从而缩短单次gamma校准的时间，提高单位时间内的产能。
[0075]
在一个实施例中，如图3所示，历史校准参数的确定过程包括：
[0076]
判断当前模组是否有预测值。
[0077]
若当前测试的模组中有预测值，则读取当前预测参数值，使用预测值设置寄存器的参数，进行gamma调校，记录历史校准参数。
[0078]
若当前测试的模组未存在预测值，则确定是否有预先存储的上一次调校时设置的参数数据(有已存储参数数据)，若有，则读取上一次参数数据(已存储参数数据)，根据上一次参数数据设置寄存器的参数，进行gamma调校，记录历史校准参数。
[0079]
若没有，则设置初始值，根据初始值设置寄存器的参数，进行gamma调校，记录历史校准参数。
[0080]
可以理解的是，在本公开的一些实施例中，预测值、初始值和预测参数都可以为寄存器的参数。寄存器通常指的是r、g、b寄存器。
[0081]
如图4所示，gamma调校步骤包括：通过寄存器的参数点亮模组，光学探后采集模组上的亮度，色坐标值。判断亮度，色坐标值是否在范围内，若在，则结束，若不在则调整寄存器的参数。当调整寄存器的参数次数较少时，利用得到的历史校准参数得到预测参数变化较大。当调整寄存器的参数次数达到一定数量时，预测的参数准确性提高，可以达到优化的目的。如表1调试关系表所示。
[0082]
表1 调试关系表
[0083]
调试次数期望值方差标准差耗时(s)10261525806.4160.64370.094502664.0233207.7182.22980.0942002638.6831609.1177.78950.2975002648.9531511.4177.51450.78120002641.4831220.5176.69322.90750002638.1231243.8176.75926.453...............
[0084]
根据表1调试关系表可以得到如图5和图6的关系示意图。如图5和图6所示，当调试
次数达到500次左右时，可以期望值和标准差趋于稳定，因此在本实施例中，一定数量可以为500次，相应的得到的历史校准参数比较符合预测参数。
[0085]
在一个实施例中，如图7所示，所述利用预设的未预测参数、所述历史校准参数和所述初始分布参数，并根据极大似然估计法得到预测参数，包括：
[0086]
s302，根据历史校准参数、未预测参数和初始分布参数，确定所述预设的未预测参数的概率值。
[0087]
s304，调整所述初始分布参数，得到调整后初始分布参数。
[0088]
s306，根据历史校准参数、未预测参数和调整后初始分布参数，重新确定所述预设的未预测参数的概率值。
[0089]
s308，判断概率值是否最大。
[0090]
s310，在所述概率值最大的情况下，根据调整后初始分布参数确定预测参数。
[0091]
具体地，如图8所示，极大似然估计法得到预测参数可分为expectation步和maximization步。expectation步可以包括：确定初始化分布参数和未预测参数。其中未预测参数可以看做极大似然估计法中隐变量，其可以为未观测到的参数，在本实施例中可以为未预测参数。maximization步：根据历史校准参数、未预测参数和初始分布参数，确定所述预设的未预测参数的概率值。不断调整初始分布参数，得到调整后初始分布参数。不断重复s304步骤。并重新计算预设的未预测参数的概率值。在所述概率值最大的情况下，证明调整后初始分布参数达到要求，则根据调整后初始分布参数确定预测参数。
[0092]
上述表述为原理上的描述，下面以具体的方式进行说明。在本实施例的另一种实施方式中，expectation步：可以采用下述公式计算得到预设的未预测参数的概率值：
[0093]
qi(z(i))＝p(z(i)|x(i)；6)
[0094]
maximization步：采用下述公式计算得到使所述概率值最大的预测参数：
[0095][0096]
其中，z为未预测参数，x为历史校准参数，θ为初始分布参数；p为未预测参数的概率值，p(z(i)|x(i)；θ)代表预测参数的后验分布。
[0097]
具体地，对于每一个i，计算根据上一次迭代的模型参数或者初始分布参数来计算出预测参数的后验分布(可以看做预测参数的期望)，来作为未预测参数的现估计值。求使qi(z(i))获得极大时的初始分布参数。将似然函数最大化以获得新的初始分布参数，该初始分布参数可以是预测参数。
[0098]
qi(z(i))求出来代入到maximization步的θ式中，θ式求出来新的θ，相当于调整后初始分布参数。将调整后初始分布参数又反代回qi(z(i))中，如此不断的迭代，就可以得到使似然函数最大化的初始化分布参数θ了。该使似然函数最大化的初始化分布参数θ可以为最终的预测参数。
[0099]
