【原理解析】为什么显示器Fliker dB值越大,闪烁程度越轻?

显示器Fliker

  • 1 显示器闪烁现象说明
  • 2 Fliker量测方法
    • 2.1 FMA法
    • 2.2 JEITA法
      • 问题答疑:为什么显示器Fliker dB值越大,闪烁程度越轻?
  • 3 参考文献

1 显示器闪烁现象说明

当一个光源闪烁超过每秒10次以上就可在人眼中产生视觉残留,此时的人眼还是可以感受到光源闪烁感,长时间凝视会对人眼造成不适感,当每秒闪烁超过30次之后这种不适感才会随之下降。TFT-LCD利用电压变化控制液晶盒内电场的强弱,改变液晶分子排列方向,达到对光透过与否的控制。在液晶显示器显示画面时,经常出现画面“闪烁、忽明忽暗”的现象,这种现象称为“Flicker”。
通常情况下,输入到液晶器件中的图像信号的极性会在每一帧(垂直同步周期)结束后发生反转。假设屏幕上持续显示相同的图像。对于每一帧的图像,参考电压必须等于图像信号的振幅中心,如图 1 (左) 所示。然而,如果参考电压的位置像图 1 (右) 中那样发生偏移,图像信号的正负部分就会发生变化。因此,图像信号将以等于帧率频率的一半的频率发生变化。例如,如果垂直同步频率为 60Hz,图像信号将以 30Hz 的频率发生变化。由于这低于人类的感知阈值频率,人类会感觉到闪烁。如果在液晶显示器上出现闪烁,观看时会非常令人讨厌。通常情况下,液晶面板的参考电压是在制造过程中进行调整的。

在这里插入图片描述

图1 Fliker产生原因

一个点反转式液晶面板显示着一个棋盘状图案(如图2 所示),其中交替的像素会反复被开启和关闭。在这种情况下,亮起的像素在给定的帧期间会接收到相同的信号极性,这使得每个像素的反转更有可能发生,并导致整个图像被感知为有闪烁现象。
在这里插入图片描述

图2 Fliker检查图案(点反转式液晶)

2 Fliker量测方法

图 3 展示了在出现闪烁时亮度与时间之间的关系。从该图中可以看出,亮度呈周期性变化;很明显可以看出,这个周期的振幅越大,明显的闪烁就越强烈。此外,这种亮度波动的周期与显示器的垂直同步信号周期相同,均为其两倍
在这里插入图片描述

图3 Fliker亮度变化曲线示例

测量闪烁的方法大致可分为以下两种:
(1)FMA
测量亮度波动的直流分量和交流分量,并根据这两部分之间的比例来确定闪烁现象。
(2)JEITA
分析亮度波动的频率成分,并根据直流分量与任何频率下的最大交流分量之间的比例来确定闪烁现象。

2.1 FMA法

当显示器的亮度水平如图4所示出现波动时,可以将其视为一个交流成分与一个直流成分的组合。这种闪烁量可定义为(交流成分)/(直流成分),并被称为“对比度法闪烁值”(以下简称为“对比度闪烁值”)。
在这里插入图片描述

图4 FMA法示例

在对比法中,由于交流分量和直流分量的定义为公式1:

在这里插入图片描述
闪烁值可通过以下公式 2来计算:
在这里插入图片描述
从获取传感器数据输出之时起,直至计算出闪烁值期间仪器内部所发生的流程运作过程,将在下文的图5中进行详细说明:
在这里插入图片描述

  • (A)到(C)
    亮度传感器的输出信号会经过电处理以去除高频成分,从而得到用于计算闪烁的信号。
  • (C)到(D)
    对去除高频成分后的模拟信号进行指定时间(t1)的 A/D 转换,以获得计算所需的数字数据(在(D)中用“•”表示)。
  • (D)到(E)
    确定数字数据中的最大值和最小值,并分别设为 Vmax 和 Vmin。
  • (E)到(G)
    然后,这些值将用于根据公式 1 计算(交流分量)/(直流分量)的比值以及闪烁值。在计算交流分量时,会根据交流分量的频率对在低通滤波器处理过程中出现的衰减进行补偿。

2.2 JEITA法

JEITA 闪烁测量方法是一种用于量化闪烁值的手段,同时还能准确反映人类眼睛的频率响应特性
当显示器的亮度水平出现波动时,闪烁光可以被视为一个直流分量加上若干个频率分量的总和。因此,首先,将随时间变化的亮度波动数据分离为其频率分量(直流分量和每个交流分量)。接下来,将每个频率分量转换为考虑到人类眼睛频率特性的值。
从所获得的各种频率分量中,将功率谱中除功率谱最大值为 0Hz(直流)分量之外的其他分量的功率谱设为 Px,将直流分量的功率谱设为 P0,并使用以下公式3来确定闪烁值(以下称为 JEITA 闪烁值)。
在这里插入图片描述
下图展示了运作示例,直至计算并输出 JEITA 闪烁值的过程。
在这里插入图片描述

