【原理解析】為什么顯示器Fliker dB值越大,閃爍程度越輕?

顯示器Fliker

  • 1 顯示器閃爍現象說明
  • 2 Fliker量測方法
    • 2.1 FMA法
    • 2.2 JEITA法
      • 問題答疑:為什么顯示器Fliker dB值越大,閃爍程度越輕?
  • 3 參考文獻

1 顯示器閃爍現象說明

當一個光源閃爍超過每秒10次以上就可在人眼中產生視覺殘留,此時的人眼還是可以感受到光源閃爍感,長時間凝視會對人眼造成不適感,當每秒閃爍超過30次之后這種不適感才會隨之下降。TFT-LCD利用電壓變化控制液晶盒內電場的強弱,改變液晶分子排列方向,達到對光透過與否的控制。在液晶顯示器顯示畫面時,經常出現畫面“閃爍、忽明忽暗”的現象,這種現象稱為“Flicker”。
通常情況下,輸入到液晶器件中的圖像信號的極性會在每一幀(垂直同步周期)結束后發生反轉。假設屏幕上持續顯示相同的圖像。對于每一幀的圖像,參考電壓必須等于圖像信號的振幅中心,如圖 1 (左) 所示。然而,如果參考電壓的位置像圖 1 (右) 中那樣發生偏移,圖像信號的正負部分就會發生變化。因此,圖像信號將以等于幀率頻率的一半的頻率發生變化。例如,如果垂直同步頻率為 60Hz,圖像信號將以 30Hz 的頻率發生變化。由于這低于人類的感知閾值頻率,人類會感覺到閃爍。如果在液晶顯示器上出現閃爍,觀看時會非常令人討厭。通常情況下,液晶面板的參考電壓是在制造過程中進行調整的。

在這里插入圖片描述

圖1 Fliker產生原因

一個點反轉式液晶面板顯示著一個棋盤狀圖案(如圖2 所示),其中交替的像素會反復被開啟和關閉。在這種情況下,亮起的像素在給定的幀期間會接收到相同的信號極性,這使得每個像素的反轉更有可能發生,并導致整個圖像被感知為有閃爍現象。
在這里插入圖片描述

圖2 Fliker檢查圖案(點反轉式液晶)

2 Fliker量測方法

圖 3 展示了在出現閃爍時亮度與時間之間的關系。從該圖中可以看出,亮度呈周期性變化;很明顯可以看出,這個周期的振幅越大,明顯的閃爍就越強烈。此外,這種亮度波動的周期與顯示器的垂直同步信號周期相同,均為其兩倍
在這里插入圖片描述

圖3 Fliker亮度變化曲線示例

測量閃爍的方法大致可分為以下兩種:
(1)FMA
測量亮度波動的直流分量和交流分量,并根據這兩部分之間的比例來確定閃爍現象。
(2)JEITA
分析亮度波動的頻率成分,并根據直流分量與任何頻率下的最大交流分量之間的比例來確定閃爍現象。

2.1 FMA法

當顯示器的亮度水平如圖4所示出現波動時,可以將其視為一個交流成分與一個直流成分的組合。這種閃爍量可定義為(交流成分)/(直流成分),并被稱為“對比度法閃爍值”(以下簡稱為“對比度閃爍值”)。
在這里插入圖片描述

圖4 FMA法示例

在對比法中,由于交流分量和直流分量的定義為公式1:

在這里插入圖片描述
閃爍值可通過以下公式 2來計算:
在這里插入圖片描述
從獲取傳感器數據輸出之時起,直至計算出閃爍值期間儀器內部所發生的流程運作過程,將在下文的圖5中進行詳細說明:
在這里插入圖片描述