本实施例中，通过使用极大似然估计法，能够非常可靠地找到最优的收敛值，进而确定预测值，而初始分布参数也是之前通过参数数据处理进行得到的，因此能够进一步提高极大似然估计法收敛的效率。
[0100]
在一个实施例中，如图9所示，所述根据调整后初始分布参数确定预测参数，包括：
[0101]
s402，计算所述初始分布参数和所述调整后初始分布参数的偏差值；
[0102]
s404，判断所述偏差值是否小于预设的偏差阈值；
[0103]
s406，在所述偏差值小于预设的偏差阈值的情况下，根据所述调整后初始分布参数确定预测参数；
[0104]
s408，在所述偏差值大于等于预设的偏差阈值的情况下，重新调整所述初始分布参数，直至确定预测参数。
[0105]
其中，在本实施例中的初始分布参数可以为调整后初始分布参数，前一个初始分布参数。例如，初始分布参数为a，调整一次得到初始分布参数为a1、调整一次得到初始分布参数为a2，该a2为调整后初始分布参数，则本实施例中提到的初始分布参数为a1。
[0106]
具体地，上述确定了预测参数时，如何证明该预测参数有效可以最终的值来使用，可以通过本实施例来对预测参数进行验证。即极大似然估计法是否收敛。计算初始分布参数和调整后初始分布参数的偏差值，如果偏差值很小或者偏差值为0，偏差值小于预设的偏差阈值，则确定极大似然估计法收敛，则可以将调整后初始分布参数确定为预测参数。若偏差值很大，偏差值大于预设的偏差阈值，则确定极大似然估计法收敛，需要再次调整初始分布参数，即回到s304步骤，直至确定预测参数。
[0107]
在本实施例中，通过偏差值来确定极大似然估计法是否收敛，能够准确的确定预测参数，使预测参数符合目标值，提高gamma校准的准确性。
[0108]
在一个实施例中，所述对所述历史校准参数进行参数数据处理，确定初始分布参数，至少包括下述一种：
[0109]
计算所述历史校准参数的均值，根据所述均值确定初始分布参数；
[0110]
或，
[0111]
通过聚类算法确定所述历史校准参数的聚类中心，根据所述聚类中心确定初始分布参数，所述聚类算法至少包括：k均值算法、密度聚类算法和层次聚类算法。
[0112]
具体地，可以计算历史校准参数的均值，将该均值设置为初始分布参数，此种方式折中了所有的历史校准参数，不会产生较大的偏差，相较于随机选择初始分布参数能够缩短调整时间。或者通过聚类算法确定所述历史校准参数的聚类中心，该聚类中心通常情况下表示历史校准参数中较为接近实际的预测参数，相较于随机选择也可以缩短调整时间。
[0113]
在本实施例中，通过两种方式确定初始分布参数，相较于随机选择初始分布参数能够提高确定预测参数的速度，可以缩短gamma校准的时间。
[0114]
在一个实施例中，所述方法还包括：获取当前亮度曲线的中历史校准参数；
[0115]
在切换gamma校准的亮度曲线后，根据当前亮度曲线的中历史校准参数计算得到当前亮度曲线的预测参数。
[0116]
通常情况下，一个亮度值下有不同灰阶的gamma值，组成一条gamma曲线，通常称为一个亮度曲线。
[0117]
具体地，在进行gamma校准时，通常需要对一个模组进行不同亮度曲线下的测试。每次进行gamma校准都需要获取当前亮度曲线中的历史校准参数。在切换gamma校准的亮度曲线时，可以根据之前获取的当前亮度曲线中的历史校准参数计算得到当前亮度曲线的预测参数。可以采用单条亮度曲线下所有灰阶同时计算的模式。其中，灰阶指的是最亮和最暗之间的亮度变化，一般通过8bit来表示，及256个亮度阶梯。同时计算指的是一个亮度曲线
下的多个灰阶(不同产品会从256个灰阶下挑选具有代表性的几个灰阶，例如1，3，5，9，13，17，22，29，35，41，51，65，81，93，104，114，134，159，177，198，225，247，255)下的参数同时通过极大似然估计法预测每个灰阶的r、g、b寄存器参数。(关于如何预测可以参见上述实施例，在此不进行重复赘述)。
[0118]
因此，不会对切换亮度曲线产生影响。而在下一个新的模组需要进行预测参数时，且该模组的切换为当前亮度曲线，则可以将当前亮度曲线的预测参数进行使用，从而进行gamma校准，而无需等待。
[0119]
在一个实施例中，所述方法还包括：
[0120]
将所述预测参数存储至预先构建的预测参数集中；
[0121]
在所述预测参数集中预测参数的数量大于预设的参数阈值的情况下，根据所述预测参数的产生时间覆盖所述预测参数，使所述预测参数集中预测参数的数量等于所述预设的参数阈值。
[0122]
具体地，随着生产累积的测试的模组数量越来越多，可以将得到的预测参数存储至预先构建的预测参数集中。通常情况下，预设数据集中存储预测参数是有限的，不会占用太多的存储空间，因此在所述预测参数集中预测参数的数量大于预设的参数阈值的情况下，且在校准时产生了新的预测参数，则可以根据预测参数的产生时间对预测参数进行覆盖。
