简介：这份PDF资源面向具备一定编程基础、关注图像处理与显示技术的研发人员，系统讲解AMOLED显示屏Mura消除方法的完整实现方案。内容从理论背景切入，围绕三通道全亮虚拟亮度与单通道实际亮度的比值关系，推导亮度补偿权重的计算方式，并给出伽马校正、初始补偿值计算、补偿权重求解与补偿应用等可运行Python代码及逐段解释，同时覆盖补偿数据生成核心逻辑、存储介质与程序产品实现、双阶段补偿架构与实时处理优化等关键环节。资源包共1个PDF文件，约809KB，便于集中阅读与代码对照。已有102人学习，适合希望理解Mura与色偏协同消除原理、掌握Demura算法落地思路并探索嵌入式显示补偿应用的技术人员参考。
1. AMOLED 屏 Mura 消除：从“看得见的脏”到“修得掉的均匀”
一块 AMOLED 屏点亮纯灰画面，斜着看总有一片片云状暗影、局部发绿或发紫的斑块，这就是 Mura。它不是你眼睛的错觉，而是蒸镀、封装、驱动 TFT 一致性差异叠加出来的亮度非均匀性。对做显示模组、驱动 IC 调校或产线检测的工程师来说，Mura 消除不是学术题，是良率题：修得好，一块屏从降级品回到合格品；修不好，整批报废。这篇文章讲的就是一条能落地的技术链路——从 Mura 的物理来源、De-Mura 核心算法，到硬件集成和实际产线应用，含可运行代码。适合有 Python 和图像基础、想把这套方案跑通的人。先立住理论，再动手复现。
2. Mura 从哪来：先搞清物理来源，再谈算法选型
Mura 消除最容易翻车的地方，是一上来就调算法参数，却没搞清这块屏的 Mura 到底是哪种。不同来源的 Mura，补偿策略完全不同。这一章先把来源拆开，再讲为什么主流方案选“亮度域补偿 + 多项式/样条拟合”这条路。
2.1 三类 Mura 来源与对应的可补偿性
从产线角度看，Mura 大致分三类。第一类是蒸镀工艺导致的膜厚不均，表现为大尺度、低频的云状暗影，空间频率低，用低阶多项式就能拟合得很好。第二类是 TFT 器件特性漂移，比如阈值电压 Vth 局部偏移，表现为中高频的细密条纹或颗粒，需要更高阶的拟合或分块处理。第三类是驱动 IC 通道间增益/偏置不一致，表现为规则竖条纹，这类其实在驱动端做通道校准比在图像端补偿更彻底。
关键判断：低频 Mura 可补偿性最高，高频细密 Mura 补偿后容易留下“补偿痕迹”（原本暗的地方被提亮后噪点也放大）。所以算法选型前，先对采集的亮度图做频谱分析，看能量集中在低频还是高频。常见做法是先做一次高斯模糊再减原图，看残差里高频占比，占比超过阈值就别硬上高阶拟合，先查工艺。
2.2 为什么选亮度域补偿而不是电压域
电压域补偿（调每个像素的驱动电压）精度高，但需要驱动 IC 支持逐像素可编程，成本和集成难度都高。亮度域补偿是在图像数据通路上乘一个增益系数，实现简单，适合大多数模组厂。代价是它会压缩动态范围：把暗区提亮，等于整体增益下降，亮区可能过曝。
我一般会先算补偿增益的动态范围。如果最大增益超过 1.3，说明 Mura 太严重，亮度域补偿会明显损失对比度，这时候要么退回工艺，要么上分区补偿。这个 1.3 不是死数，是经验阈值，具体看屏的规格。
2.3 采集环节：为什么你的 Mura 图本身就不准
补偿的前提是测准。用工业相机拍屏，常见坑是相机响应非线性、镜头暗角、拍摄角度引入的亮度梯度。这些都会被算法当成 Mura 一起补偿，结果越补越歪。
标准做法是拍一张标准白板做平场校正（flat-field correction），把镜头暗角和相机响应归一化掉。代码上就是拿白板图做参考，逐像素除一下。这一步不做，后面全是玄学。
import numpy as np import cv2 def flat_field_correct(raw_img, white_ref): """ 平场校正：消除镜头暗角和相机响应不均 raw_img: 拍摄的屏幕亮度图 (float32, 0-255) white_ref: 标准白板参考图 (float32, 0-255) """ # 避免除零，白板参考做下限保护 white_ref = np.clip(white_ref, 1.0, 255.0) # 归一化到白板均值，保持整体亮度量级 ref_mean = white_ref.mean() corrected = raw_img * (ref_mean / white_ref) return np.clip(corrected, 0, 255).astype(np.float32)逻辑说明：white_ref是均匀白板在相同光学条件下的成像，它每个像素的值反映了该位置的光学衰减。除以它就把光学系统的不均匀性消掉了。参数上，ref_mean用均值而不是最大值，是为了不整体压暗图像；clip防止过校正产生负值或溢出。这一步做完，再去看 Mura，才是屏本身的 Mura。
