一种针对OLED屏的MURA检测算法的制作方法

本发明涉及相机或手机图像质量处理技术领域，尤其涉及相机、手机等oled屏幕图像质量处理方法。

背景技术：

屏幕由于每个发光单元的亮度与输入灰度是非线性的，而造成了在显示上的非均匀性，这是一种显示缺陷，其主要表现为缺陷区域和周围背景的对比度低，边缘模糊，形状各异，称为mura。mura在日语里的意思是粗糙的，不光滑的，英文为unevenness。不论是lcd或者oled的显示屏，都会存在着一定程度的不均匀现象，量化评估这种不均匀程序的过程就是muratest。

顾名思义，muratest是用来评估显示设备不均匀性的，因此完全可以采用有参考的均匀显示结果与待检测设备显示结果直接作比较(做差)，均匀度越好，两者之间的差别越小，否则越大。但是，这样的结果只能做设备间比对，无法与人的主观感受相关联。所以，现在大部分算法都是基于滤波思想给出的，即把人眼睛能感受到的差保留，感受不到的认为可以忍受。根据参考算法wiley的colorscience(1982)，图像灰度差变化量在1％以上，人的眼睛就能感受到，对于量化位数是8的图像来说，该变化值为255*1％＝2.55。

现阶段mura检测过程的问题是：过度关注滤波完的结果，实际人眼对区域位置、mura类型、mura区域的灰度差与分布密度等都有关联性，基础理论体系过于简化，简易的mura检测可以做是否存在mura的判定，但是无法精确地量化比对，那么也就更无法用来做demura参考。

技术实现要素：

针对现阶段mura检测过程存在的上述问题，本发明的目的是提供一种针对oled屏的mura检测算法。

本发明为实现上述目的所采用的技术方案是：一种针对oled屏的mura检测算法，包括以下步骤：

步骤1、参数与人眼敏感性的关联性评估，包括以下步骤：

步骤1-1、仿真数据包含参量规定：一幅包含非均匀性的图像产生以下参量：mura类型k，k∈{1,2,3}，1表示是点类型，2表示线类型，3表示块类型；mura大小h、w，灰度差△，稠密度ρ，线性分布角度ω，整体产生过程是：

步骤1-1-1、对产生的随机对象做规定：稠密度：图像中非均匀性单一类型区域间的中心平均距离，稠密度越高图像中的非均匀区域彼此间越接近；位置：非均匀性区域在图像的行、列分布位置；大小：非均匀性区域的外包矩形宽、高；

步骤1-1-2、产生没有mura的灰度图，其每个位置处的图像灰度值都相同；

步骤1-1-3、对仿真产生非均匀性区域，做随机选择，根据稠密度选择彼此间没有覆盖的区域做mura区域仿真的候选区域；

步骤1-1-4、候选区域外包矩形的大小在设定大小的前提下做小范围的随机调整，然后在区域内部将不同类型的mura叠加到均匀的图像中，并记录产生该mura的类型，实际大小与灰度差等参量。

步骤1-2、采用固定变量法，产生出多组含有mura的图像用于做人工主观判定；

步骤1-3、对于给定的图像与理想显示设备，人为对是否存在mura做判定，并记录判定的时间，当认定为存在mura时，判定的时间越长认为mura越不明显；

步骤1-4、构建每个变量多少与检测时间的函数关系，以此作为检测mura的判定依据；

步骤2、mura检测阶段：mura在检测过程中需要jnd做辅助量化计算，一幅待检测的亮度捕捉图有对应的jnd矩阵，即jnd^*，整体上，假设成像设备拍摄的测试图像为i，自动计算jnd^*的序列模型参考为：

