衡量镜头解像能力性能的指标-MTF曲线
MTF(Modulation Transfer Function,模量传递函数),是目前分析镜头解像能力的方法,可以用来评判镜头还原物体对比度的能力。说到MTF,不得不先提一下衡量镜头性能的两在重要指标--分辨率和反差。
一、分辨率:
分辨率(Resolution)又称分辨力、鉴别率、鉴别力、分析力、解像力和分辨本领,是指摄影镜头清晰地再现被摄景物纤微能力。显然分辨率越高的镜头,所拍摄的影像越清晰细腻。它的单位是“线对、毫米”。它的可以量化,用数据表示,使直观、更科学、更严密。
二、反差:
反差(Acutance)又称鲜锐度、明锐度,是摄影镜头鲜明地再现摄景物中间层次、暗部层次、低反差影纹细节、微弱亮度对比和微妙色彩变化的能力。反差高的镜头,所成影像轮廓鲜明、边缘锐利、反差正常、层次丰富、纹理细腻、影调明朗、质感强烈、色彩柔和、彩色还原真实镜头的反差,很难简单地用数据表示,也很难用普通的仪器测试出来,人们通常是只凭主观感觉,定性地进行评述。
分辨率和反差的综合表现,被称为清晰度(Clarity),两者是全面评价一个摄像头成像质量的两大重要因素。
MTF使用的是黑白逐渐过渡的线条标板,通过镜头进行投影。被测量的结果是反差的还原情况。如果所得影像的反差和测试标板完全一样,则MTF值为100%(1),这是理想的最佳镜头。若反差为一半,则MTF值为50%,数值0表示渐变黑白线条被还原为单一的灰色,当数值超过80%(20lp/m)则已很好。
测试一般分为径向和切向两个方向,如果两个方向上MTF值相差较大,说明镜头遭受较严重的像散。另一点是需要注意使用相同的线对分布,线对分布越密,测得的MTF值通常也越低。同时MTF也与相机的光圈有关,在最大和最小光圈下MTF值通常非常低,最佳MTF值一般在小于最大光圈2-3档处获得。人眼能够分辨的最低调制度为0.05,即入眼能分辨1 mm内有20线对的图像,高于20线对人眼已经无法分辨。
MTF曲线如何看?
常见的MTF曲线是这样的:横轴代表距离影像传感器(数码相机)中心的径向距离(沿着传感器的对角线方向),纵细是MTF值。图中一般给出两组MTF曲线:一组对应低频=10LP/mm,一组对应高一些的频率=30LP/ mm。每组曲线又分两条,一条代表镜头对径向线条(线条方向沿着由传感器中心向外的径向)的解像力(实线);另外一条代表镜头对切向线条(线条方向和传感器中心的同心圆相切)的解像力(虚线)。
衡量镜头解像能力性能的指标-MTF曲线的更多相关文章
- 机器学习性能度量指标:ROC曲线、查准率、查全率、F1
错误率 在常见的具体机器学习算法模型中,一般都使用错误率来优化loss function来保证模型达到最优. \[错误率=\frac{分类错误的样本}{样本总数}\] \[error=\frac{1} ...
- 什么是MTF曲线
MTF(Modulation Transfer Function)是衡量镜头性能的一个重要指标.将镜头把被摄体所具有的对比度再现到像面上的忠诚度以空间频率特性进行表示,便绘成了MTF曲线图. 曲线图的 ...
- 机器学习实战笔记(Python实现)-07-分类性能度量指标
1.混淆矩阵 下图是一个二类问题的混淆矩阵,其中的输出采用了不同的类别标签 常用的衡量分类性能的指标有: 正确率(Precision),它等于 TP/(TP+FP) ,给出的是预测为正例的样本中的真正 ...
- 机器学习性能度量指标:AUC
在IJCAI 于2015年举办的竞赛:Repeat Buyers Prediction Competition 中, 很多参赛队伍在最终的Slides展示中都表示使用了 AUC 作为评估指标: ...
