本发明涉及光学膜显示屏，具体涉及自适应微结构光学膜显示屏及其动态优化方法。
背景技术：
1、自适应微结构光学膜显示屏是一种利用微米级结构优化光线传播的显示技术。它通过在显示屏表面或内部嵌入具有特定结构和排列方式的微小光学元件，可以有效控制和引导光线，从而提高显示屏的亮度、对比度和能效。这种技术的核心在于通过对微结构的设计和调节，达到对光线传播路径的精准控制，减少光线的散射和反射损耗，使显示屏在不同环境光条件下都能呈现出清晰、鲜明的图像。此外，这种微结构光学膜还能够适应不同的显示需求，通过调整微结构参数，可以实现不同的显示效果，如防眩光、增亮、增彩等，从而提升用户的视觉体验。
2、动态优化则是指自适应微结构光学膜显示屏能够根据实时的外部环境和使用条件进行自我调整和优化。比如，当环境光变化时，显示屏可以通过内置的光感应器检测环境光强度和方向，实时调整微结构光学膜的光学特性，以保持最佳的显示效果。这种动态优化功能不仅提高了显示屏的适应性和智能化程度，还能够有效减少能耗，延长设备的使用寿命。在未来，自适应微结构光学膜显示屏的动态优化技术可能会与人工智能和物联网技术结合，进一步提升其智能化水平和应用范围，带来更加出色的视觉体验和使用便利。
3、自适应微结构光学膜显示屏通过内置的微处理器实时监测显示内容，并动态调整微结构光学膜的色彩饱和度，其目的是优化显示效果，提升用户的视觉体验。具体来说，不同的显示内容对色彩饱和度的需求有所不同，例如在观看视频或图片时，高饱和度可以增强色彩的鲜艳度和视觉冲击力，而在阅读文本或处理文档时，则需要较低的饱和度以避免视觉疲劳。通过动态调整色彩饱和度，显示屏能够在各种使用场景下都提供适宜的色彩表现，使得图像更加生动逼真，文字更加清晰易读，进而提升整体的观看体验。
4、现有技术存在以下不足：
5、在观看视频时，高饱和度可以增强色彩的鲜艳度和视觉冲击力。然而，当色彩饱和度动态调整过程中出现异常，导致色彩饱和度动态调整频率不足，无法满足视频的高饱和度需求时，显示屏将无法及时调整色彩饱和度，导致视频中的颜色无法准确呈现，出现颜色偏移或失真，使得画面失去真实感和吸引力，不准确的色彩饱和度会使得色彩过于暗淡或过于刺眼，长时间观看视频时会产生视觉疲劳，降低用户的舒适度和体验满意度。
6、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本发明的目的是提供自适应微结构光学膜显示屏及其动态优化方法，通过视频流获取当前帧图像数据，提取细节密度等特征，计算图像复杂度，通过比较当前帧与上一帧，获取动态变化信息，特别是纹理变化，综合画面内容和动态信息，使用机器学习算法智能评估图像复杂变化情况，基于评估结果预测色彩饱和度动态调整频率，同时实时监测实际调整频率，将预测频率与实际频率比对分析，计算误差并调整系统频率，确保色彩呈现准确，防止色彩过暗或刺眼，减少视觉疲劳，提升用户体验，以解决上述背景技术中的问题。
2、为了实现上述目的，本发明提供如下技术方案：自适应微结构光学膜显示屏动态优化方法，包括以下步骤：
3、通过视频流获取当前帧图像的数据，对当前帧图像进行特征提取，基于提取的图像特征，计算当前帧图像的复杂度；
4、比较当前帧与上一帧图像，获取两者之间的动态变化信息，对获取的动态变化信息进行特征提取，识别出相邻两帧图像的动态变化情况；
5、综合画面内容信息和动态变化信息，使用机器学习算法来分析当前帧图像复杂度和变化趋势，对当前帧图像画面的复杂变化情况进行智能化评估；
6、根据智能化评估的结果，获取当前帧图像进行色彩饱和度动态调整时的预测动态调整频率；
7、实时监测视频画面中当前帧图像在色彩饱和度动态调整过程中的实际动态调整频率；
8、将预测动态调整频率与实际动态调整频率进行比对分析，识别二者之间的差异，通过计算预测动态调整频率和实际动态调整频率之间的误差，确定调整系统的调整精度，如果误差在允许范围内，不做任何调整；如果误差超出允许范围，则对实际动态调整频率进行调控，直到误差在允许范围内。