[0123]
在一些示例性的实施例中，例如，预测参数集中按照产生时间存储的预测参数为b、b1、b2。其中，b为产生时间最早的预测参数。在预测参数集中预测参数的数量大于预设的参数阈值的情况下，而在校准时产生了新的预测参数c，则可以将c覆盖b，则预测参数集中的预测参数可以为：b1、b2、c。
[0124]
在本实施例中，因为预测参数是一直生产累积的过程，如果预测参数集存储满就停止更新数据的话，可能因为产品不同批次的差异可能会导致预测参数不准确，因此本实施例根据所述预测参数的产生时间覆盖所述预测参数，能够避免上述问题。
[0125]
在一个实施例中，如图10所示，本公开实施例还提供了另一种gamma校准方法，方法包括以下步骤：
[0126]
在更换模组的情况下，确定该模组产品的预测值，该预测值可以是之前存储的也可以是本领域技术人员设置的。将预测值写入r、g、b寄存器中，然后点亮模组。光学探头采集模组产品的色坐标值、亮度等数据。判断该色坐标值、亮度等数据是否在目标范围内。若在，则可以根据预测值确定历史校准参数。根据历史校准参数确定下个该类型模组的预测值。
[0127]
若不在，则可以微调预测值，然后根据微调后的预测值调整寄存器参数，直至点亮模组后，色坐标值、亮度等数据在目标范围内。
[0128]
需要说明的是，此处微调预测值可以利用同一款模组之间的误差符合正态分布的特性进行微调，具体地，正态分布是分析现有一定数量的模组的实际调试完成的参数得到的，基于这个特性，大部分的模组的参数都会在一个相对稳定的区间范围，可以在这个区间范围对预测值进行微调，可以减少微调的次数。本领域技术人员也可以以其他方式进行微调预测值。
[0129]
在另一个实施例中，如图11所示，本公开实施例还提供了另一种gamma校准方法，
所述方法包括以下步骤：
[0130]
s502，若当前测试的模组中有预测值，使用预测值设置寄存器的参数，进行gamma调校，记录历史校准参数。
[0131]
s504，若当前测试的模组未存在预测值，则确定是否有预先存储的上一次调校时设置的参数数据。
[0132]
s506，若有，则读取上一次参数数据，根据上一次参数数据设置寄存器的参数，进行gamma调校，记录历史校准参数。
[0133]
s508，若没有，则设置初始值，根据初始值设置寄存器的参数，进行gamma调校，记录历史校准参数。
[0134]
s510，获取历史校准参数。
[0135]
s512，计算所述历史校准参数的均值，根据所述均值确定初始分布参数。
[0136]
或，s514，通过聚类算法确定所述历史校准参数的聚类中心，根据所述聚类中心确定初始分布参数。
[0137]
s516，根据历史校准参数、未预测参数和初始分布参数，确定所述预设的未预测参数的概率值。
[0138]
s518，调整所述初始分布参数，得到调整后初始分布参数。
[0139]
s520，根据历史校准参数、未预测参数和调整后初始分布参数，重新确定所述预设的未预测参数的概率值。
[0140]
s522，判断概率值是否最大。
[0141]
s524，在所述概率值最大的情况下，计算所述初始分布参数和所述调整后初始分布参数的偏差值。
[0142]
s526，判断所述偏差值是否小于预设的偏差阈值。
[0143]
s528，在所述偏差值小于预设的偏差阈值的情况下，根据所述调整后初始分布参数确定预测参数。
[0144]
在所述偏差值大于等于预设的偏差阈值的情况下，重新调整所述初始分布参数，直至确定预测参数。
[0145]
关于本实施例中的具体实施方式和限定可参见上述实施例，在本实施例中不进行重复赘述。
[0146]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0147]
基于同样的发明构思，本公开实施例还提供了一种用于实现上述所涉及的gamma校准方法的gamma校准装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个gamma校准装置实施例中的具体限定可以参见上文中对于gamma校准方法的限定，在此不再赘述。
[0148]
在一个实施例中，如图12所示，提供了一种gamma校准装置1100，包括：数据获取模块1102、数据处理模块1104、参数计算模块1106和校准模块1108，其中：
[0149]
数据获取模块1102，用于获取历史校准参数；
[0150]
数据处理模块1104，用于对所述历史校准参数进行参数数据处理，确定初始分布参数，所述参数数据处理至少包括：聚类处理和均值处理；
[0151]
参数计算模块1106，用于利用预设的未预测参数、所述历史校准参数和所述初始分布参数，并根据极大似然估计法得到预测参数；
[0152]
校准模块1108，用于通过所述预测参数进行gamma校准。