  • (A)到(C)
    亮度傳感器的輸出信號會經過電處理以去除高頻成分,從而得到用于計算閃爍的信號。
  • (C)到(D)
    對去除高頻成分后的模擬信號進行指定時間(t1)的 A/D 轉換,以獲得計算所需的數字數據(在(D)中用“?”表示)。
  • (D)到(E)
    確定數字數據中的最大值和最小值,并分別設為 Vmax 和 Vmin。
  • (E)到(G)
    然后,這些值將用于根據公式 1 計算(交流分量)/(直流分量)的比值以及閃爍值。在計算交流分量時,會根據交流分量的頻率對在低通濾波器處理過程中出現的衰減進行補償。

2.2 JEITA法

JEITA 閃爍測量方法是一種用于量化閃爍值的手段,同時還能準確反映人類眼睛的頻率響應特性
當顯示器的亮度水平出現波動時,閃爍光可以被視為一個直流分量加上若干個頻率分量的總和。因此,首先,將隨時間變化的亮度波動數據分離為其頻率分量(直流分量和每個交流分量)。接下來,將每個頻率分量轉換為考慮到人類眼睛頻率特性的值。
從所獲得的各種頻率分量中,將功率譜中除功率譜最大值為 0Hz(直流)分量之外的其他分量的功率譜設為 Px,將直流分量的功率譜設為 P0,并使用以下公式3來確定閃爍值(以下稱為 JEITA 閃爍值)。
在這里插入圖片描述
下圖展示了運作示例,直至計算并輸出 JEITA 閃爍值的過程。
在這里插入圖片描述

  • (A)
    在指定的時間(t2)內,對傳感器的輸出信號進行反復的 A/D 轉換,以獲取進行計算所需的數字數據(如圖(A)中所標注的)。
  • (A)到(B):
    所獲得的數字值通過傅里葉變換處理,并分離出各個頻率成分。換句話說,由于要測量的光源是 3 個光源(1)、(2)和(3)組合而成的,因此將這些頻率成分分離出來意味著獲取光源(1)、(2)和(3)的頻率和振幅值。所獲得的數據將如圖(B)所示。
    此外,為了減少由于數字傅里葉變換的特性而產生的誤差,會對這些數字數據應用適當的窗口函數處理。
  • (B)到(D):
    然后,這些頻率成分通過積分器進行處理,以反映人類眼睛的頻率響應特性,如圖(C)0Hz(直流)和 20Hz 的成分完全沒有減少,而 50Hz 的成分則減少到原始值的 0.251 倍。所獲取的數據將如(D)所示。
  • (D)至(E):
    從(D)中的數據中,選擇除 0Hz 分量之外的最大分量,并將其用作交流分量。(在此示例中,將是 20Hz 的分量。) 0Hz 分量則用作直流分量。

這些直流和交流分量的功率譜分別設定為 P0 和 P1,而 JEITA 的閃爍值則通過公式3 計算得出。
在這里插入圖片描述

問題答疑:為什么顯示器Fliker dB值越大,閃爍程度越輕?

通過亮度計(如CA410)可量測出JEITA Fliker為-50dB,該數值越大(例如-80dB)面板閃爍越輕。因為當面板的閃爍幅度(JEITA 中的交流幅值)越小,占直流分量的比值越小,計算出來的log結果就越往負無窮,所以Fliker dB值越大,閃爍程度越輕。
在這里插入圖片描述

3 參考文獻

[1] 柯尼卡美能達官方說明鏈接
[2]柯尼卡美能達官方文件——直接下載鏈接(Fliker相關說明在P40-59)
其他網頁資料參考:
http://www.manyoung-optics.com/article-item-39.html
https://blog.csdn.net/wanghuannihao1992/article/details/121354338
https://xueqiu.com/7131487766/262372180

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/bicheng/83584.shtml
繁體地址,請注明出處:http://hk.pswp.cn/bicheng/83584.shtml
英文地址,請注明出處:http://en.pswp.cn/bicheng/83584.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