9、优选的，对当前帧图像进行特征提取，提取的特征包括图像中的细节密度，图像的细节密度是指图像中包含细节信息的密集程度，反映了图像中高频分量所占的比例，获取后，对图像中的细节密度进行分析处理后，生成细节密度指数，则细节密度指数的生成步骤如下：
10、对获取的图像进行预处理，预处理包括灰度化和去噪处理，减少计算复杂度和噪声干扰；
11、使用边缘检测算法提取图像中的边缘；
12、使用小波变换提取图像的高频分量，其中包括水平细节分量、垂直细节分量以及对角细节分量，将水平细节分量、垂直细节分量以及对角细节分量分别标定为ch、cv、cd；
13、计算高频分量的能量，作为细节的量化指标，计算的表达式为：
14、eh＝∑i，jchi，j2，ev＝∑i，jcvi，j2，ed＝∑i，jcdi，j2，i和j分别表示图像矩阵中的行索引和列索引；
15、计算边缘密度，计算的表达式为：式中，de为边缘密度，表示图像中边缘像素所占的比例，ei，j为边缘图像中第i，j个像素的值，n为图像的总像素数；
16、计算细节密度指数，计算的表达式为：
17、式中，α表示高频能量的权重参数，β表示边缘密度的权重参数，ddiindex表示细节密度指数。
18、优选的，使用canny边缘检测算法提取图像中的边缘具体步骤如下：
19、对灰度图像应用高斯滤波器进行平滑处理，以减少噪声和细小的无关细节；
20、计算图像每个像素点的梯度强度和方向；
21、对梯度图像进行非极大值抑制，保留局部最大值的梯度，抑制其他梯度值；
22、应用两个阈值来区分强边缘和弱边缘，高阈值用于标记强边缘，低阈值用于标记可能的边缘；
23、通过边缘连接过程，将所有弱边缘连接到强边缘，如果弱边缘像素与强边缘像素连接，则将其保留为边缘，否则将其抑制，通过遍历图像，将弱边缘像素与强边缘像素进行关联，确保边缘的连续性；
24、输出一幅二值图像，其中的像素值为1表示边缘，像素值为0表示非边缘。
25、优选的，使用haar小波变换提取图像的高频分量，包括水平细节分量、垂直细节分量以及对角细节分量的步骤如下：
26、选择haar小波作为小波滤波器；
27、将haar小波滤波器分解为低通滤波器和高通滤波器，低通滤波器用于捕捉图像的低频成分，反映图像的整体结构和大尺度特征；高通滤波器用于捕捉图像的高频成分，反映图像的细节和边缘信息；
28、对图像的每一行进行一次低通和高通滤波操作，低通滤波后获得图像的水平低频分量，高通滤波后获得图像的水平高频分量；
29、对经过行方向滤波后的图像进行列方向的低通和高通滤波，对水平低频分量进行高通滤波，得到图像的垂直细节分量，对水平高频分量进行低通滤波，得到图像的水平细节分量；对水平高频分量进行高通滤波，得到图像的对角细节分量；
30、将以上步骤获得的低频和高频分量组合成子带图像，即水平细节分量、垂直细节分量和对角细节分量，水平细节分量反映图像的水平细节变化，垂直细节分量反映图像的垂直细节变化，对角细节分量反映图像的对角细节变化。
31、优选的，比较当前帧与上一帧图像，获取两者之间的动态变化信息，具体的步骤如下：
32、通过视频流获取当前帧和上一帧的图像数据：
33、在进行动态变化分析之前，对当前帧和上一帧的图像进行预处理；
34、使用光流算法或帧差法计算当前帧与上一帧之间的动态变化信息。
35、优选的，对获取的动态变化信息进行特征提取，提取的动态变化特征包括相邻两帧图像的纹理变化，对相邻两帧图像的纹理变化进行分析处理后，生成动态纹理变化指数，则动态纹理变化指数的生成步骤如下：
36、使用纹理特征提取方法从预处理后的图像中提取纹理特征，将当前帧图像和上一帧图像的纹理特征向量分别用tt和tt-1进行表示；
37、计算当前帧和上一帧的纹理特征差异，使用欧几里得距离衡量特征向量之间的差异，计算的表达式为：式中，
