MTF-SFR总结/探讨

news2024/9/21 4:19:50

空间频率响应(SFR)定义

在iso12233:2000中,空间频率响应(SFR)测量被定义为通过分析倾斜黑白边缘附近的相机数据而测量的值。

图像清晰度测试方法

通过ISO12233测试图像清晰度的方法,一般有 TVline测试和SFR测试两种。

当使用SFR测试时,也就是测试斜边(刀口),需要 选择黑色和白色交界的区域,一共需要测10次,中间横向,中间纵向,四角的横向纵向。

MTF调制传递函数定义

MTF算法是分析镜头解像能力的算法,其全称是Modulation Transfer Function(调制传递函数)。为了理解这个,首先需要知道什么是调制Modulation。

如何计算一台相机的调制传递函数:(就是根据分析同一相机在不同空间频率下的成像效果(MTF值)得到一个函数)

MTF的计算就是计算线对间最亮和最暗线对的对比度。(计算过程:相机在空间频率A下成像的图片,读取其最亮值和最暗值)

计算公式为:

MTF = (最大亮度 - 最小亮度) / (最大亮度 + 最小亮度)

得到的MTF值就是该相机位于空间频率A的解析力.---- 多个不同的空间频率下的MTF值组成一组曲线就能得到该相机的MTF曲线,

经过数学处理就能得到该相机的MTF函数(调制传递函数)

这样的话就是说我们计算MTF需要计算不同的空间频率下的响应值,对应的是不是你该拍多张图片呢?这样是不是很不方便呢?

------接着就推出了SFR(空间频率响应)

SFR(空间频率响应):根据数学理论推导,人们发现只需要一个黑白的斜边(刀口)即可换算出约略相等于所有空间频率下的MTF。

分辨率单位、换算及镜头与感光器像素的匹配

1、分辨率单位:

1-1、lp/mm(line-pairs/mm):每毫米线对,表示黑白两条线;

常用于 表示镜头分辨率的单位, 指成像平面1mm间距内能分辨开的黑白相间的线条对数;

l/mm:每毫米线数,表示1条线,lp/mm=2 x l/mm;

1-2、LW/PH(line widths/ picture height):  每像高线数;

常用于表示 相机的摄影分辨率(是指镜头和相机的综合分辨率), 每像高最多可以分辨多少条线数 ;

举例:如给一个10 * 20mm的画幅, 如果纵向可以填进去1000根线, 横向可以填进去2000线,横向: 2000lw/ph, 纵向1000lw/ph( 由于lw/ph在不同方向上不能保证线条数目一样, 所有测试要分横向和纵向 );

2、摄影分辨率和镜头分辨率换算:

摄影分辨率与镜头分辨率的转换:

摄影分辨率(LW/PH)= 感光器高度(mm) x  2 x 镜头分辨率(lp/mm)

3、镜头与感光器像素的匹配:

3-1、镜头分辨率与像素的转换:

像素数(P)= 感光元密度(2 x lp/mm)x 感光器高度(mm)  x   感光元密度(2 x lp/mm)x 感光器宽度(mm)

3-2、举例:

a、已知镜头的分辨率值为125lp/mm,感光器尺寸是 1/2"(6.4*4.8mm),需要配多少像素的感光器才能发挥镜头成像水平?  

感光元密度为250pixel/mm( 2倍lp/mm ),

像素数:P=(6.4x250) x (4.8x200)=1920000 pixel ;

(感光元密度:根据纳奎斯特采样定理,一个感光元对应一条白线或黑线);

b、反之:已知200万像素摄像机(像素数为:1600x1200=1920000),感光器尺寸是 1/2"(6.4*4.8mm),求相配的镜头分辨率 ?

水平像素密度:1600/6.4=250pixel/mm,

垂直像素密度:250pixel/mm,

镜头分辨率:125lp/mm( 若水平或垂直像素密度不等,应参考密度高的);

c、已知sensor的像素尺寸为4um,那么所对应镜头分辨率是多少?