3.需求分析與測試用例設計方法

設計方法 測試點 定義: 測試時需要考慮的可測試方面,不同公司可能稱為"檢查點"或其它名稱特點: 是需求分析的最后一個環節,用于解決"測哪里"和"怎么測"的問題舉例說明: 如同打架時的各種招數,如直接約架、設…

IEC 61347-1:2015 燈控制裝置安全標準詳解

IEC 61347-1:2015燈控制裝置安全標準詳解 IEC 61347-1:2015 是國際電工委員會(IEC)發布的燈控制裝置第1部分:通用要求和安全要求的核心標準,為各類照明用電子控制設備設定了全球通用的安全基準。該標準適用于獨立式或內置于燈具/…

從 GPT 的發展看大模型的演進

這是一個技術爆炸的時代。一起來看看 GPT 誕生后,與BERT 的角逐。 BERT 和 GPT 是基于 Transformer 模型架構的兩種不同類型的預訓練語言模型。它們之間的角逐可以從 Transformer 的編碼解碼結構角度來分析。 BERT(Bidirectional Encoder Representatio…

多目標粒子群優化算法(MOPSO),用于解決無人機三維路徑規劃問題,Matlab代碼實現

多目標粒子群優化算法(MOPSO),用于解決無人機三維路徑規劃問題,Matlab代碼實現 目錄 多目標粒子群優化算法(MOPSO),用于解決無人機三維路徑規劃問題,Matlab代碼實現效果一覽基本介紹…

貪心算法應用:集合覆蓋問題詳解

貪心算法與集合覆蓋問題詳解 貪心算法在組合優化問題中展現出獨特優勢,集合覆蓋問題(Set Cover Problem)是其中的經典案例。本文將用2萬字全面解析貪心算法在集合覆蓋/劃分中的應用,涵蓋算法原理、正確性分析、Java實現、復雜度證…

MCP:讓AI工具協作變得像聊天一樣簡單 [特殊字符]

想象一下,你正在處理一個項目,需要從A平臺查看團隊討論,從B平臺獲取客戶信息,還要在GitHub上檢查代碼進度。傳統做法是什么?打開三個不同的網頁,在各個平臺間來回切換,復制粘貼數據,最后還可能因為信息分散而遺漏重要細節。 聽起來很熟悉?這正是當前工作流程的痛點所…

docker不用dockerfile

好的!既然你不想使用 Dockerfile,我們就完全不寫 Dockerfile,改用你 Leader 提到的思路: 用基礎鏡像啟動一個容器 → 手動在容器里安裝依賴和復制項目 → 保存為新鏡像 這個方式更直觀,就像“你進入容器自己配置環境&a…

React與Vue核心區別對比

React 和 Vue 都是當今最流行、功能強大的前端 JavaScript 框架,用于構建用戶界面。它們有很多相似之處(比如組件化、虛擬 DOM、響應式數據綁定),但也存在一些核心差異。以下是它們的主要區別: 1. 核心設計與哲學 Rea…

強化學習-深度學習和強化學習領域

在深度學習和強化學習領域,SFT(Supervised Fine-Tuning) 和 GRPO(可能指 Gradient-based Policy Optimization 或 Reinforcement Learning with Policy Optimization)是兩種不同的訓練范式,常用于模型微調或…

在 ABP VNext 中集成 Serilog:打造可觀測、結構化日志系統

🚀 在 ABP VNext 中集成 Serilog:打造可觀測、結構化日志系統 📚 目錄 🚀 在 ABP VNext 中集成 Serilog:打造可觀測、結構化日志系統1. 為什么要使用結構化日志? 🤔2. 核心集成步驟 &#x1f6e…

API異常信息如何實時發送到釘釘

#背景 對于一些重要的API,開發人員會非常關注API有沒有報錯,為了方便開發人員第一時間獲取錯誤信息,我們可以使用插件來將API報錯實時發送到釘釘群。 接下來我們就來實操如何實現 #準備工作 #創建釘釘群 如果已有釘釘群,可以跳…