[0153]
在所述装置的一个实施例中，所述参数计算模块1106，包括：
[0154]
调整模块，调整所述初始分布参数，得到调整后初始分布参数；
[0155]
概率值计算模块，用于根据历史校准参数、未预测参数和初始分布参数，确定所述预设的未预测参数的概率值，以及，根据历史校准参数、未预测参数和调整后初始分布参数，重新确定所述预设的未预测参数的概率值。
[0156]
预测参数确定模块，用于在所述概率值最大的情况下，根据调整后初始分布参数确定预测参数。
[0157]
在所述装置的一个实施例中，所述参数计算模块1106，还包括：偏差值计算模块，用于计算所述初始分布参数和所述调整后初始分布参数的偏差值。
[0158]
所述预测参数确定模块，还用于在所述偏差值小于预设的偏差阈值的情况下，根据所述调整后初始分布参数确定预测参数。
[0159]
所述调整模块，还用于在所述偏差值大于等于预设的偏差阈值的情况下，重新调整所述初始分布参数，直至确定预测参数。
[0160]
在所述装置的一个实施例中，所述参数计算模块1106，还采用下述公式计算得到预设的未预测参数的概率值：
[0161]
qi(z(i))＝p(z(i)|x(i)；θ)
[0162]
采用下述公式计算得到使所述概率值最大的预测参数：
[0163][0164]
其中，z为未预测参数，x为历史校准参数，θ为初始分布参数；p为未预测参数的概率值。
[0165]
在所述装置的一个实施例中，所述数据处理模块1104包括：均值处理模块，用于计算所述历史校准参数的均值，根据所述均值确定初始分布参数。
[0166]
聚类处理模块，用于通过聚类算法确定所述历史校准参数的聚类中心，根据所述聚类中心确定初始分布参数，所述聚类算法至少包括：k均值算法、密度聚类算法和层次聚类算法。
[0167]
在所述装置的一个实施例中，所述装置还包括：切换模块，用于获取当前亮度曲线的中历史校准参数，在切换gamma校准的亮度曲线后，根据当前亮度曲线的中历史校准参数计算得到当前亮度曲线的预测参数。
[0168]
在所述装置的一个实施例中，所述装置还包括：参数集存储模块，用于将所述预测
参数存储至预先构建的预测参数集中。
[0169]
预测参数覆盖模块，用于在所述预测参数集中预测参数的数量大于预设的参数阈值的情况下，根据所述预测参数的产生时间覆盖所述预测参数，使所述预测参数集中预测参数的数量等于所述预设的参数阈值。
[0170]
上述gamma校准装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0171]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预测参数数据和历史校准参数数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种gamma校准方法。
[0172]
本领域技术人员可以理解，图13中示出的结构，仅仅是与本公开方案相关的部分结构的框图，并不构成对本公开方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0173]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0174]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0175]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0176]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本公开所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本公开所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本公开所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0177]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例
中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0178]
以上所述实施例仅表达了本公开的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本公开专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开构思的前提下，还可以做出若干变形和改进，这些都属于本公开的保护范围。因此，本公开的保护范围应以所附权利要求为准。