3. De-Mura 核心算法：多项式拟合 + 增益补偿的完整实现
理论立住了，进入核心。这一章给一套能直接跑的 De-Mura 流程：从亮度图提取、下采样拟合、生成补偿增益表，到回写验证。算法主体是低阶二维多项式拟合，配合分块处理应对中高频。
3.1 整体流程与数据流
流程分五步：采集亮度图 → 平场校正 → 下采样降噪 → 多项式拟合背景亮度 → 计算增益表 → 上采样回全分辨率。为什么下采样？因为低频 Mura 不需要全分辨率拟合，下采样能大幅降噪和提速，拟合完再插值回去。这是工程上最实用的取舍。
数据流上，输入是单通道亮度图（灰度），输出是和屏幕分辨率一致的增益表（float，通常 0.8~1.3）。增益表最终烧进驱动 IC 的补偿 LUT 或在上层图像处理里乘上去。
3.2 二维多项式拟合的实现
用最小二乘拟合一个二维多项式曲面作为“理想均匀亮度”，实际亮度除以这个曲面就是增益。阶数选择很关键：太低拟合不足，太高会拟合进噪声。经验上 3~5 阶覆盖大多数低频 Mura。
import numpy as np def fit_background(lum_img, order=4, downsample=8): """ 二维多项式拟合背景亮度 lum_img: 平场校正后的亮度图 (H, W) order: 多项式阶数，3-5 常用 downsample: 下采样倍数，降噪提速 """ h, w = lum_img.shape # 下采样：块平均，抑制高频噪声 small = lum_img[:h//downsample*downsample, :w//downsample*downsample].reshape( h//downsample, downsample, w//downsample, downsample).mean(axis=(1,3)) sh, sw = small.shape # 构造归一化坐标，避免数值量级差异导致病态 y, x = np.mgrid[0:sh, 0:sw] x = x / sw y = y / sh # 构造多项式基：所有 i+j <= order 的项 terms = [] for i in range(order+1): for j in range(order+1-i): terms.append((x**i) * (y**j)) A = np.stack([t.ravel() for t in terms], axis=1) # (N, M) b = small.ravel() # 最小二乘求解系数 coeffs, *_ = np.linalg.lstsq(A, b, rcond=None) # 在全分辨率上重建背景 yf, xf = np.mgrid[0:h, 0:w] xf = xf / w yf = yf / h bg = np.zeros((h, w), dtype=np.float64) idx = 0 for i in range(order+1): for j in range(order+1-i): bg += coeffs[idx] * (xf**i) * (yf**j) idx += 1 return bg逻辑说明：坐标归一化到 0~1 是必须的，否则高阶项数值爆炸，lstsq会病态。terms生成的是完整的多项式基，项数 M=(order+1)(order+2)/2，order=4 时 M=15，求解很快。下采样用块平均而不是隔点采样，是为了抗噪。重建时在全分辨率网格上算，保证输出和屏幕对齐。
参数上，order从 3 开始试，如果补偿后残差还有明显云状，加到 4 或 5；downsample一般 8 或 16，屏分辨率越高可以越大。注意 order 别超过 6，否则会把 Mura 本身也拟合进去，补偿就失效了。
3.3 增益表生成与限幅
背景拟合出来后，增益 = 背景 / 实际亮度。但直接算会有极端值，必须限幅。
