FMM制程遇瓶颈：OLED厂转投资WRGB
您好，欢迎来到61ic！
&.&&.&&.&&.&&.&&.&&.&&.&&.&&.&&.&&.&&.&&.&&.&&.&&.&&.&&.&&.&
您现在的位置：&&>>&&>>&正文
FMM制程遇瓶颈：OLED厂转投资WRGB
&&&&&&&&&&★★★
【字体： 】
FMM制程遇瓶颈：OLED厂转投资WRGB
作者：&&&&新闻来源：&&&&点击数：&&&&更新时间：&&&&
透过金属遮罩(Fine Metal Shadow Mask, FMM)制程投产主动式矩阵有机发光二极体(AMOLED)面板，已面临解析度极限，因此日本显示(Japan Display Inc, JDI)与友达已开始转而采用白、红、绿、蓝色(WRGB)制程量产中小尺寸AMOLED面板，以生产解析度突破441ppi的AMOLED面板，迎合行动装置配备高解析度萤幕的需求。
拓?产业研究所光电产业中心资深经理柏德葳表示，三星藉由在金属遮罩制程中导入自行研发的Diamond Pixel排列像素设计，所量产的中小尺寸AMOLED面板解析度达441ppi，已是该制程最高的解析度限度。有鉴于此，日本显示和友达正转向布局WRGB制程，试图生产更高解析度的中小尺寸AMOLED面板。
据了解，目前主流的金属遮罩制程所采取的RGB分涂方式系水平蒸镀，特别在量产大尺寸面板时，难以保持色彩的均匀性与高解析度；相较之下，WRGB系采用垂直蒸镀的方式，并借助色彩提升(Color Refiner)技术提高色彩表现，因此更容易生产出色彩均匀性和高解析度的AMOLED面板。
事实上，友达于2013年国际资讯显示学会(Society for Information Display, SID)中，已展出利用WRGB制程开发的4.4寸、解析度高达413ppi的AMOLED面板，进逼三星近期推出的441ppi AMOLED面板。
柏德葳指出，面对金属遮罩制程量产的AMOLED面板解析度难再提升，三星亦着手展开雷射热转换影像(Laser Induced Thermal Imaging, LITI)制程研发，然而现阶段该制程技术仍有难题待解，因此预估三星2013年下半年将续用金属遮罩制程投产中小尺寸AMOLED面板。
新闻录入：admin&&&&责任编辑：admin&
上一篇新闻： 下一篇新闻： 没有了
【】【】【】【】【】
没有相关新闻
　　网友评论：（只显示最新10条。评论内容只代表网友观点，与本站立场无关！）1367人阅读
最近项目中要用到修复技术，看opencv里有两种算法，我先尝试了一下Telea在2004年提出的基于快速行进的修复算法（后面简称FMM算法）。找到作者的原文看了一下，对算法有了一定了解,记录一下。
论文题目：An Image Inpainting Technique Based on the Fast Marching Method （2004）
作者主页：
论文下载：&&（编号36的那篇）
在opencv中实现修复有两种算法，这里只介绍Telea的算法，即基于快速行进（FMM）的修复算法。
首先看c++接口中，函数的定义。
void&cv::inpaint(&const&Mat&&src,&const&Mat&&mask,&Mat&&dst,&&double&inpaintRange,&int&flags&)
//src:要修复的图像；
//mask：修复模板，必须是单通道图像；
//dst：目标图像；
//inpaintRange：选取邻域半径;
//flags:要使用的方法，可以是CV INPAINT NS或CV INPAINT TELEA（本文介绍的方法）。
其实c++接口实现的inpaint方法，只是调用了一下c接口中的cvinpaint。
cvInpaint(&const&vArr*_input_img,const&CvArr*&_inpaint_mask,CvArr*&_output_img,&double&inpaintRange,&int&flags&)
首先，FMM算法基于的思想是，先处理待修复区域边缘上的像素点，然后层层向内推进，直到修复完所有的像素点。
下面以灰度图为例，我们只需要计算出像素新的灰度值即可。对于彩色图像，分别用同样的方法处理各个通道即可。
一、先说一下如何修复一个像素点的。
参考上图，Ω区域是待修复的区域；δΩ指Ω的边界）；要修复Ω中的像素，就需要计算出新的像素值来代替原值。
现在假设p点是我们要修复的像素。以p为中心选取一个小邻域B(ε），该邻域中的点像素值都是已知的（只要已知的）。（这个ε就是opencv函数中参数 inpaintRadius）
q为&Bε（p）中的一点，由q点计算P的灰度值公式如下：
I q (p) = I(q) + ? I(q)(p - q)（? I(q)是q点的亮度梯度值）
显然，我们需要的是用邻域Bε（p）中的所有点计算p点的新灰度值。显然，各个像素点所起的作用应该是不同的，也就引入了权值函数来决定哪些像素的值对新像素值影响更大，哪些比较小。采用下面的公式（公式2）：
这里的w(p, q)就是权值函数，是用来限定邻域中各像素的贡献大小的。
&w(p, q) = dir(p, q) · dst(p, q) · lev(p, q)
其中，d0和 T0分别为距离参数和水平集参数，一般都取为 1。方向因子 dir(p,q)保证了越靠近法线方向 N = &?T的像素点对 p 点的贡献最大；几何距离因子 dst(p,q)保证了离 p 点越近的像素点对p 点贡献越大；水平集距离因子lev(p,q)保证了离经过点 p 的待修复区域的轮廓线越近的已知像素点对点 p 的贡献越大。
二、下面就是考虑是什么样的顺序来处理待修复区域中的所有像素。作者采用的是快速行进方法Fast Marching Method。
