imatest 测试教程.docx

imatest 测试教程.docx

《imatest 测试教程.docx》由会员分享，可在线阅读，更多相关《imatest 测试教程.docx（25页珍藏版）》请在冰豆网上搜索。

imatest测试教程

使用Imatest测试分辨率

1.打开Imatest软件

2.打开SFR:

Newfile选中拍4:

3的图片

3.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

4.中间红色的“+”符号应在灰色和黑色的交界处，可使用左侧功能键作微调，务必使两种颜色在1:

1之间，选择    “Yes,Continues”进行下一步

5.设定分析内容，按“OK”进行分析，进行下一步

6.需要保存测试结果选择YES不需要保存测试结果选择NO

7.首要看CA的值，单位为pixels。

0~0.5：

色散控制极佳；0.5~1.0：

较好范围；1.0~1.5：

人肉眼可识别，中等镜头；1.5以上：

镜头较差，影响成像质量

MTF50

8.分辨率判断标准

使用Imatest测试色彩还原

色彩还原指彩色CCD、CMOS经过拍摄加工后，彩色摄影画面的色彩大体上和原景物的色彩相一致。

影响色彩还原的因素有CCD、CMOS的性能，摄影镜头的质量，光线的色温等。

今天我们通过在D65光源下测试摄像头对色彩的还原能力来聊聊如何使用Imatest进行色彩还原测试。

具体测试步骤如下：

1.调节摄像头的驱动参数调试到最佳，摄像头拍照相关的参数设置为普通模式，如白平衡设置为自动，曝光设为自动等；

2.调节光源及照度到指定的标准

3.将24色色卡置于灯箱正面中心，色卡中心与边缘照度不大于10%。

调节摄像头位置，使摄像头正对色卡中心，并使标板占据模组预览画面75%以上，待图像稳定后拍照。

4.打开Imatest软件，在colorcheck中导入对应的图片，选择合适的测试范围，软件会协助判断24color框的位置，可使用左侧功能键作微调，务必将24color都选在框内，选择“Yes,Continues”进行下一步。

5.选择"OK"进入下一步

6.测试结果

在此图片对应可以看到

∙ideal：

表示理想值

∙Camera：

表示摄像头的实际测得值

∙Saturation（饱和度）：

越高颜色越鲜艳，其中Sat=101.1%

ΔC*abmean=9.53;max=21.8

ΔE*abmean=14.6;max=23.8

其中ΔC，ΔE表示色彩正确度误差，一般而言值越小表示越接近真实颜色SRGB，也表示摄像模组的颜色误差越小，颜色越好，ΔE*ab计算色度差（C）外，还加入明度差（Y）。

测试摄像模组相对色版24色的表现和色版标准颜色的差异，相机表现的色彩和原始色彩相对较大，数值越大，同样的颜色，方形与圆形越远，则此颜色的倾向越大，色彩差异值不能说越小越好，因为这一数值是24颜色的综合差异值。

7.色彩还原判定标准

使用Imatest检测图像稳定性和比拟明晰度

Imatest软件中有一个模块特地用于检测图像的稳定性和比拟明晰度，此模块是SFRplus的后处置模块。

光学图像稳定性（也简称IS或OIS）能够经过比拟三张类似的SFRplus图像中相近的程度和垂直斜边的MTF值或相对长度来剖析。

1.第一张图为不发作颤动时拍摄的图像（Unshaken）

2.第二张是发作颤动时，未开防抖功用时拍摄的图像（ShakenwithoutImageStabilization）。

有些相机没有防抖翻开或关闭的选项，这种状况下有几种办法能够停止防抖性能的测试。

一种是运用准确的模仿颤动的设备，已知变化的角度。

另一种是选择一个类似像素配置和焦距的不带OIS功用的相机。

3.第三张图是发作颤动时，翻开防抖功用停止拍摄的图像。

标准SFRplus 测试卡

特殊的 SFRplus 测试卡，深灰块的间距较大，用于顺应较大范围的颤动

不颤动的图像只需求一张，但是颤动时未开防抖功用和翻开防抖功用图像则倡议需求多张，如10张或更多。

比拟两张图像的明晰度时，实践上是比拟两张图像当选定区域的MTF数据，ImageStabilization/SharpnessCompare 功用能够生成全图像的比拟结果。

ImageStabilization/SharpnessCompare 输入的数据是两个或三个JSON格式的文件，该文件由SFRplus模块生成。

功用比拟：

以下两个功用都能够比拟不同图像的明晰度

MTFCompare

能够比拟由SFR、SFRplus、eSFR ISO模块生成的CSV结果文件。

能够比拟每个斜边。

显现两张图像的MTF比照，（A/B）或（B/A）。

OIS/Image 

CompareImageStabilization/

SharpnessCompare

仅用于SFRplus模块。

输入数据为两个或三个Jason格式的文件，由SFRplus模块生成。

在SFRplus模块中必需选择ImageStabilization功用。

比拟的图像之间选择的ROI区域必需相同。

运用三张图像来计算OIS的有效性。

Batchview

Batchview批处置功用能够用于SFR, SFRplus和 eSFRISO模块，能够用于比拟多个图像之间的差别，并将结果保管为rootfile_sfrbatch.csv。