def compute_gain(lum_img, bg, gain_min=0.8, gain_max=1.3): """ 计算补偿增益表并限幅 lum_img: 实际亮度图 bg: 拟合背景亮度 gain_min/max: 增益上下限，防止过补偿 """ lum_safe = np.clip(lum_img, 1.0, 255.0) gain = bg / lum_safe # 限幅：超出范围的截断，避免过曝或噪声放大 gain = np.clip(gain, gain_min, gain_max) # 轻度平滑，消除块状边界 gain = cv2.GaussianBlur(gain.astype(np.float32), (0,0), sigmaX=2.0) return gain逻辑说明：gain_min防止把亮区压太狠导致暗部细节丢失，gain_max防止暗区提亮时噪声爆炸。这两个值要根据屏的 Mura 严重程度调，Mura 轻的屏可以收紧到 0.9~1.15。最后的高斯平滑是为了消除下采样和拟合带来的块状痕迹，sigma 别太大，2 左右够用，太大会把真实补偿也抹掉。
3.4 补偿效果验证：残差指标怎么算
补完不能靠眼睛看，要有量化指标。常用两个：补偿前后亮度标准差（STD）和峰值信噪比（PSNR）。STD 下降越多越好，但要注意别只看 STD，还要看有没有引入新的高频噪声。
def evaluate(before, after): """评估补偿效果""" std_before = before.std() std_after = after.std() # 残差图：补偿后与理想均匀的偏差 residual = after - after.mean() return { "std_before": std_before, "std_after": std_after, "improve_ratio": 1 - std_after / std_before, "residual_std": residual.std() }improve_ratio到 0.6 以上算合格，0.8 以上算优秀。如果residual_std反而比补偿前的高频成分还大，说明补偿引入了噪声，要回去查限幅和平滑参数。
4. 硬件集成：补偿表怎么落到驱动 IC 和产线
算法跑通只是第一步，真正难的是把它塞进硬件链路。这一章讲补偿表从 PC 到屏的落地路径，以及产线节拍下的工程约束。
4.1 补偿表的存储与传输方案
补偿表本质是一张和分辨率同尺寸的浮点或定点表。全高清屏一张表就是 1920×1080×2 字节 ≈ 4MB，直接塞驱动 IC 的片上 SRAM 不现实。常见方案有三种：一是降采样存储，比如 1/8 分辨率存表，驱动端插值；二是分块存储，只存 Mura 区域的补偿值；三是走外部 Flash，驱动 IC 上电加载。
我一般推荐 1/8 降采样 + 双线性插值，4MB 降到 64KB，精度损失在低频 Mura 上几乎看不出来。传输用 I2C 或 SPI，产线一次烧录几秒内完成。
4.2 定点化：浮点转定点怎么不丢精度
驱动 IC 通常只支持定点运算。把 float 增益转成 Q 格式定点，关键是选对小数位。增益范围 0.8~1.3，用 Q1.14（1 位整数 + 14 位小数）足够，分辨率约 6e-5，远小于人眼可辨的亮度差异。
def float_to_fixed(gain, frac_bits=14): """浮点增益转 Q1.14 定点""" scale = 1 << frac_bits fixed = np.round(gain * scale).astype(np.int32) # 限幅到 16 位有符号范围 fixed = np.clip(fixed, -32768, 32767) return fixed def fixed_to_float(fixed, frac_bits=14): return fixed.astype(np.float32) / (1 << frac_bits)逻辑说明：frac_bits=14是精度和范围的平衡，Q1.14 能表示 -2~2 的范围，覆盖增益需求。转换后要验证 round-trip 误差，fixed_to_float(float_to_fixed(g))和原值的最大偏差应小于 1e-4，否则加大小数位。
4.3 产线节拍下的采集与烧录流程
产线上每块屏的 Mura 都不同，必须逐屏采集、逐屏算表、逐屏烧录。节拍通常要求单屏 10~30 秒内完成。采集用工业相机 + 暗箱，一次拍多个灰阶（比如 32、64、128、192 四阶），因为 Mura 在不同灰阶下表现不同，单灰阶补偿会在其他灰阶翻车。
流程上：上电点亮 → 拍四阶灰阶 → 平场校正 → 逐阶拟合 → 合并增益表 → 定点化 → 烧录 → 复拍验证。复拍不通过的直接标记降级，别硬烧。这套流程的瓶颈通常在相机采集和拟合计算，拟合用下采样后单帧几十毫秒，不是瓶颈，采集和机械动作才是。
5. 避坑与排查：De-Mura 落地最常见的五个翻车点