Stone 3D新版本發布,添加玩家控制和生物模擬等組件,增強路徑編輯功能,優化材質編輯

后續版本號改為構建日期加小版本,所以最新版本為20250603.01 功能更新如下: 1. 改寫fps-controls組件,簡化游戲應用的創建,你只需要一個場景glb,然后給Scene節點添加fps-controls組件,即可完成一個第一人…

【C++11】折疊引用和完美轉發

目錄 一. 前言二. 引用折疊引用折疊的規則 三. 完美轉發完美轉發適用場景完美轉發底層實現思考1思考2 一. 前言 在函數傳參時,如果想保持某個參數的屬性不改變,需要完美轉發,而完美轉發的實現需要折疊引用的幫助 二. 引用折疊 在語法上&am…

Vue 樹狀結構控件

1、效果圖如下所示&#xff1a; 2、網絡請求的數據結構如下&#xff1a; 3、新建插件文件&#xff1a;menu-tree.vue&#xff0c;插件代碼如下&#xff1a; <template><div class"root"><div class"parent" click"onParentClick(pare…

洛谷P12610 ——[CCC 2025 Junior] Donut Shop

題目背景 Score: 15. 題目描述 The owner of a donut shop spends the day baking and selling donuts. Given the events that happen over the course of the day, your job is to determine the number of donuts remaining when the shop closes. 輸入格式 The first …

數據挖掘頂刊《IEEE Transactions on Knowledge and Data Engineering》2025年5月研究熱點都有些什么?

本推文對2025年5月出版的數據挖掘領域國際頂級期刊《IEEE Transactions on Knowledge and Data Engineering》進行了分析&#xff0c;對收錄的62篇論文的關鍵詞與研究主題進行了匯總&#xff0c;并對其中的研究熱點進行了深入分析&#xff0c;希望能為相關領域的研究人員提供有…

華為OD機試真題——最小的調整次數/特異性雙端隊列(2025B卷:100分)Java/python/JavaScript/C++/C語言/GO六種最佳實現

2025 B卷 100分 題型 本文涵蓋詳細的問題分析、解題思路、代碼實現、代碼詳解、測試用例以及綜合分析; 并提供Java、python、JavaScript、C++、C語言、GO六種語言的最佳實現方式! 2025華為OD真題目錄+全流程解析/備考攻略/經驗分享 華為OD機試真題《最小的調整次數/特異性雙端…

2024年ESWA SCI1區TOP,自適應學習灰狼算法ALGWO+無線傳感器網絡覆蓋優化,深度解析+性能實測

目錄 1.端午快樂2.摘要3.灰狼算法GWO原理4.改進策略5.結果展示6.參考文獻7.代碼獲取8.讀者交流 1.端午快樂 今天端午節&#xff0c;祝各位朋友端午安康&#xff0c;闔家平安&#xff01; 2.摘要 無線傳感器網絡&#xff08;WSNs&#xff09;是一種被廣泛應用的新興技術&…

ADI硬件筆試面試題型解析下

本專欄預計更新60期左右。當前第17期-ADI硬件. ADI其硬件工程師崗位的招聘流程通常包括筆試和多輪技術面試,考察領域涵蓋模擬電路設計、數字電路、半導體器件和信號處理等。 本文通過分析平臺上的信息,匯總了ADI硬件工程師的典型筆試和面試題型,并提供詳細解析和備考建議,…

SpringCloud 分布式鎖Redisson鎖的重入性與看門狗機制 高并發 可重入

可重入 Redisson 的鎖支持 可重入性&#xff0c;這意味著同一個線程在獲取鎖后&#xff0c;如果再次嘗試獲取該鎖&#xff0c;它可以成功地獲得鎖&#xff0c;而不會被阻塞。 每次一個線程成功獲取鎖后&#xff0c;它的持有次數會增加。當線程再次獲取該鎖時&#xff0c;Redi…