2024 | imatest线上研讨会 Q&A – ③ MTF和噪声测量变化来源

发布时间：2024年9月25日

8月29日上午，imatest如期开展【MTF和噪声测量变化的来源】专题线上技术交流会，参会的小伙伴不妨在评论区留言会议精彩瞬间！

产生噪声的主要来源：

噪声对图像MTF参数会带来哪些影响？

降低MTF值：噪声会使图像的对比度下降，从而降低图像系统对不同空间频率的传递能力，导致 MTF 值降低。特别是在高频部分，噪声的影响更加明显，因为高频信息通常比较微弱，容易被噪声淹没。
改变MTF曲线形状：噪声可能会使 MTF 曲线变得不平滑，失去原有的细节和特征。这是因为噪声会模糊图像的边缘和细节，使得图像系统对不同空间频率的响应变得更加均匀。
影响MTF的稳定性：噪声的存在会使 MTF 结果的稳定性降低，不同次测量的结果可能会有较大的差异。这是因为噪声是随机的，每次测量时噪声的分布和强度都可能不同，从而影响 MTF 的测量结果。

避免或改善噪声的措施有哪些？

硬件方面

选择高质量的图像传感器：在选择传感器时，可以关注其噪声参数，如信噪比、动态范围等。
优化图像采集系统：合理设计图像采集系统，包括照明、镜头、信号处理电路等，可以减少噪声的产生。例如，采用合适的照明方案可以提高图像的对比度，减少噪声；选择高质量的镜头可以提高图像的清晰度，降低噪声。

软件方面

图像预处理：在图像采集后，可以对图像进行预处理，如去噪、增强等操作，以提高图像的质量。常用的去噪方法有均值滤波、中值滤波、高斯滤波等，这些方法可以有效地去除图像中的噪声，同时保留图像的边缘和细节。
算法优化：在图像处理算法中，可以考虑加入噪声抑制的模块，以提高算法的抗噪能力。例如，在图像压缩算法中，可以采用有损压缩和无损压缩相结合的方式，在保证图像质量的前提下，尽可能地减少噪声的引入。
深度学习方法：近年来，深度学习技术在图像去噪方面取得了显著的成果。通过训练深度神经网络，可以学习到图像中的噪声模式，从而实现对噪声的去除。这种方法具有较高的去噪效果，但需要大量的训练数据和计算资源。

测试准备：

高质量的图像测试靶标，如 ISO12233 分辨率测试卡等，靶标上具有不同空间频率的线条和图案，用于评估镜头的分辨率和对比度传递能力。准备不同尺寸和相同精度的图卡，应对不同物距的镜头模组。
稳定的光源，确保光照均匀且强度适中，以模拟实际拍摄环境。
精确的测量仪器，如光度计、色度计等，用于测量图像的亮度和色彩信息。

测试步骤

MTF 数值会受到拍摄距离的影响：

当拍摄距离改变时，镜头的成像特性会发生变化。在不同的物距下，镜头的像差、景深、分辨率等参数都会有所不同，从而影响 MTF 值。

当摄像头的拍摄物距偏离最佳对焦位置，成像效果会有衰减，如果没有选用合适尺寸合适精度的图卡，在测试时MTF数值会波动较大。

浅景深图像，噪声集中在图中小面积主体上而显得突出。深景深图像，噪声分布比较均匀。

通过改变光圈实现不同景深，改变光圈就会导致进光量的不同，进光量的多少会影响到噪声的表现情况。

准确性要求：实验测试数据通过控制变量，多次测试取平均，以实现准确性。但是仍不可避免由于仪器精度，环境因素，操作不当等带来的误差。另外实验数据通常是相对的，取决于实验目的和要求。机器视觉对数据精度要求更高，更绝对，会严格遵守设定的规则进行检测。
数据多样性：实验数据通常在特定条件下取得，因此数据多样性有限。另外实验数据通常为满足特定实验目的而设计。不一定满足机器视觉系统在实际中的需求。并且机器视觉通常会处理不同的数据类型和格式
数据的实时性要求：实验测试通常不需要实时处理数据。机器视觉系统通常需要实时处理数据，以满足实际应用的需求。

通过客观测试结果可以反向评估AI算法的能力；并且根据结果可以揭示算法在不同情况下优劣。给予算法改进方向。并可对比评估不同算法，快速确定竞争力。

标准化评估：客观测试可以提供统一的标准，帮助不同的图像处理算法进行比较。尽管AI算法可以生成或处理高质量的图像，但通过客观的指标（如MTF、SNR、Color Error等），可以确保不同算法的性能能够在相同的基础上或用相同的方法进行评估。
量化性能：客观测试可以量化图像质量的各个方面，比如清晰度、颜色准确性、噪声水平等。这种量化帮研发人员了解算法在实际应用中的表现，并对算法进行调整和优化。
算法改进的基础：通过客观测试，可以识别出图像质量中的具体问题和不足之处，从而为AI算法的改进提供指导。这有助于算法人员针对性地优化算法，提升图像质量。
性能监测：在实际应用中，图像处理算法的性能可能会受到不同环境条件的影响，如高低温、如高频抖动等条件。客观测试可以持续监测算法在不同条件下的表现，确保其稳定性和一致性。