1.首先拍摄图像。

光照条件十分重要，由于它会影响快门速度，所以必需要有很好的平均光照，并且测试卡上没有反光。

相机应安放于一个模仿振动的平台，至少能够产生程度和俯仰旋转运动。

在翻开和关闭防抖功用时分别拍摄10到20张图像。

2.分别选择明晰度最差的图像。

找出最明晰的图像的办法是Find Sharpness Files功用，它能够在多张图像中快速找到MTF值最大的图像，并排序所选的图像。

另外，在SFRplus 模块中也能够选择Combinefilesforsignalaveraging功用得到均匀值。

在 SFRplus模块中比拟两张或三张图像时，ROI区域选择必需分歧。

右图所显现的5个程度和5个垂直区域是比拟好的选择。

选择中间一个位置，四个边角位置，足够剖析中间和边缘防抖的效果。

自定义ROI区域也是支持的

SFRplus 区域选择

ROI范围选择Wider （或 Widest）， SmoothforOIS选项引荐选择，由于防抖时边缘可能十分含糊糊。

在SFRplus设置中一定要选择是 ImageStabilization选项。

这样能够确保生成JASON格式的文件，以用于剖析析防抖效果。

 假如你是在Rescharts中模块中剖析，确保在保管文件时选择JASON格式。

3.点击OIS/ImageCompare按钮运转ImageStabilization 模块。

将显现以下窗口。

ImageStabilizationopeningwindow

窗口的下边会让你选择由SFRplus模块生成的三个JASON文件。

4.然后点击上图中的Calculate按钮，计算结果。

用于定义 ImageStabilization参数的名词

NoS

NOShake的简写，代表不颤动的图像

Shake

颤动并关闭OIS时拍摄的图像

OIS

颤动并翻开OIS时拍摄的图像

剖析结果

Averageedge

均匀边缘散布函数，经过ISO12233规范引荐的超分辨率算法计算。

 MTF的傅里叶变换的导数均匀边缘（绝对值）。

是间隔的函数。

MTF

ModulationTransferFunction=SpatialFrequencyResponse. 是空间频率的函数。

从 MTF 或者均匀边缘演化的参数

MTF50

空间频率降落到50%时的频率时的低频数据。

能够选择不同的单位。

 Cycles/Pixel 是最根底的，其它单位也很常用。

通常MTF50（NoS）>MTF50（Shake）>MTF50（OIS）. 当这个次第有变时，需求思索噪点的影响。

R1090

代表10-90% 均匀边缘上升间隔

R2080

代表20-80% 均匀边缘上升间隔.

LMTF

L_MTF

相关于MTF50的间隔长度，通常十分接近于 R1090  LMTF （pixels）=1/（2*MTF50（C/P））.

ImageStabilization 的剖析结果

ImageStabilization 模块的主要目的是计算翻开OIS功用时，明晰度的改良。

所以在计算时必需思索几个问题

∙比拟结果只显现OIS的效果，所以未颤动图像的糢糊必需从去除。

∙翻开或关闭OIS功用的图像代表了颤动的效果，所以需求选择明晰度最差的图像。

ImageStabilization 的剖析结果主要是MTF的比拟，其它的参数则从此演化而来。

以下是剖析结果的解释。

名词定义

LMTF（L_MTF） 这个参数是一个间隔的函数与R1090的相关性较好。

还记得MTF是傅里叶变换的模数吗（绝对值），意味着相位信息曾经去除了。

关于颤动的图像来说，可能在边缘产生显著的不规律现象（不对称，斜梯等），可能使R1090 或R2080扭曲，运用它们牢靠性降落。

这些不规律是边缘相位的一局部，对MTF的影响有限。

下图显现了这样一个边缘。

LMTF=1/（2*MTF50） （当MTF 的单位为Cycles/Pixel时）.（LMTF=1/MTF50 当 MTF 的单位为 LW/PH.时） ，在下图中， LMTF=1/（2*0.0399）=12.5pixels, 与R1090的数据十分接近。

但有时也会有例外。

AverageedgeprofileandMTFforaratherpoorlybehavededge.

LMTF =1/（2*MTF50）=1/（2*0.0399）=12.5pixels, 接近于 R1090.

