传统工业的屏幕检测还是通过人眼的感知能力来评估显示屏的质量问题，由于感知能力是主观的，且无法进行量化，很难得到一个统一的评判标准。
因此，在屏幕检测中引入机器视觉就显得尤为重要。
在屏幕检测行业，机器视觉通过灰阶对OLED屏幕的亮度进行量化，因此，图像的均匀稳定性起到了至关重要的作用。
面板检测范围就是出现亮度均匀性和残像的现象。
这个是OLED目前面临的两个主要难题，要解决这两个问题，除了工艺的改善，就是补偿技术。
在今天的另外一篇文章 AMOLED の【Mura及改善方法】有说到，补偿方法一般可以分为工艺补偿、设计补偿和外部补偿三大类。
外部补偿是指通过外部的驱动电路或设备感知像素的电学或光学特性然后进行补偿的方法。
而我们接下来要说的demura就是外部补偿。
3
Demura详解
外部补偿需要提取补偿的数据，提取的方法主要有两种：
电学补偿
光学补偿
电学补偿
很好理解，像素可以看作是一个可以发光的OLED灯泡，其亮度受到本身的物理特性和驱动电路控制。
因为背板或OLED本身mura的存在，同样的驱动信号下流过OLED的电流不一定一致，如果我们能够通过某种方法得到驱动TFT和OLED的实际I/V特性，就可以根据实际值和目标值的差异进行补偿。
因此实施起来就分为两种：
一种是获取一定电压下的TFT电流，
一种是获取一定电压下通过OLED的电流。
这种补偿的方式，需要同时在面板设计、IC设计、驱动电路设计和算法设计上下功夫。
下图为电学补偿的示意图，通过Column Readout感知TFT或OLED的I/V特性，然后通过一定的算法进行补偿。
光学补偿
这是目前采用更多的补偿方式，从原理上来说更简单：
OLED作为显示器件，不均来自于OLED像素发光的特性差异，那我们就采用一个相机记录这些像素最终发光的亮度，根据这些亮度值来直接进行补偿。
因此光学补偿方式是根据亮度来进行补偿。
后面的内容我们也主要谈谈光学补偿的Demura技术
光学补偿Demura设备
光学Demura设备基本组成部分
图像发生器：
用于生成Demura所需要的不同图形画面，包括灰阶画面和彩色画面
高分辨率低噪音相机：
要实现显示屏像素级别的图像数据采集，并能够对亮度进行精准的测试，图像采集所用的相机必须具备高的分辨率和低的噪音水平。
高性能PC：
用于设备控制和Demura数据处理。
设备载台、对位装置等机械结构
光学补偿Demura流程
Demura一般的流程如下所示：
1
样品准备
显示屏在样品载台上放置好后，通过外接的pin可以将信号源与显示屏连接，然后对其施加信号所需要的画面（一般是灰阶或者RGB）。
2
camera拍摄
拍摄检测画面时一般采用高精度高分别率的CCD相机，相机分辨率的选择取决于被检测面板的分辨率，大小，拍摄距离以及Demura补偿的精度。
其中需要注意的是，相机本身的设置对数据准确的获取至关重要，因此必须对相机进行调试，去除由相机造成的不均。
平场校正（FFC：Flat-Field Correction）
我们知道相机的像素之间也是有一定的差异的，光学镜组也存在不均，环境光等也可在样品表面造成不均，因此必须将这些因素去除。
可以通过平场校正（FFC）将这些非样品的mura予以去除。
如下图，为对一块样品进行拍照，与没有平场校正和有平常校正的图片的对比，可以看出经过平场校正后，样品的均匀性得到了改善。
▲无平场校正
▲有平场校正
黑电平校正（Black Level Correction）
通过黑电平的校正可以压低相机传感器暗电流的影响，提高信号的信噪比，特别是低灰阶画面的信噪比。
线性校正（Linearity Correction）
相机传感器对于光的反馈并不是完全线性的，为了准确还原OLED像素的亮度，需要对相机进行线性校正。
相机除了需要经过这些校正，还需要满足一定的规格：
首先要实现快速的Demura，拍照速度一定要快，对应的相机帧率要高。OLED的demura相机，一般要求帧率在15fps以上。
相机的感光度也有一定的要求，比如在灰度值低的画面下，要实现好的画面输出，感光度高的相机可以有较短的曝光时间。
有些厂还需要实现色度的补偿，这要求相机能够准确地色度提取。
3
原图处理