步骤2-1、对捕获的图像数据做一次低通滤波，w1通过评估图像噪声水平的方式给出；

步骤2-2、对滤波后的图像做灰度分层，依据分层的像素按照空间相对位置与连接情

况做标记，l代表每个灰度层连接的灰度区域描述；

步骤2-3、基于同属性的图层做邻域闭包计算，得到每个图层的邻域属性标签b，属性包括面积、外接矩形与最小外接矩形、以及相对应的mura类型；

步骤2-4、基于不同邻域、不同图层之间的边界、中心距离、面积比来得到所有邻域的整体面积比α，同属性邻域的空间分布密集描述不同属性邻域的空间分布密度描述

步骤2-5、依据每种类型的mura属性与人眼观察的敏感度，计算出每个区域的jnd^*；

步骤3、基于jnd结果进行demura：在jnd^*已知的情况下，进行demura迭代调整：

步骤3-1、利用得到的jnd^*来计算调整权重；

步骤3-2、根据调整权重，调整demura获得的调整参数：

步骤3-3、进行一次mura检测，判断是否比调整前更小，若不是，进入步骤3-4；若是：

步骤3-3-1、若mura检测值小于判定门限，存在mura人眼不可观测，则认为调整完毕，完成demura；

步骤3-3-2、若mura检测值大于判定门限，则用新获得的jnd^*与调整因子重复进行demura的3-1～3-3；

步骤3-4、将本次调整区域中呈现出更小jnd^*的区域调整因子保留，舍弃变大的调整因子，然后重复进行demura的3-1～3-3。

所述步骤2中，还包括：

步骤2-6、对jnd^*做一次w2的低通滤波或者中值滤波，消除孤立点状mura的影响；

步骤2-7、对于不同种类的jnd^*，做一次基于人眼敏感度的加权和，使jnd^*压缩为单值的mura检测值，该值即为用来量化检测mura的主要依据。

所述步骤3中，调整权重的计算方法为：计算jnd^*与判定门限的比值，当比值大于1，说明该区域已经达到人眼可观测，需要进一步调整，比值在1以内说明人观测不到当前mura。

所述步骤3-2中，还包括：步骤3-2-1、对于小于1的部分，利用叠加随机数的方式，将线状、块状的mura变为点状的mura；

步骤3-2-1、对于大于1的部分，依据jnd^*区域与其他区域的灰度比值对调整参数做比例修改，假定在像素(x,y)处demura调整因子为ω(x,y)，灰度比为α(α∈(0,255])，则调整因子应该为同时，增加叠加随机数能量，进一步打散线状、块状的mura。

所述步骤1-3中，让10人以上对是否存在mura做判定。

步骤2-1中，评估图像噪声水平的方式采用基于小波变换的方法，取高频域的能量中值做噪声水平，噪声水平越高，滤波的高通截止频率越低。

本发明的一种针对oled屏的mura检测算法，整个mura检测完全是量化的、与人主观认知一致的，并且有明确的量化物理意义；mura检测的单值结果可以用来对屏幕划分等级，非单值结果可以用来做精准地demura。

附图说明

图1是本发明mura与人眼敏感度评测流程图。

图2是本发明mura检测方法流程图。

图3是本发明demura方法流程图。

具体实施方式

本发明的针对oled屏的mura检测算法，本方法认为人眼对显示信号的敏感参数主要包括：测试图的灰度分布属性g，mura区域的灰度差δ，mura类型t，以及分布密度ρ，对应的物理意义包括：屏幕的亮度、对比度，oled不均匀分布特性/坏点分布。本发明评估参数与人眼敏感性的关联性，给mura评测提供依据；基于最小视觉差计算jnd矩阵，并进行mura评测和demura。给出一套完整的mura检测量化模型，该模型中各个参数的估计方法是基于人主观感知评测所得，且最终jnd评估mura不仅可以做是否存在mura做判定，而且可以利用mura检测结果做demura。

本发明所述的一种针对oled屏的mura检测方法主要包括三个步骤：1、人眼敏感度与mura属性之间的模型构建方法与流程；2、基于人眼敏感度的mura检测方法；3、基于mura检测的jnd做迭代demura的方法。具体步骤如下所述：

步骤1、参数与人眼敏感性的关联性评估，流程图如图1所示，包括以下步骤：

步骤1-1、仿真数据包含参量规定：整体上，一幅包含非均匀性的图像产生包含以下参量：mura类型k(k∈{1,2,3}，1表示是点类型，2表示线类型，3表示块类型)，mura大小h，w，灰度差△，稠密度ρ，分布角度ω(仅针对线性)，整体产生过程是：

步骤1-1-1、对产生的随机对象做规定：稠密度：图像中非均匀性单一类型区域间的中心平均距离，稠密度越高，图像中的非均匀区域彼此间越接近；位置：非均匀性区域在图像的行、列分布位置；大小：非均匀性区域的外包矩形宽、高；

步骤1-1-2、产生没有mura的灰度图，其每个位置处的图像灰度值都相同；

步骤1-1-3、对仿真产生非均匀性区域，做随机选择，根据稠密度选择彼此间没有覆盖的区域做mura区域仿真的候选区域；

步骤1-1-4、候选区域外包矩形的大小在设定大小的前提下做小范围的随机调整，然后在区域内部将不同类型的mura叠加到均匀的图像中，并记录产生该mura的类型，实际大小与灰度差等参量。

