Imatest SFRreg可以高度自动化执行对图像的锐度（表示为SFR，也就是MTF）和横向色差测量，与标准测试卡不同，这些测试卡不需要位于平面上。因为ROI是自动的，他们可以定位在需要的地方。
结果分析：
第一次分析SFRreg应该使用ResCharts,保存正确的设置，有利于下次分析。
1. 多结果显示
N：区域号 百分比表示该区域的大概位置（该位置到中心位置的距离和圆半径的比例）
CA:色差
2. 边缘和MTF结果分析
边缘分析图像显示在顶部，MTF分析结果在底部，边缘结果默认为线性归一化显示，非线性（像素级）和归一化显示，线性化和非归一化（适合检查图像饱和度，尤其是在白平衡较差的图像中）。
有多个数据，包括10-90%的上升距离，MTF50,MTF50P,奈奎斯特频率下的MTF。
3. 色差结果
横向色差（LCA），也称为“彩色边纹”是在大多数可见图像的边缘切向附近的边界上。如果所选择的区域（ROI）太靠近中心（小于距离角落的30％）以精确测量CA，则阴谋的大部分将变灰。
边缘曲线的最高和最低之间的区域（如R，G，B和Y（亮度）通道所示）是LCA的感知测量。它具有像素单位，因为曲线被归一化为1的幅度，x方向（垂直于边缘）以像素为单位。它显示为洋红色曲线。感知LCA也表示为从中心到角落的距离的百分比，这倾向于反映系统性能：对位置和像素计数比像素测量更不敏感。距中心距离不到0.04％的值不大; 超过0.15％的LCA可能是相当明显和严重的。CA（交叉）数与光学LCA高度相关，LCA交叉距离（RG和BG）也以像素为单位给出，表示为中心到边角的百分比。它们与光学LCA良好相关，光学元件的性质受到去马赛克影响很小。在去马赛克之前， LCA可以最有效地纠正。
4. 直方图和噪声分析
黑暗，亮度水平原始像素归一化后值和线性化值；
图表对比度（gamma = 0.5）值，注意：必须在SFRplus参数和设置窗口中输入正确的图表对比度（此图输入对比度为4：1）；
噪点（暗处值，明亮处值，平均值）像素归一化后表示值，（对于8位数字图像来说，255等同于1）；
S / N（暗处值，明亮处值，平均值），正常像素值。
噪音（）噪声，使用伽玛（输入）线性化值，通过选择更大区域的ROI，右下方的噪声波谱包含关于噪声可见度和软件噪声降低的定性信息，通常将低频噪声降低到0.5以下，典型的是单独使用去马赛克。左侧的区域显示为红色 ; 右侧显示为青色。
5. 边缘粗糙度分析
分析边缘粗糙度，它有两个部分：
1.随机锯齿（非周期性），由噪音引起。
2.由混叠（奈奎斯特频率以上的信号响应）引起的固定锯齿，（锯齿状边缘也称为“锯齿状”）。受去马赛克算法影响。
周期性噪声在对应于垂直于边缘的一个或两个像素的空间频率处具有峰值光谱响应，其中一个像素对应于绿色通道，并且两个像素对应于拜耳滤色器阵列的红色和蓝色通道。在粗糙度谱（上图）中，这些频率分别为1和0.5。在这些频率下的响应峰值是相当典型的。通过将f = 0.5到2.5 之间的频率分量以0.5的步长（即，混叠基本原理和前几个谐波）转换回空间域来计算周期性噪声。通过从总噪声中减去周期性噪声来计算非周期性噪声。得到了三个RMS（s =标准偏差）粗糙度值：Total，aliasing（锯齿）和Total-aliasing（非周期性）。边缘粗糙度结果的解释比较困难，因为它是一种新的测量，并没有很多数据进行比较。虽然图中的模式是相当典型（和预期的），但是我们已经看到许多与之相似的光谱。在一般的噪声中，峰值对于模糊边缘是弱的（或不存在）。这个计算或许能够使我们区分出优秀和平庸的去马赛克算法。
Was this helpful?
3 / 1