Imatest 学习:Sharpness
文章目录
- Imatest 学习:Sharpness
- sharpness的测量方法
- 1.10-90%上升距离法
- 2.MTF
- 3.SFR
Imatest 学习:Sharpness
sharpness的测量方法
sharpness在图像的边缘更明显,一般用图像的边缘响应来测量。
sharpness有几种测量方法:10%-90%上升距离法,MTF,空间频域,斜边算法等。
1.10-90%上升距离法
我查了官网资料,但是刚开始看完很迷惑。官网资料描述很少,里的原话是这样的:
Image sharpness can be measured by the “rise distance” of an edge within the image.
With this technique, sharpness can be determined by the distance of a pixel level between 10% to 90% of its final value.
假设,在一张白色图像里有一个黑色条纹,那么黑色条纹边缘的像素亮度由里到外是逐渐升高的,最暗的地方是黑色条纹的中间部分,最亮的地方在白色区域,而上图中亮度变化的快慢就表示成像系统的清晰程度。取10%-90%这一距离来表示清晰度,距离越大,说明边缘像素的亮度变化越缓慢,黑白交界处就越模糊,清晰度就越低。
2.MTF
对于单个镜头的解析力,一般用MTF(Modulation Transfer function:调制传递函数)来测量,MTF 是调制度随频率的变化而变化的函数,调制度M(f)= C(f)/C(0) ,其中,C(f)= (Vmax-Vmin)/(Vmax+Vmin),V是亮度,f是频率。C(0)即空间频率为0时的对比度,用极限频率来理解,当频率极低时,可以认为对比度几乎没有损失接近1,所以MTF曲线最大值接近于1(经过镜头清晰度肯定有一定的损耗),一般来说,MTF值衰减到50%,对应的空间频率就是该镜头的解析力,MTF衰减到3%,是人眼能分辨到的极限频率。这种方法需要用昂贵的正弦光栅,主要用在光学系统中,而在成像系统(光学系统+sensor+算法等),一般选用更简洁便宜的SFR,下面会介绍。
3.SFR
SFR是基于MTF的方法做了简化,不用去测不同频率的黑白线对得到一个对比度随频率变化的曲线。SFR的前提条件是:任意一条线由黑到白(或由白到黑)的过程由不同频率的黑白线对组成。
怎么理解这句话?一条黑线,不是严格意义上的黑线,图像都有衰减,拍出来的黑线边缘其实是慢慢由黑到白的,用数学模型,就是亮度随空间位置的变化而变化的未知曲线。在频率分析就是,由不同频率不同振幅不同相位的正弦信号叠加而成的信号,也就是不同频率的黑白线对组成了。
SFR 为什么是斜边而不是垂直或水平抑或是较大的角呢?
答:这个我也不知道,我还在思索中,文档没能看懂。。。
SFR的优点大致是:
1.简单省事,只要一条斜边就能测出较为准确的解析力,很方便快捷。
2.对camera的降噪能力要求不高。因为噪点对测量的准确度影响不大。
缺点:
1.部分情形测试不大准确。当图像锐度很高,或者噪点很大的时候,测出来的解析力会很高,尤其是斜边的对比度太大,一般控制在10:1,推荐用4:1的对比度的斜边测,对比度太高,容易出现截止失真或饱和失真。
2.当频率高于1/2 奈奎斯特频率时,测出的结果不一致。
3.对锐度敏感,对高对比度(>10)的敏感,对低对比度(<2)的不敏感。推荐对比度4。
上面的SFR是基于斜边计算的,这种方法是最常用的,还有一种是基于圆边计算SFR的方法,主要是为了弥补斜边算法的不足。如下图。
这种圆边计算SFR的原理和斜边类似,主要的优势在于,测试结果更准确。因为镜头是圆形的,镜头的的清晰度衰减和畸变程度和到镜头轴心的距离有关。所以,斜边边缘各位置的清晰度是不一致的。它们的线扩展函数LSF曲线如下:
斜边边缘的清晰度不是一致的。测试的时候,意味着圆边的中心和镜头的光轴中心对齐。
对LSF函数做傅里叶转换,得到MTF(调制传递函数)。所以回到开头说的,不管是用圆边还是斜边测SFR,其实都是一种简易的MTF测试的应用,最终要得到的还是MTF曲线。
Imatest 学习:Sharpness相关推荐
- imatest软件的学习 及使用
Imatest测试报告 使用imatest软件来分析摄像头拍摄的照片,来验证摄像头的各个参数指标. 测试项目:色彩饱和度,白平衡,噪点,色散,MTF50,线条分辨率,视场角,对比度,动态范围,畸变,杂 ...
