Imatest-SFRplus模块

目录

一、介绍

二、步骤

1.选择

2.框选

3.分析选择

[4. 设置](#4. 设置)

5.自动设置

6.自动分析eSFRplus模块

三、导出结果

1.边缘和MTF:呈现每个ROI选区的清晰度值

2.色差:会出现每个ROI选区的横向色差

[3.Muti ROI信息](#3.Muti ROI信息)

[4.Image Distortion & FOV](#4.Image Distortion & FOV)

[(1)SMIA TV Distortion](#(1)SMIA TV Distortion)

(2)FOV (Field of View)

[A. 角度表示法 Angular FOV](#A. 角度表示法 Angular FOV)

[- 41.7° 33.7° 25.6°](#- 41.7° 33.7° 25.6°)

[B. 尺寸表示法 Linear FOV](#B. 尺寸表示法 Linear FOV)

[- 26.6cm 21.2cm 15.9cm](#- 26.6cm 21.2cm 15.9cm)

(3)Magnification放大倍率

四、总结


一、介绍

Imatest的 SFRplus测试卡可以自动分析清晰度,色彩,视场角,畸变等像质参数。

SFRplus模块检测SFRplus测试卡,每个斜块中有定位靶标可让Imatest进行ROI全自动选择

二、步骤

1.选择

Imatest Master的SFRplus模块,选择需要分析的拍摄图片

2.框选

SFRplus模块会自动框选ROI区域,更自动化,可根据测试需要选择不同视场的ROI

3.分析选择

根据测试需要选择分析垂直分辨力和水平分辨力(垂直边缘分析水平分辨力,水平边缘分析垂直分辨力),以及是否分析SFRplus测试卡中的色彩区域、灰阶区域(测试Gamma)

4. 设置

SFRplus模块,根据需要更改以下部分的设置:

MTF单位的设置: LW/PH、LP/PH、Cylcle/mm等

MTF结果的选择: MTF50、MTF50P、MTF20、MTF10等

图卡对比度的设置:SFRplus测试卡对比度是4:1,有些特殊的是10:1

畸变系数多项式选择: Best of above0

视场角计算:需要SFRplus测试卡上下两条黑边的最短距离,以及摄像头到测试卡的距离

其它选项可保持默认

5.自动设置

该选项可选择自动模式下保存的结果类型和结果文件

6.自动分析eSFRplus模块

可一次性分析大批量的SFRplus测试卡拍摄图片,可分析和自动导出大批量测试卡在交互式模块下设置的结果。在使用自动分析SFRplus模块之前,要提前设置,如上文第五点所述

三、导出结果

SFRplus模块根据设置导出结果,选择不同类型的显示部分会展现不同的结果,以下用其中个别选项举例说明:

1.边缘和MTF:呈现每个ROI选区的清晰度值

输出结果如图所示

(chart)=0.477 该数据是基于测试卡对比度计算的伽马

数值0.77是Imatest通过分析测试卡上最大黑白块的输出亮度,反向计算出的整个成像系统的有效伽马值(Effective Gamma)或系统伽马(System Gamma)。它描述了系统整体的非线性响应程度。

若相机设置为标准的sRGB或Rec.709色彩空间,理论伽马值约为0.45。接近0.45,说明相机工作在标准色彩模式下,并且ISP的处理符合预期。

显著偏离0.45,例如高达0.7或低至0.3,说明可能相机使用了非标准的图片风格,或者测试环境存在较强眩光影响了黑白块的测量值。

2.色差:会出现每个ROI选区的横向色差

CA(area)是横向色差的综合度量,表示R/B通道相对于G通道的平均像素偏移量。该值越小,镜头的色差校正越好,高对比度边缘的彩色镶边越轻微甚至不可见。

人眼极限 :人眼能够察觉到的色差阈值大约在 0.5 到 1 个像素之间(取决于观看条件和锐度)。

行业水平

  • < 0.1 pixels : 属于优秀卓越的水平。通常只有高端定焦镜头或经过出色校正的专业变焦镜头才能达到。
  • 0.1 - 0.3 pixels : 属于良好非常好的水平。对于大多数优质镜头来说是这个范围,色差轻微,通常只在100%放大时才可能看到。
  • 0.3 - 0.5 pixels : 属于一般可接受的水平。色差开始变得明显。
  • > 0.5 pixels : 色差比较明显,可能会对图像质量产生负面影响。

3.Muti ROI信息

选择该选项,会出现整个测试图ROI选区的清晰度即MTF50/MTF50P汇总结果,还有每个选区距离中心位置的距离(即视场)