38、δt表示相邻两帧图像的纹理特征差异，n表示特征向量的维度，k表示纹理特征向量中的第k个特征分量；
39、在图像的每个像素位置(x，y)处计算局部纹理变化，得到局部纹理变化矩阵，局部纹理变化矩阵中每个元素表示该位置的局部纹理变化程度，计算的表达式为：
40、式中，
41、δtlocal(x，y)表示局部纹理变化矩阵，其中x表示像素的横坐标，y表示像素的纵坐标；
42、计算动态纹理变化指数，计算的表达式为：
43、式中，dt_id表示动态纹理变化指数，m和n分别是图像的宽和高。
44、优选的，使用局部二值模式从预处理后的图像中提取纹理特征的具体步骤如下：
45、步骤1、对于每个像素，以该像素为中心，取其周围的像素作为邻域，将选取的像素用于计算局部二值模式；
46、步骤2、对于中心像素，将其邻域内的每个像素与中心像素进行比较，如果邻域像素的灰度值大于或等于中心像素的灰度值，则该邻域像素的值记为1；否则记为0，使每个邻域像素都被赋予一个二进制值；
47、步骤3、将步骤2中得到的二进制值按照顺时针或逆时针顺序排列，形成一个二进制数，然后，将这个二进制数转换为一个十进制数，这个十进制数即为该中心像素的lbp值；
48、对整个图像的lbp特征图进行统计，计算每个lbp值出现的频率，形成lbp直方图，将直方图作为图像的纹理特征描述符，反映图像中不同模式的分布情况。
49、优选的，获取到对当前帧图像分析处理生成的细节密度指数ddiindex和对相邻两帧图像的纹理变化进行分析处理生成的动态纹理变化指数dt_id后，将细节密度指数ddiindex和动态纹理变化指数dt_id输入至预先训练好的机器学习模型中，基于模型生成复杂变化系数variationcoefficient，通过复杂变化系数variationcoefficient对图像画面的复杂变化情况进行智能化评估。
50、优选的，获取当前帧图像进行色彩饱和度动态调整时的预测动态调整频率，具体的步骤如下：
51、获取对当前帧图像分析处理生成的细节密度指数ddiindex、对相邻两帧图像的纹理变化进行分析处理生成的动态纹理变化指数dt_id以及基于机器学习模型生成的复杂变化系数variationcoefficient，定义色彩饱和度动态调整时的基础调整频率，定义的表达式为：
52、basefrequency＝f(ddiindex，dt_id)，式中，basefrequency表示基础调整频率，由细节密度指数ddiindex和动态纹理变化指数dt_id的函数f决定；
53、在基础频率的基础上，通过综合复杂变化系数variationcogfficient来调控基本调整频率，调控的表达式为：
54、adjustedfreqency＝basefrequency·(1+u·variationcoefficient)，式中，
55、adjustedfrequency表示基本调整频率进行调控后的实际频率，u表示调整系数，决定复杂变化系数对基本调整频率调控的幅度；
56、计算预测动态调整频率，计算的表达式为：
57、式中，
58、prediccedfrequency表示预测动态调整频率，表示平滑因子，用于调节色彩误差对调整频率的影响，δe表示当前帧和上一帧之间的平均色彩误差，emax表示最大允许的色彩误差。
59、自适应微结构光学膜显示屏，包括图像特征提取模块、动态变化分析模块、智能化评估模块、预测频率计算模块、实时监测模块以及频率比对与调控模块；
60、图像特征提取模块，通过视频流获取当前帧图像的数据，对当前帧图像进行特征提取，基于提取的图像特征，计算当前帧图像的复杂度；
61、动态变化分析模块，比较当前帧与上一帧图像，获取两者之间的动态变化信息，对获取的动态变化信息进行特征提取，识别出相邻两帧图像的动态变化情况；
62、智能化评估模块，综合画面内容信息和动态变化信息，使用机器学习算法来分析当前帧图像复杂度和变化趋势，对当前帧图像画面的复杂变化情况进行智能化评估；