- ISP学习笔记——imatest软件的使用
imatest是一款功能强大的图像质量分析助手,通过这款软件可以帮助用户分析图片的质量,包括图片各个方面的参数都可以分析得非常细致,包括图像质量.相机检测.镜头检测等各种功能,是一款非常实用的软件,适 ...
- CCT之CAMERA TUNNING调试学习总结
ob 静态电流 shading 阴影, 3a GAMMA:拍灰阶卡, ccm isp 是image signal processing,用于图像处理,比如gamma调整,dynamic range c ...
- 【深度学习之美】卷地风来忽吹散,积得飘零美如画(入门系列之十)
系列文章: 一入侯门"深"似海,深度学习深几许(深度学习入门系列之一) 人工"碳"索意犹尽,智能"硅"来未可知(深度学习入门系列之二) 神经 ...
- AI - 深度学习之美十四章-概念摘要(8~14)
原文链接:https://yq.aliyun.com/topic/111 本文是对原文内容中部分概念的摘取记录,可能有轻微改动,但不影响原文表达. 08 - BP算法双向传,链式求导最缠绵 反向传播( ...
- NLP:LSTM之父眼中的深度学习十年简史《The 2010s: Our Decade of Deep Learning / Outlook on the 2020s》的参考文献
NLP:LSTM之父眼中的深度学习十年简史<The 2010s: Our Decade of Deep Learning / Outlook on the 2020s>的参考文献 目录 T ...
- PIL库自我学习总结及应用(美白,磨皮,搞笑图片处理)
Hello!今天我们来学习一下这个神奇的图片处理的第三方函数库--PIL库 (本blog部分图片及代码来自网络) 这是一个支持图像存储.显示和处理的函数库,它能够处理几乎所有图像格式,可以完成对图像的 ...
- HALCON学习之旅(六)
HALCON学习之旅(六) 文章目录 HALCON学习之旅(六) 1.Halcon代码如何导出高级编程语言代码 + 配置Halcon/C++编程环境 2.Halcon连续采集相机图像 3.Halcon ...
- 学习template算法(template matching)以及改进(二)
学习template算法(template matching)以及改进(二) 为了实现跨越在不同两张图片内的模板和该两张搜索图片的模板匹配,现在先尝试使用图像拼接的方法,获得两个图像的拼接后的全景图像 ...
最新文章
- HDU 1181 变形课
- w3school-html教程笔记-1-20140227
- mysql go命令行_Go语言调用mysql.exe和mysqldump命令行导入导出数据库
- 数据结构与算法(Python)– 回溯法(Backtracking algorithm)
- LeetCode 1471. 数组中的 k 个最强值(排序)
- hdfs java api 权限_HDFS Java API 详解
- [Python爬虫] 之二十七:Selenium +phantomjs 利用 pyquery抓取今日头条视频
- 大数据Hive深入讲解
- git最简单直接粗爆与github教程
- 计算机中人民币符号在哪儿,详细教您电脑怎么打人民币符号
- nginx反向代理实现直接域名访问
- C2000浮点运算注意事项——CPU和CLA的差异及误差处理技巧
- python快乐数字怎么表达_Python中的快乐数字
- 002_Python基础学习网站
- 云计算设计模式翻译(五):Compute Resource Consolidation Pattern
- 我梦见了画,然后画下了梦
- skip gram模型的实现
- sFlow-RT 3.0使用
- Java实现10万+并发去重,持续优化!(至尊典藏版)
- 2022年最佳便携式显示器:随时随地尽享工作乐趣