- 【Udacity】机器学习性能评估指标
评估指标 Evaluation metrics 机器学习性能评估指标 选择合适的指标 分类与回归的不同性能指标 分类的指标(准确率.精确率.召回率和 F 分数) 回归的指标(平均绝对误差和均方误差) ...
- Web 前端页面性能监控指标
Web 前端页面性能监控指标 性能监控 / 性能指标 / 性能优化 白屏时间计算 FCP 白屏时间:从浏览器输入地址并回车后到页面开始有内容的时间: 首屏时间计算 FMP 首屏时间:从浏览器输入地址并 ...
- 【sklearn】性能度量指标之ROC曲线(二分类)
原创博文,转载请注明出处! 1.ROC曲线介绍 ROC曲线适用场景 二分类任务中,positive和negtive同样重要时,适合用ROC曲线评价 ROC曲线的意义 TPR的增长是以FPR的增长为代价 ...
- [机器学习] 性能评估指标(精确率、召回率、ROC、AUC)
混淆矩阵 介绍这些概念之前先来介绍一个概念:混淆矩阵(confusion matrix).对于 k 元分类,其实它就是一个k x k的表格,用来记录分类器的预测结果.对于常见的二元分类,它的混淆矩阵是 ...
- 压力测试衡量CPU的三个指标:CPU Utilization、Load Average和Context Switch Rate
分类: 4.软件设计/架构/测试 2010-01-12 19:58 34241人阅读 评论(4) 收藏 举报 测试loadrunnerlinux服务器firebugthread 上篇讲如何用LoadR ...
随机推荐
- iOS之StatusBar详解
随便打开手机上的主流APP,我们不难发现它们的状态栏都是跟导航栏保持一致的背景颜色,如下图的微信和instagram: WECHAT.PNG INS.PNG 那么今天我们就来说一下StatusBar这 ...
- netty检测系统工具PlatformDependent
1. 检测jdk版本 @SuppressWarnings("LoopStatementThatDoesntLoop") private static int javaVersion ...
- Oracle 12CR2 中alert.log出现大量的 WARNING: too many parse errors 告警
Oracle 12CR2 中alert.log出现大量的 WARNING: too many parse errors 告警 日志如下: 2018-06-24T17:16:21.024586+08 ...
- 量化交易中VWAP/TWAP算法的基本原理和简单源码实现(C++和python)(转)
量化交易中VWAP/TWAP算法的基本原理和简单源码实现(C++和python) 原文地址:http://blog.csdn.net/u012234115/article/details/728300 ...
- VS2012 打包部署程序
一. 下载 InstallShield 2015(支持VS2012) VS2012没有自带打包工具,所以要先下载并安装一个打包工具.我采用微软提供的打包工具: InstallShield2015 ...
- HDU 1800 Flying to the Mars Trie或者hash
http://acm.hdu.edu.cn/showproblem.php?pid=1800 题目大意: 又是废话连篇 给你一些由数字组成的字符串,判断去掉前导0后那个字符串出现频率最高. 一开始敲h ...
- php面试题5
php面试题5 一.总结 二.php面试题5 1. 什么事面向对象?主要特征是什么?1) 面向对象是程序的一种设计方式,它利于提高程序的重用性,是程序结构更加清晰.2) 主要特征:封装.继承.多态 2 ...
- NET使用ABP框架搭建项目
NET使用ABP框架搭建博客项目(一) 有很多学NET开发的小伙伴建项目都比较茫然,我用什么开发?我都使用什么框架?我怎么起名字?种种问题,让一些低等.中等的工程师(甚至是高级工程师)很烦躁. 推荐一 ...
- Cocos2d中的Menu使用
学习cocos2d-x中的菜单主要须要了解:菜单(CCMenu)和菜单项(CCMenuItem)以及CCMenuItem的详细子类. a. 以下来学习一下相关的类. 1. CCMenu 菜单,是CCL ...
- [Http] Understand what an HTTP Request is
Let's look at several HTTP requests to learn the basic structure of these messages, and how the vari ...