  • (A)
    在指定的时间(t2)内,对传感器的输出信号进行反复的 A/D 转换,以获取进行计算所需的数字数据(如图(A)中所标注的)。
  • (A)到(B):
    所获得的数字值通过傅里叶变换处理,并分离出各个频率成分。换句话说,由于要测量的光源是 3 个光源(1)、(2)和(3)组合而成的,因此将这些频率成分分离出来意味着获取光源(1)、(2)和(3)的频率和振幅值。所获得的数据将如图(B)所示。
    此外,为了减少由于数字傅里叶变换的特性而产生的误差,会对这些数字数据应用适当的窗口函数处理。
  • (B)到(D):
    然后,这些频率成分通过积分器进行处理,以反映人类眼睛的频率响应特性,如图(C)0Hz(直流)和 20Hz 的成分完全没有减少,而 50Hz 的成分则减少到原始值的 0.251 倍。所获取的数据将如(D)所示。
  • (D)至(E):
    从(D)中的数据中,选择除 0Hz 分量之外的最大分量,并将其用作交流分量。(在此示例中,将是 20Hz 的分量。) 0Hz 分量则用作直流分量。

这些直流和交流分量的功率谱分别设定为 P0 和 P1,而 JEITA 的闪烁值则通过公式3 计算得出。
在这里插入图片描述

问题答疑:为什么显示器Fliker dB值越大,闪烁程度越轻?

通过亮度计(如CA410)可量测出JEITA Fliker为-50dB,该数值越大(例如-80dB)面板闪烁越轻。因为当面板的闪烁幅度(JEITA 中的交流幅值)越小,占直流分量的比值越小,计算出来的log结果就越往负无穷,所以Fliker dB值越大,闪烁程度越轻。
在这里插入图片描述

3 参考文献

[1] 柯尼卡美能达官方说明链接
[2]柯尼卡美能达官方文件——直接下载链接(Fliker相关说明在P40-59)
其他网页资料参考:
http://www.manyoung-optics.com/article-item-39.html
https://blog.csdn.net/wanghuannihao1992/article/details/121354338
https://xueqiu.com/7131487766/262372180

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.pswp.cn/bicheng/83584.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

3.需求分析与测试用例设计方法

设计方法 测试点 定义: 测试时需要考虑的可测试方面,不同公司可能称为"检查点"或其它名称特点: 是需求分析的最后一个环节,用于解决"测哪里"和"怎么测"的问题举例说明: 如同打架时的各种招数,如直接约架、设…

IEC 61347-1:2015 灯控制装置安全标准详解

IEC 61347-1:2015灯控制装置安全标准详解 IEC 61347-1:2015 是国际电工委员会(IEC)发布的灯控制装置第1部分:通用要求和安全要求的核心标准,为各类照明用电子控制设备设定了全球通用的安全基准。该标准适用于独立式或内置于灯具/…

从 GPT 的发展看大模型的演进

这是一个技术爆炸的时代。一起来看看 GPT 诞生后,与BERT 的角逐。 BERT 和 GPT 是基于 Transformer 模型架构的两种不同类型的预训练语言模型。它们之间的角逐可以从 Transformer 的编码解码结构角度来分析。 BERT(Bidirectional Encoder Representatio…

多目标粒子群优化算法(MOPSO),用于解决无人机三维路径规划问题,Matlab代码实现

多目标粒子群优化算法(MOPSO),用于解决无人机三维路径规划问题,Matlab代码实现 目录 多目标粒子群优化算法(MOPSO),用于解决无人机三维路径规划问题,Matlab代码实现效果一览基本介绍…

贪心算法应用:集合覆盖问题详解

贪心算法与集合覆盖问题详解 贪心算法在组合优化问题中展现出独特优势,集合覆盖问题(Set Cover Problem)是其中的经典案例。本文将用2万字全面解析贪心算法在集合覆盖/划分中的应用,涵盖算法原理、正确性分析、Java实现、复杂度证…

MCP:让AI工具协作变得像聊天一样简单 [特殊字符]

想象一下,你正在处理一个项目,需要从A平台查看团队讨论,从B平台获取客户信息,还要在GitHub上检查代码进度。传统做法是什么?打开三个不同的网页,在各个平台间来回切换,复制粘贴数据,最后还可能因为信息分散而遗漏重要细节。 听起来很熟悉?这正是当前工作流程的痛点所…

docker不用dockerfile

好的!既然你不想使用 Dockerfile,我们就完全不写 Dockerfile,改用你 Leader 提到的思路: 用基础镜像启动一个容器 → 手动在容器里安装依赖和复制项目 → 保存为新镜像 这个方式更直观,就像“你进入容器自己配置环境&a…