行进算法伪代码：
δΩi = boundary of region to inpaint//修复区域的边缘
δΩ = δΩi
while (δΩ not empty)
&&&&p = pixel of δΩ closest to δΩi//修复距离边缘最近的像素
&&&&inpaint p using Eqn.2//利用公式2修复p点
&&&&advance δΩ into Ω//把边缘向里行进
看到这里，就会有疑惑了，怎么确定像素与边缘的距离呢。
算法中为待修复区域边缘构建了一个窄边（narrowBand），就是上面所说的δΩ。在opencv里是利用先将mask膨胀得到mask2（结构元素是长为2*ε+1的十字形，以中心点为原点），再用mask2减去mask得到band图，则band中非0元素即narrowBand）。从这里可以看出最初的narrowBand（即δΩ1）是不需要修复的。确定窄边的目的就是为了找到下面要修复的像素。
首先将像素分为三类，用flag标识记录：BAND：其实就是δΩ上的像素； KNOWN:就是δΩ外部不需要修复的像素；INSIDE:就是δΩ内部的等待修复的像素。
另外，每个像素还需要存储两个值：T（该像素离到边缘&δΩ的距离）；I（灰度值）。
下面先说一下处理像素是按怎样的行进方式的：
1．&&&&&&& 初始化。首先按上面说的方法找到narrowBand，flag记为BAND;窄边内部的待修复区域记为INSIDE，已知像素flag设为KNOWN。BAND和KNOWN类型的像素T值初始化为0（这里看opencv代码里好像把KNOWN也设为106），INSIDE类型像素T值设为无限大（实际中设为106）。
2．&&&&&&& 定义一个数据结构NarrowBand（opencv中采用双向链表实现），将窄边中的像素按T值升序排列，依次加入到NarrowBand中，先处理T最小的像素。假设为p点，将p点类型改为KNOWN,然后依次处理p点的四邻域点Pi。如果Pi类型为INSIDE，若是则重新计算I，修复该点，并更新其T值,修改该点类型为BAND,加入NarrowBand（这里仍按顺序，即始终保持NarrowBand是按升序排列的）。依次进行，每次处理的都是NarrowBand中T最小的像素，直到NarrowBand中没有像素。
代码如下：
while (NarrowBand not empty)
&&&&extract P(i,j) = head(NarrowBand); /* STEP 1 *//*提取T值最小像素*/
&&&&for (k,l) in (i-1,j),(i,j-1),(i+1,j),(i,j+1)/*依次处理该像素的四邻域像素*/
&&&&&&&&if (f(k,l)!=KNOWN)
&&&&&&&&&&&&if (f(k,l)==INSIDE)
&&&&&&&&&&&&{
&&&&&&&&&&&&&&&&f(k,l)=BAND; /* STEP 2修改(k,l)像素点的lag*/
&&&&&&&&&&&&&&&&inpaint(k,l); /* STEP 3修复(k,l)像素点*/
&&&&&&&&&&&&}
&&&&&&&&&&&&T (k,l) = min(solve(k-1,l,k,l-1), /* STEP 4 更新(k,l)像素点的值*/
&&&&&&&&&&&&solve(k+1,l,k,l-1),
&&&&&&&&&&&&solve(k-1,l,k,l+1),
&&&&&&&&&&&&solve(k+1,l,k,l+1));
&&&&&&&&&&&&insert(k,l) in NarrowB /* STEP 5 将(k,l)像素点加入NarrowBand*/
下面是具体计算T的代码个地方，原文中的代码有错误，下面是参考opencv代码修改好的）
T(k,l)=min(solve(k-1,l,k,l-1),solve(k+1,l,k,l-1),solve(k-1,l,k,l+1),solve(k+1,l,k,l+1));
float solve(int i1,int j1,int i2,int j2)
&&&&float sol = 1.0e6;
&&&&if (f(i1,j1)==KNOWN)
&&&&&&&&if (f(i2,j2)==KNOWN)
&&&&&&&&&&&&float r = sqrt(2-(T(i1,j1)-T(i2,j2))*(T(i1,j1)-T(i2,j2)));
&&&&&&&&&&&&float s = (T(i1,j1)+T(i2,j2)-r)/2;
&&&&&&&&&&&&if (s&=T(i1,j1) && s&=T(i2,j2)) sol =
&&&&&&&&&&&&else
&&&&&&&&&&&&{ s += if (s&=T(i1,j1) && s&=T(i2,j2))&&&&&&&&&&&&&&&&&&&&&&&&&&& sol =&}
&&&&&&&&&}
&&&&else sol = 1+T(i1,j1));
&&&&else if (f(i2,j2)==KNOWN) sol = 1+T(i2,j2));
贴一个原文中的结果图：
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：244429次
积分：3862
积分：3862
排名：第2828名
原创：139篇
转载：115篇
评论：39条
(2)(1)(1)(4)(4)(1)(5)(2)(2)(8)(12)(36)(13)(6)(12)(26)(18)(21)(5)(15)(7)(2)(1)(2)(1)(11)(10)(26)