Chr Aber(area %Ctr-Cor)反应横向色差

  • 数值越小越好

  • 数值越接近0%,代表色差控制得越好,彩色镶边现象越轻微。

Chr Aber (area %Ctr-Cor) 数值 评价等级 视觉表现
< 0.1% 优秀 / 非常好 即使用放大镜仔细看,也几乎观察不到任何彩色镶边。属于顶级镜头水准。
0.1% ~ 0.2% 良好 / 可接受 在正常观看尺寸下看不出问题。放大到100%查看时,可能在极高反差的边缘能看到细微的色边。对于大多数手机和消费级相机来说,这个表现是合格的。
0.2% ~ 0.5% 一般 / 有待改进 在较高反差的场景(如树枝 against 天空)下,放大观看时可以看到明显的紫边/绿边。可能会影响画质观感。
> 0.5% 较差 / 不可接受 色差非常明显,甚至在不放大图片的情况下都可能注意到彩色镶边。这会严重拉低画面的清晰度和质感。

4.Image Distortion & FOV

选择该选项,会出现相机的畸变结果和视场角结果

(1)SMIA TV Distortion

SMIA TV Distortion是衡量镜头几何畸变程度的指标

< 1%: 通常认为畸变控制得非常好,人眼难以察觉。

1% - 2%: 良好,在大多数应用中可接受。

> 2%: 开始变得明显,可能需要软件校正。

(2)FOV (Field of View)

含义:镜头能捕捉到的现实世界的空间范围,通常用角度或尺寸来表示。

数据分解:
Field of view(Diag,H,V)=41.7° 33.7° 25.6° =26.6cm 21.2cm 15.9cm

A. 角度表示法 Angular FOV
- 41.7° 33.7° 25.6°

这是从镜头中心点出发,形成的视野圆锥的角度。

Diag (对角线): 41.7° H (水平): 33.7° V (垂直): 25.6°

在镜头分类广角、标准、长焦时,通常所指的FOV角度默认是对角线角度, 角度表示法直接反映了镜头的焦距长短。

广角镜头: FOV 角度大(例如 > 60°)

长焦镜头: FOV 角度小(例如 < 20°)

B. 尺寸表示法 Linear FOV
- 26.6cm 21.2cm 15.9cm

这是在某个具体的对焦距离上,相机实际能拍到的物理尺寸。

Diag (对角线): 26.6 cm H (水平): 21.2 cm V (垂直): 15.9 cm

(3)Magnification放大倍率

magnification = 0.03501
含义:物体在相机传感器上成像的尺寸与其实际物理尺寸的比值

四、总结

Imatest SFRplus模块通过自动分析测试卡图像,可快速评估相机成像质量。该工具能自动识别ROI区域,分析清晰度(MTF)、色差、畸变、视场角等参数,支持自定义设置MTF单位等,模块支持批量处理,可自动导出多种格式的测试报告,为相机性能评估提供高效解决方案。

相关推荐
王哈哈^_^5 小时前
【数据集】【YOLO】【目标检测】共享单车数据集,共享单车识别数据集 3596 张,YOLO自行车识别算法实战训推教程。
人工智能·算法·yolo·目标检测·计算机视觉·视觉检测·毕业设计
std78796 小时前
MATLAB 实用案例三:图像边缘检测、数据拟合与可视化、信号处理
图像处理·opencv·计算机视觉
躺平的赶海人8 小时前
Halcon实战:精准定位与提取:基于形态学处理的猴子眼睛区域检测完整方案
图像处理·计算机视觉·halcon·形态学操作
_168168ww9 小时前
计算机大类常见单词
计算机视觉
CoovallyAIHub9 小时前
OCR战场再起风云:LightOnOCR-1B凭什么比DeepSeekOCR快1.7倍?(附演示开源地址)
深度学习·算法·计算机视觉
zhangrelay10 小时前
如何使用AI快速编程实现标注ROS2中sensor_msgs/msg/Image图像色彩webots2025a
人工智能·笔记·opencv·学习·计算机视觉·机器人视觉
萧鼎10 小时前
深入掌握 OpenCV-Python:从图像处理到智能视觉
图像处理·python·opencv
安冬的码畜日常13 小时前
【JUnit实战3_28】第十七章:用 JUnit 5 实测 SpringBoot 项目
spring boot·功能测试·测试工具·设计模式·单元测试·junit5
搞科研的小刘选手13 小时前
【多所高校合作】第四届图像处理、计算机视觉与机器学习国际学术会议(ICICML 2025)
图像处理·人工智能·机器学习·计算机视觉·数据挖掘·人脸识别·人机交互
Coovally AI模型快速验证13 小时前
未来已来:从 CVPR & ICCV 观察 2025→2026 年计算机视觉的七大走向
人工智能·深度学习·目标检测·计算机视觉·stable diffusion