这一章是我踩过的坑，按“现象 → 原因 → 解决”写，每条都能帮你省几天调试。
5.1 补偿后出现规则竖条纹
现象：补偿后原本没有的竖条纹出现了，间距和驱动 IC 通道数一致。原因：采集时相机和屏的像素没对齐，或者驱动 IC 通道增益差异被算法当成 Mura 补偿，补偿量在通道边界跳变。解决：先做相机-屏像素对齐（用棋盘格标定），再在增益表上沿通道方向做平滑，或者干脆在驱动端做通道校准，别在图像端补。
5.2 暗区提亮后噪点明显
现象：原本暗的 Mura 区域被提亮后，颗粒感很重。原因：增益限幅太松，暗区增益超过 1.3，把传感器噪声和屏本身噪声一起放大了。解决：收紧gain_max到 1.15~1.2，或者对暗区单独做降噪后再补偿。如果 Mura 本身太严重，别硬补，退回工艺。
5.3 不同灰阶补偿效果不一致
现象：128 灰阶补得很好，32 灰阶反而更差。原因：只用单灰阶算的增益表，没考虑 Mura 随灰阶的非线性变化。解决：多灰阶采集，每个灰阶单独拟合，最后按灰阶插值生成多维 LUT。代价是存储翻几倍，但效果稳。
5.4 拟合阶数选高后补偿痕迹明显
现象：order 调到 6 后，补偿后出现和 Mura 形状相似的“反相”痕迹。原因：阶数太高，多项式把 Mura 本身也拟合进背景了，增益算出来接近 1，等于没补，还引入了拟合噪声。解决：order 回到 3~4，用残差图判断，如果残差里还有低频云状再考虑加阶，别盲目加。
5.5 产线复拍验证不通过但肉眼看着没问题
现象：复拍 STD 指标不达标，但人眼看屏挺均匀。原因：复拍时的相机参数、曝光、白平衡和首次采集不一致，指标不可比。解决：复拍必须用和首次采集完全相同的相机参数和暗箱条件，参数写进配方文件，别靠操作员手动设。
6. 进阶：多灰阶 LUT 与自适应补偿的工程技巧
走到这里，单灰阶补偿应该已经能跑通了。但真正上产线，多灰阶是绕不过去的。这一章讲两个进阶技巧：多灰阶 LUT 的构建，以及怎么用残差反馈自适应调参。
多灰阶 LUT 的核心是把增益从二维（x, y）扩展到三维（x, y, gray）。实现上，对每个采集灰阶单独拟合背景、算增益，得到一组增益表，然后对灰阶维度做插值。存储量是单灰阶的 N 倍，N 是采集灰阶数，通常 4~8 个。工程上可以只对 Mura 严重的区域存多灰阶，均匀区域用单灰阶，省存储。
def build_multi_gray_lut(gray_levels, gains): """ 构建多灰阶 LUT gray_levels: 采集的灰阶列表，如 [32, 64, 128, 192] gains: 对应的增益表列表，每个形状 (H, W) """ lut = np.stack(gains, axis=0) # (N, H, W) # 按灰阶排序，保证插值单调 order = np.argsort(gray_levels) gray_levels = np.array(gray_levels)[order] lut = lut[order] return gray_levels, lut def query_lut(gray_levels, lut, target_gray): """查询任意灰阶的增益表，线性插值""" idx = np.searchsorted(gray_levels, target_gray) if idx == 0: return lut[0] if idx >= len(gray_levels): return lut[-1] g0, g1 = gray_levels[idx-1], gray_levels[idx] w = (target_gray - g0) / (g1 - g0) return lut[idx-1] * (1 - w) + lut[idx] * w逻辑说明：build_multi_gray_lut把多个增益表堆成三维，按灰阶排序保证插值正确。query_lut用searchsorted找区间，线性插值。参数上，灰阶点选在 Mura 变化剧烈的区间密一些，比如低灰阶 16、32、48，高灰阶可以稀一些。插值权重w要 clip 到 0~1，防止越界。
自适应调参的思路是：补偿后复拍，算残差图，如果残差在某个区域仍然超阈值，就对该区域局部提高拟合阶数或加密灰阶点，迭代一到两轮。别迭代太多，容易过拟合。我一般设最多两轮，第二轮还不达标就判降级。
最后一个习惯：每次调完参数，把参数、采集条件、评估指标一起存成配方文件，和屏的批次绑定。下次遇到同类 Mura，直接调配方，别从头试。这套东西的价值不在算法多高级，在于可复现、可追溯。希望帮到你。
本文还有配套的精品资源，点击获取