React与Vue核心区别对比

React 和 Vue 都是当今最流行、功能强大的前端 JavaScript 框架,用于构建用户界面。它们有很多相似之处(比如组件化、虚拟 DOM、响应式数据绑定),但也存在一些核心差异。以下是它们的主要区别: 1. 核心设计与哲学 Rea…

强化学习-深度学习和强化学习领域

在深度学习和强化学习领域,SFT(Supervised Fine-Tuning) 和 GRPO(可能指 Gradient-based Policy Optimization 或 Reinforcement Learning with Policy Optimization)是两种不同的训练范式,常用于模型微调或…

在 ABP VNext 中集成 Serilog:打造可观测、结构化日志系统

🚀 在 ABP VNext 中集成 Serilog:打造可观测、结构化日志系统 📚 目录 🚀 在 ABP VNext 中集成 Serilog:打造可观测、结构化日志系统1. 为什么要使用结构化日志? 🤔2. 核心集成步骤 &#x1f6e…

API异常信息如何实时发送到钉钉

#背景 对于一些重要的API,开发人员会非常关注API有没有报错,为了方便开发人员第一时间获取错误信息,我们可以使用插件来将API报错实时发送到钉钉群。 接下来我们就来实操如何实现 #准备工作 #创建钉钉群 如果已有钉钉群,可以跳…

Stone 3D新版本发布,添加玩家控制和生物模拟等组件,增强路径编辑功能,优化材质编辑

后续版本号改为构建日期加小版本,所以最新版本为20250603.01 功能更新如下: 1. 改写fps-controls组件,简化游戏应用的创建,你只需要一个场景glb,然后给Scene节点添加fps-controls组件,即可完成一个第一人…

【C++11】折叠引用和完美转发

目录 一. 前言二. 引用折叠引用折叠的规则 三. 完美转发完美转发适用场景完美转发底层实现思考1思考2 一. 前言 在函数传参时,如果想保持某个参数的属性不改变,需要完美转发,而完美转发的实现需要折叠引用的帮助 二. 引用折叠 在语法上&am…

Vue 树状结构控件

1、效果图如下所示&#xff1a; 2、网络请求的数据结构如下&#xff1a; 3、新建插件文件&#xff1a;menu-tree.vue&#xff0c;插件代码如下&#xff1a; <template><div class"root"><div class"parent" click"onParentClick(pare…

洛谷P12610 ——[CCC 2025 Junior] Donut Shop

题目背景 Score: 15. 题目描述 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. 输入格式 The first …

数据挖掘顶刊《IEEE Transactions on Knowledge and Data Engineering》2025年5月研究热点都有些什么?

本推文对2025年5月出版的数据挖掘领域国际顶级期刊《IEEE Transactions on Knowledge and Data Engineering》进行了分析&#xff0c;对收录的62篇论文的关键词与研究主题进行了汇总&#xff0c;并对其中的研究热点进行了深入分析&#xff0c;希望能为相关领域的研究人员提供有…

华为OD机试真题——最小的调整次数/特异性双端队列(2025B卷:100分)Java/python/JavaScript/C++/C语言/GO六种最佳实现

2025 B卷 100分 题型 本文涵盖详细的问题分析、解题思路、代码实现、代码详解、测试用例以及综合分析; 并提供Java、python、JavaScript、C++、C语言、GO六种语言的最佳实现方式! 2025华为OD真题目录+全流程解析/备考攻略/经验分享 华为OD机试真题《最小的调整次数/特异性双端…

2024年ESWA SCI1区TOP,自适应学习灰狼算法ALGWO+无线传感器网络覆盖优化,深度解析+性能实测

目录 1.端午快乐2.摘要3.灰狼算法GWO原理4.改进策略5.结果展示6.参考文献7.代码获取8.读者交流 1.端午快乐 今天端午节&#xff0c;祝各位朋友端午安康&#xff0c;阖家平安&#xff01; 2.摘要 无线传感器网络&#xff08;WSNs&#xff09;是一种被广泛应用的新兴技术&…

ADI硬件笔试面试题型解析下

本专栏预计更新60期左右。当前第17期-ADI硬件. ADI其硬件工程师岗位的招聘流程通常包括笔试和多轮技术面试,考察领域涵盖模拟电路设计、数字电路、半导体器件和信号处理等。 本文通过分析平台上的信息,汇总了ADI硬件工程师的典型笔试和面试题型,并提供详细解析和备考建议,…

SpringCloud 分布式锁Redisson锁的重入性与看门狗机制 高并发 可重入

可重入 Redisson 的锁支持 可重入性&#xff0c;这意味着同一个线程在获取锁后&#xff0c;如果再次尝试获取该锁&#xff0c;它可以成功地获得锁&#xff0c;而不会被阻塞。 每次一个线程成功获取锁后&#xff0c;它的持有次数会增加。当线程再次获取该锁时&#xff0c;Redi…