63、预测频率计算模块，根据智能化评估的结果，获取当前帧图像进行色彩饱和度动态调整时的预测动态调整频率；
64、实时监测模块，实时监测视频画面中当前帧图像在色彩饱和度动态调整过程中的实际动态调整频率；
65、频率比对与调控模块，将预测动态调整频率与实际动态调整频率进行比对分析，识别二者之间的差异，通过计算预测动态调整频率和实际动态调整频率之间的误差，确定调整系统的调整精度，如果误差在允许范围内，不做任何调整；如果误差超出允许范围，则对实际动态调整频率进行调控，直到误差在允许范围内。
66、在上述技术方案中，本发明提供的技术效果和优点：
67、本发明通过视频流获取当前帧图像的数据，提取包括细节密度在内的特征，并基于这些特征计算当前帧图像的复杂度，随后，通过比较当前帧与上一帧图像，获取相邻两帧图像的动态变化信息，并对这些动态变化信息进行特征提取，特别是相邻两帧图像的纹理变化，综合画面内容信息和动态变化信息，使用机器学习算法对当前帧图像的复杂度和变化趋势进行智能化评估，以进一步评估图像画面的复杂变化情况，基于智能化评估结果，预测当前帧图像进行色彩饱和度动态调整的频率，同时实时监测实际动态调整频率，通过将预测频率与实际频率进行比对分析，计算二者之间的误差，并根据误差调整系统的调整频率，确保色彩饱和度的调整频率在允许范围内，从而保持色彩的准确呈现和真实感，防止色彩过于暗淡或刺眼，减少长时间观看视频时的视觉疲劳，提升用户的舒适度和体验满意度。
1.自适应微结构光学膜显示屏动态优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的自适应微结构光学膜显示屏动态优化方法，其特征在于，对当前帧图像进行特征提取，提取的特征包括图像中的细节密度，图像的细节密度是指图像中包含细节信息的密集程度，反映了图像中高频分量所占的比例，获取后，对图像中的细节密度进行分析处理后，生成细节密度指数，则细节密度指数的生成步骤如下：
3.根据权利要求2所述的自适应微结构光学膜显示屏动态优化方法，其特征在于，使用canny边缘检测算法提取图像中的边缘具体步骤如下：
4.根据权利要求2所述的自适应微结构光学膜显示屏动态优化方法，其特征在于，使用haar小波变换提取图像的高频分量，包括水平细节分量、垂直细节分量以及对角细节分量的步骤如下：
5.根据权利要求2所述的自适应微结构光学膜显示屏动态优化方法，其特征在于，比较当前帧与上一帧图像，获取两者之间的动态变化信息，具体的步骤如下：
6.根据权利要求5所述的自适应微结构光学膜显示屏动态优化方法，其特征在于，对获取的动态变化信息进行特征提取，提取的动态变化特征包括相邻两帧图像的纹理变化，对相邻两帧图像的纹理变化进行分析处理后，生成动态纹理变化指数，则动态纹理变化指数的生成步骤如下：
7.根据权利要求6所述的自适应微结构光学膜显示屏动态优化方法，其特征在于，使用局部二值模式从预处理后的图像中提取纹理特征的具体步骤如下：
8.根据权利要求6所述的自适应微结构光学膜显示屏动态优化方法，其特征在于，获取到对当前帧图像分析处理生成的细节密度指数ddiindex和对相邻两帧图像的纹理变化进行分析处理生成的动态纹理变化指数dt_id后，将细节密度指数ddiindex和动态纹理变化指数dt_id输入至预先训练好的机器学习模型中，基于模型生成复杂变化系数variationcoefficient，通过复杂变化系数variationcoefficient对图像画面的复杂变化情况进行智能化评估。
9.根据权利要求8所述的自适应微结构光学膜显示屏动态优化方法，其特征在于，获取当前帧图像进行色彩饱和度动态调整时的预测动态调整频率，具体的步骤如下：
10.自适应微结构光学膜显示屏，其特征在于，包括图像特征提取模块、动态变化分析模块、智能化评估模块、预测频率计算模块、实时监测模块以及频率比对与调控模块；