相机获取图片后，保存在电脑中，由电脑对图片进行处理。
在进行最终Demura数据分析之前，视具体的算法，往往还需要进行原始图片的处理。其中包括：
①摩尔纹消除：
我们知道，相机感光元件是周期性排列的，显示屏的像素也是周期性排列的，当两种周期叠到一起就会产生摩尔纹。
如下为摩尔纹产生的示例，原始图片上的摩尔纹对的显示屏的实际图像是一种干扰，因此需要采用算法予以消除。
▲摩尔纹
②畸变校正：
相机在进行拍照的时候，因为光学部件的原因会使图片产生畸变，这些畸变也可以通过合理的算法进行校正。
4
图像算法
这一步就是Demura的算法过程，这也是Demura设备的核心。
对于不同的Demura设备商来讲，Demura的算法都存在着差异，合理的算法决定了Demura的精准度和效率。
如下说明Demura的过程：
a.Drive IC点亮面板（TV/mobile/Tablet） ,并显示数个画面（一般是灰阶或者RGB）。
b.使用高分辨率和高精度的工业相机拍摄上述画面。
c.根据相机采集数据分析 pixel 颜色分布特征，计算每个像素的伽马指数值。
d.根据这个指数，并利用相关算法识别出 Mura。
e.根据 Mura 数据及相应的 Demura 补偿算法产生 Demura 数据。
f.将 Demura 数据烧录到 Flash ROM 中，重新拍摄补偿后画面，确认 Mura是否已消除。
对每一个像素都进行Demura处理，原则上是能够得到不错的Demura效果；
但是显然其效率并不高，有时候需要采用多个像素处理，来降低存储空间的使用。
有时候还需要对Mura的区域进行区分，对不同区域进行不同的Demura算法处理。
常见的有傅里叶变换对图像处理。
任意一个图像均可以分解为不同频率，强度，相位，方位的sin函数。
Mura检测之边缘识别：经过傅里叶变换后，高频部分可以用来识别图像边缘。
傅里叶处理的方式和通讯上的信号处理有类似之处：
对于一个二维的图片数据，其原始数据可以看作是一个二维的数据矩阵（对于RGB图片可以看作三维矩阵，处理的时候可以降维处理）。
亮度数据在空间上的排列可以通过傅里叶变换转换为数据的频谱图，
这样我们可以通过对频段的选取来对mura边界等进行选取
然后通过亮度值的一定算法，达到Mura的识别
然后对识别的mura进行一定的补偿算法。
（针对傅里叶变换图像处理，如有兴趣可以留言，我们再后期单篇解释）
经过对比增强后，原本很微弱不易识别的Mura可以明显被识别，当然还有很多其它的方法；例如比较Pixel与周围pixel的亮度差异，计算亮度梯度，计算色差等方法。
所以，其实Demura算法原理其实很简单：
只是把它认为偏暗的区域变亮，或者偏亮的区域变暗，或者将有色偏的区域消除；
最终的目标是使得面板不同区域有大体相同的颜色，当然需要平滑的算法来消除Mura边界。
5
生成补偿数据
OLED Demura数据确定后，就需要将其烧录到EEPROM中以实现补偿效果，最后再拍照确认Mura已消除。
Demura数据占用ROM空间的大小取决于屏幕分辨率以及补偿精度；
为了减少Memory容量，通常不会使用1x1的Pixel by Pixel补偿，采用2x2、4x4......等Pixel单位下获取一个补偿值的结构。
补偿每个Pixel时从Block的补偿值开始进行Interpolation，从而算出Pixel的补偿值。
为了呈现出在验算中产生的小数点，可以使用空间式或者时间式half-toning方法将误差降到最小。
6
downloading及驱动
先将压缩过的数据保存在Flash中；
当Demura功能开启时，从Flash提取数据到Driver IC内部SRAM中；
IC内部将数据解压得到完整的补偿数据；
并将补偿数据与应用端送来的原始显示数据叠加；
生成新的数据传送到Panel进行显示；
确认Demura补偿效果。
Demura 前效果：
Demura 后效果：
Demura的原则
Demura算法是很灵活的，不同的公司在算法上都存在着差异，但评估一个算法好坏的依据无非在于如下几点：
4
总结
对于Demura技术，如何准确的进行数据获取？如何识别mura？如何精确、有效率地进行补偿？是大家主要努力的方向。