步骤1-2、采用固定变量法，产生出多组含有mura的图像用于做人工主观判定；

步骤1-3、对于给定的图像与理想显示设备，让多人(10人以上)做是否存在mura做判定，并记录判定的时间，当认定为存在mura时，判定的时间越长认为mura越不明显；

步骤1-4、构建每个变量多少与检测时间的函数关系，以此作为检测mura的判定依据。

步骤2、mura检测阶段，如图2所示：mura在检测过程中需要jnd(justnoticeabledifference：最小视觉差)做辅助量化计算，一般地，一幅待检测的亮度捕捉图会有对应的jnd矩阵，即jnd^*。整体上，假设成像设备拍摄的测试图像为i，自动计算jnd^*的序列模型参考为：

步骤2-1、对捕获的图像数据做一次低通滤波，w1通过评估图像噪声水平的方式给出，评估图像噪声水平的方式有很多种，举例：采用基于小波变换的方法，取高频域的能量中值做噪声水平，噪声水平越高，滤波的高通截止频率越低；

步骤2-2、对滤波后的图像做灰度分层，依据分层的像素按照空间相对位置与连接情况做标记，l代表每个灰度层连接的灰度区域描述；

步骤2-3、基于同属性的图层做邻域闭包计算，得到每个图层的邻域属性标签b，属性包括面积、外接矩形与最小外接矩形、以及相对应的mura类型等；

步骤2-4、然后基于不同邻域、不同图层之间的边界、中心距离、面积比来得到所有邻域的整体面积比α，同属性邻域的空间分布密集描述(通过中心距离体现)，不同属性邻域的空间分布密度描述(通过中心距离体现)，面积比就是a的面积和b的面积比值，所谓同属性就是灰度分层结果，层级一致，那就是同属性，不同属性就是层级不一致；同属性边界是可以用来计算区域面积的，整体面积可以理解为整个屏幕的大小(单位是像素)，中心距离是指同属性区域中心之间的距离，那么中心距离可以用来评估密度。通过计算多个层级的边界，求出面积和中心距离，中心距离越小，代表越密集，密度越大；

步骤2-5、依据每种类型的mura属性与人眼观察的敏感度，计算出每个区域的jnd^*；

步骤2-6、对jnd^*做一次w2的低通滤波或者中值滤波，消除孤立点状mura的影响；

步骤2-7、对于不同种类的jnd^*，做一次基于人眼敏感度的加权和，使jnd^*压缩为单值的mura检测值，即求取jnd序列的加权和(加权降维)，这样序列(或者说矩阵)就变成一个值了，就是所谓的压缩了，这个加权参数是用人观察mura的时间，时间越长，权重越低。该值即为用来量化检测mura的主要依据，由于其物理意义与人主观观察判断是否存在mura的时间长度有关，因此在给定判定门限时可以依据屏幕帧率设定。

步骤3、基于jnd结果进行demura：在jnd^*已知的情况下，进行demura迭代调整，流程图如图3所示：

步骤3-1、利用得到的jnd^*来计算调整权重，具体的方式是计算jnd^*与判定门限的比值，1.5左右，当比值大于1，说明该区域已经达到人眼可观测，需要进一步调整，比值在1以内说明人可能观测不到当前mura，但需要酌情调整；

步骤3-2、根据调整权重，调整demura获得的调整参数：

步骤3-2-1、对于小于1的部分，利用叠加随机数的方式，将线状、块状的mura变为点状的mura；

步骤3-2-1、对于大于1的部分，依据jnd^*区域与其他区域的灰度比值对调整参数做比例修改，假定在像素(x,y)处demura调整因子为ω(x,y)，灰度比为α(α∈(0,255])，则调整因子应该为同时，可以增加叠加随机数能量，进一步打散线状、块状的mura。

步骤3-3、进行一次mura检测，判断是否比调整前更小，若不是，进行3-4；若是：

步骤3-3-1、若mura检测值小于判定门限，存在mura人眼不可观测，则认为调整完毕，完成demura；

步骤3-3-2、若mura检测值大于判定门限，则用新获得的jnd^*与调整因子重复进行demura的3-1～3-3；

步骤3-4、将本次调整区域中呈现出更小jnd^*的区域调整因子保留，舍弃变大的调整因子，然后重复进行demura的3-1～3-3。

综上所述，本发明公开的一种针对oled屏的mura检测方法，其特征在于，整个mura检测是可量化的，有明确的物理意义，可根据量化结果对oled屏幕划分等级，并且符合人的主观一致性。

本发明是通过实施例进行描述的，本领域技术人员知悉，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。