所选镜头的极限分辨率(白线或黑线线宽)也应该是:4um,

一对黑白线的宽度:2 x 0.004mm,

镜头的分辨率就是1/(2x0.004)=125lp/mm;

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2034881.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

去中心化技术的崛起:探索Web3的新时代

引言: Web3是互联网发展的新阶段,它通过去中心化技术重新定义了数字世界的运作方式。这一新时代不仅带来了技术上的突破,也为社会互动和数据管理开辟了新的前景。本文将深入探讨Web3的核心技术、应用领域、全球影响以及面临的挑战&#xff0…

nvm的下载和使用(Windows)

NVM(Node Version Manager)是一个用于管理多个Node.js版本的工具,它允许用户在同一台机器上安装和使用多个Node.js版本。 一、NVM的基本功能 多版本支持:NVM允许用户在同一台机器上安装多个Node.js版本,方便处理不同…

极光流星大爆发

卑微仔广东持续200%含云量,线上观望大家分享的极光与流星共舞的神奇场景。 极光与流星相伴的瞬间,永远震撼于绝美的星空 开始放毒(放图放图)(以下均拍摄于12日晚至13日晨这一时间段): 先驱猎光…

Qt之2048项目的介绍

文章目录 前言项目介绍项目截图技术介绍1. Qt 框架2. 界面绘制3. 用户输入4. 游戏逻辑5. 音效处理总结前言 2048 是一款流行的益智游戏,通过滑动屏幕上的数字方块,使相同的数字合并并生成更大的数字,最终目标是生成2048这个数字。本文介绍了基于 Qt 框架开发的一个 2048 游…

超声波清洗机哪个品牌好用?品质上等的超声波眼镜清洗机评选

随着科技的发展,超声波清洗机已经成为了人们生活中的清洁神器,它只需要清水便可以清洗假牙、刮胡刀、牙刷、眼镜、化妆工具等小物件,而且能够清洗到物件中的角落缝隙,在专业设备上还同时具备消毒除菌的功能,既能保证清…

软件检测报告的客观性与权威性如何确定

确保软件检测报告的客观性与权威性乃是软件测试进程中的关键要素,以下乃是若干确保报告质量与信誉的举措: 其一,拣选获认证的测试机构:选取具备 CMA(中国计量认证)以及 CNAS(中国合格评定国家认…

AxMath保姆级安装教程(word联用)及使用TIPS

一、软件介绍 AxMath是一款数学公式编辑器软件。它提供了一个直观的界面,使用户可以轻松创建和编辑数学公式。AxMath支持多种数学符号、方程式、函数、矩阵等的输入和编辑,并提供了丰富的数学符号库和模板,方便用户快速创建复杂的数学公式。…

33_对bluecms v1.6进行代码审计、用代码审计三种方法分别进行实施、bluecms v1.6下载与安装、定向功能分析法

部署bluecms v1.6 靶场下载地址: https://wwtt.lanzn.com/b00uyckd9a 密码:2x71 访问 http://127.0.0.1/bluecms/install/ 数据库名称建议跟网站名一样 进入mysql-front查看,出现bluecms数据库,并且库中有很多表 然后访问前台:h…

DW_ahb_databook学习及部分AHB知识回顾

一、DW_ahb框图 Arbiter: 一次只允许一个master发起数据传输,同时可以选择slave Optional Internal Decoder: 通过解码系统地址总线为AHB上的从机生成外设选择。每个slave都可以指定一个起始和结束地址,该地址必须与1kb边界对齐。 Optional External D…

【云原生】高可用集群KEEPALIVED(理论篇)

一、高可用集群 1.1 集群类型 LB:Load Balance 负载均衡 LVS/HAProxy/nginx(http/upstream, stream/upstream)HA:High Availability 高可用集群数据库、RedisSPoF: Single Point of Failure,解决单点故障HPC: High Performance computing 高性能集群 1.2 系统可用…