总结— LMTF （而不是 R1090orR1080） 参数更合适于计算防抖效果，当然上图中也给出了一切数据。

颤动和未颤动边缘间隔

从NoS,Shake,andOIS 三类图中得到的边缘长度计算 （R1090,R2080,andL_MTF） 数据曾经足够阐明防抖效果。

但是还能够得到以下图表。

以下是18个边缘的比拟结果。

红色加亮区域的剖析结果

以上表格包括了一切的从一个边缘得到的OISGain数据，（由 L_MTF,R1090, 和 R1080演算而来。

以下图表包括了多个区域的剖析结果。

多个边缘的均匀的OISgain数据能够显现为在3D图表中。

能够切换选择只显现程度边缘，只显现垂直边缘或同时显现。

Multi-ROIplotof OIS_gain_L_MTF_div_dB （thepreferredresult）,showingMetricdrawdown menu.（OnlyalimitednumberofmetricsarecurrentlyavailablefortheMulti-ROIand3Dplots.）

以下为3D图表的显现.

3Dplotof OIS_gain_L_MTF_div_dB （thepreferredresult）

点击 Savedata.保管数据按钮能够将结果保管为CSV 数据。

以下是数听说明

Inputfile

1

Daterun

24-Jan-201314:

49:

02

Imagepath

C:

ImatestDataSFRplusMiscImage_Stabilizationnovibes.bmp

Title

novibes.bmp

Height Pxls

1200

Width Pxls

1600

Regions

18

（Thisisrepeatedforthesecondand（ifincluded）thirdfiles

MeanofVerticaledges

Shake-only

OIS-only

Delta

Fraction

%

dB gain

1. L_MTF_div

14.4877

9.8802

4.6075

0.6812

31.8824

3.3568

2.L_MTF_S1

11.7326

7.4965

4.2361

0.6333

36.6706

4.0072

3.L_MTF_S2

14.8671

10.4262

4.4409

0.7001

29.9929

3.1116

4.R1090_S1

12.4647

7.7476

4.7171

0.6213

37.8658

4.14

5.R1090_S2

15.6516

10.7458

4.9058

0.6875

31.2493

3.2607

6.R2080_S1

8.074

5.1292

2.9448

0.6354

36.4551

3.9865

7.R2080_S2

10.1915

7.1259

3.0657

0.6998

30.0222

3.1304

（ThisisrepeatedforHorizontalandH&Vedges.）

 以下内容引见了Imatest的算法与CIOADC-X011-2012的不同。

CIPA （Japan’sCamera&ImagingProductsAssociation） 日本照相机与图像产品协会发布了一个草案标准。

CIPADC-X011-2012,MeasurementandDescriptionMethodforImageStabilizationPerformanceofDigitalCameras（OpticalMethod）。