第二十五天培训笔记

2 、在 python 中连接数据库并结合游标对数据库进行操作 前提:要有 python3 环境 pip3 config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple // 设置 pip3 的全 局配置,将默认的 Python 包索引源( index-url &am…

Raspberry Pi Pico 2 上实现:实时机器学习(ML)音频噪音抑制功能

Arm 公司的首席软件工程师 Sandeep Mistry 为我们展示了一种全新的巧妙方法: 在 Raspberry Pi Pico 2 上如何将音频噪音抑制应用于麦克风输入。 机器学习(ML)技术彻底改变了许多软件应用程序的开发方式。应用程序开发人员现在可以为所需系统整…

【C++ 项目】负载均衡在线 OJ

文章目录 🌈 一、项目介绍🌈 二、项目源码🌈 三、项目演示⭐ 1. 前端界面展示⭐ 2. 后端界面展示 🌈 四、项目准备⭐ 1. 项目所用技术⭐ 2. 项目开发环境⭐ 3. 项目宏观结构 🌈 五、comm 公共模块⭐ 1. util.hpp 工具⭐…

【机器学习第9章——聚类】

机器学习第9章——聚类 9.聚类9.1 聚类任务9.2 性能度量9.3 距离计算9.4 原型聚类9.4.1 k均值算法9.4.2 学习向量量化(LVQ)9.4.3 高斯混合聚类 9.5 密度聚类DBSCAN算法 9.6 层次聚类9.7 kmeans手动算法实现9.8 kmeans算法运用 9.聚类 9.1 聚类任务 在“无监督学习”任务中研究…

MIT6.s081 2021 Lab Copy on-write

Implement copy-on write 背景 xv6 使用 fork() 系统调用创建子进程时,需要将父进程的地址空间进行 深拷贝 ,即将页表和实际物理空间同时进行拷贝,以实现父进程和子进程地址空间的独立性。但很多时候,如 shell 程序,…

时间线编辑特效SDK解决方案,高效的接入服务

在数字时代的浪潮中,短视频以其独特的魅力迅速成为连接世界的新语言,而创意与技术的深度融合,则是这场视觉盛宴背后的核心驱动力。美摄科技,作为短视频技术领域的佼佼者,近期隆重推出了其革命性的时间线编辑特效SDK解决…

踩坑【已解决】:Redis配置主从复制踩到的坑,主机不显示从机的连接信息,但是从机显示主机信息

关于Redis配置主从复制踩到的坑!!! 设置单机集群的时候,两台从机都显示连接到主机,但是主机显示连接到的从机数量为0: 原因: 在master的配置文件中我们配置了密码的信息,但是我们在从配置文件…

gitee 使用安装教程

一、下载方式 1.官网下载https://git-scm.com/downloads 2.淘宝镜像下载https://registry.npmmirror.com/binary.html?pathgit-for-windows/ 2.1安装 1.点击刚刚下载的安装包,然后点击next 2.根据自己的情况选择,一般默认就可以了 3. 点击next 4.点…

PS DRAM接口的函数式编程模型(一)

针对PS DRAM接口的操作启动,确实需要遵循一系列精心设计的步骤来确保DRAM控制器(DDRC)和DRAM模块能够正确初始化和配置。以下步骤详细说明了这些操作,并指出了Vivado Design Suite通常如何提供这些编程支持。 DDR时钟初始化&…

1DCNN-2DResNet并行故障诊断模型

往期精彩内容: Python-凯斯西储大学(CWRU)轴承数据解读与分类处理 Python轴承故障诊断入门教学-CSDN博客 Python轴承故障诊断 (13)基于故障信号特征提取的超强机器学习识别模型-CSDN博客 Python轴承故障诊断 (14)高创新故障识别模型-CSDN…