Imatest软件中的 Imatest ImageStabilization 模块算法，与CIPA 的标准有些不同，后者有着比拟明显的缺陷。

Imatest 运用SFRplus测试卡，而 CIPA运用高反差的棋盘图加上中间黑框内的静态水果图像，CIPA的测试卡运用完整垂直和程度边缘，反差超越20：

1，容易产生过饱和的状况，从而影像丈量精度。

而SFRplus测试卡固然能够制造成不同的反差，但我们的引荐运用4：

1的反差，这也是ISO12233：

2014规范的标准。

DC-X011 规范没有提及MTF。

MTF在图像行业中用于丈量明晰度曾经用了几十年，而DC-X011只是采用了10-90% 边缘上升间隔这个参数,相比拟而言稳定性较差。

完整垂直或程度的边缘也容易产生相位取样错误，这也是为什么2014版的ISO12233规范采用了5度斜边做为测试图案的缘由。

另外CIPA规范请求拍摄的图像过于多，例如不颤动的图像需求有10张（§4-4-1），而并没有阐明取最好、最坏还是均匀值。

对斜边测试卡来说，正常的拍摄只需求一张即可。

使用Imatest软件帮助校正畸变

Imatest的测试卡和软件可以帮助用户测量和分析成像系统的特性和参数。

很多时候，这些测试结果被用来作为图像质量的度量，或者预测你拍摄图像质量的极限水平。

有一些Imatest给出的测试结果，是可以用于图像校正的。

可直接用来纠正测量出的误差。

不必购买新的硬件，无需主观判断，有时候问题的解决方法可以是一个数学模型和简单的计算。

一旦你测量了Imatest的这些参数，你可以纠正他们，从而最大限度地减少（或完全去除）它们造成的影响。

这通常是通过一个专用的图像信号处理芯片（ISP）完成的，从原始传感器数据RAW转换成一幅合适的图片。

在Imatest中，我们非正式地称之为“闭环”，它完成了从测试相机到校正相机的循环（某种形式的调整）。

如何从Imatest中提取径向畸变的测量数据，并用它们来校正相机的畸变（无需购买新的镜头）？

使用Imatest帮助校正畸变

径向几何失真

几何失真，用来的描述图像的扭曲形状，与相机真正遵循一个简单的针孔相机模型成像情况进行对比。

（因此，我们不是在这里谈论透视失真）。

最明显的效果是，场景中的直线弯曲成图像中的曲线。

几何失真并不总是件坏事——有时也会为艺术效果选择曲线镜头，或使用广角镜头时忽略畸变，因为这就是欣赏者期望看到的情况。

然而，用户的研究表明，大多数观众对每天看到的图片的畸变程度，主观接受度是有限的。

特征化（和校正）几何失真是许多应用场景所需要的，比如在三维空间中定位一个点，对于计算机视觉或交多张图像拼接在一起的VR应用等等，都需要精确的校正。

这种几何失真几乎总是由于镜头的设计和结构带来的，它通常被建模为

（1）纯径向和

（2）径向对称。

纯径向畸变意味着无论在像场中的哪一个点，唯一决定畸变的因素是，它离图像的中心有多远。

（为了简单起见，我们在此假定图像的中心是系统的光学中心，尽管这通常是需要提前测量的。

）假设几何失真是径向的，可以减少问题的复杂性。

因为无需考虑二维图像的两个维度（x和y表示在每个像素的位置），我们只需要确定一个维度（半径方向的位移）。

通过使用SFRplus，Checkboard，或DotPattern模块，Imatest可以从一幅拍摄过的测试卡图片来测量相机系统的径向失真。

Imatest中的畸变系数

Imatest可以返回两种不同类型径向畸变的描述。

这两种畸变都是用多项式近似的失真函数描述的，但这两个多项式代表不同的东西。

在许多情况下，它们在功能上是相同的，并且可以从一种形式转换为另一种形式。

（为简单起见，我们忽略了这里Imatest提供和标注的tan/arctan逼近值）

我们作如下定义：

* rd是一个点的畸变半径，也就是它到图像中心的距离

* ru是一个点未畸变的半径，在未畸变的图像中它到图像中心的距离

* 函数rd=f（ru）被称为正向变换因为它采用了一个未畸变的半径值，并把它转  化为一个畸变的半径。

也就是说，它适用于镜头发生畸变的点。

* 函数ru=f−1（rd）被称为反向变换，是为了与正向变换进行对比，它校正了镜 头的畸变值

* P（⋅）表示一个多项式函数

SFRplus和Checkboard模块会返回描述纠正畸变的反向变换后的畸变系数，ru=f-1（rd），下方为Rescharts模块的分析结果：

Imatest畸变分析结果

DotPattern模块返回一个不同参数的径向畸变的多项式的系数，称为局部几何失真（LGD），或有时也称为光学畸变。

以下是基于ISO17850和CPIQ标准给出的测试结果。

基于CPIQ的畸变分析结果

LGD被定义为相对于真实误差的径向误差，为百分比（即乘以100）：

LGD=100*（rd-ru）/ru

通过将LGD考虑为一个相对畸变图像半径的多项式函数，P（rd），我们可以重新安排这个方程式的两边产生更有用的方程，有理多项式的畸变校正反向变换形式。

因此，点状图结果可以向SFRplus/Checkboard那样用同样的方法（虽然我们会用规则的多项式拟合近似代码示例直接取代有理多项）。

                      ru=rd/（P（rd）/100+1）=f-1（rd）

通过再采样畸变校正

图像传感器的像素阵列基本上是一个规则间隔的网格光照取样。

然而，光落在上面的模式已经被镜头扭曲了，因此当传感器定期地对光进行采样时，这些光在进入镜头之前就不是有效的光照样本了。

我们的补救方案可以描述如下：

我们创建一个新的无失真，规则间隔的网格（一个新的像素阵列）。

在每一个“虚拟传感器”像素的位置，我们重新从所观察到的图像采样图像数据，在该图像中的这个位置，传感器像素已经进行了失真预测。

因此，畸变图像被用网格重新采样，它经历了相同的畸变，但采样结果会再次有规律的展现间隔-有效地消除失真。

说明如下：

每个上层的网格线的交点代表了我们生成的像素位置，在未畸变图像中（像素的在我们的“虚拟传感器”的位置）。

显然，我们在此已经减少了“像素”来增加易读性。

图像的下部代表畸变图像，当网格被扭曲后，采样网格覆盖在其上。

上面的规则间隔的阵列位置将被用从下方畸变图像的不规则采样数据填充，如所示的扭曲的网格交点位置。

为了看的更明显，红色箭头从上面图像的网格交点下降到下面图像中相应的网格交点。

这些可对比结束位置的蓝色箭头，表明这是否有像素取样不失真。

（很明显，如果像素取样位置没有畸变，即使用了蓝色箭头位置，那么输出图像将规则的从畸变的图像采样，本身也会畸变。

）

畸变与未畸变的位置对应