简介：HYRes3.1是一款面向摄影师、光学工程师及图像处理从业者的ISO12233解析力（MTF）计算工具，用于量化镜头与图像传感器的成像质量。软件可读取JPG、PNG等图像，自动识别测试图表条纹并分析解析力，支持MTF曲线绘制、采样率与空间频率范围等参数调整，并能生成含截图、曲线与关键数据的分析报告，适用于产品研发、质量控制与学术研究等场景。压缩包共30个文件，约1.8MB，以dll动态库、exe可执行程序、html说明文档为主，另含txt文本、ico图标、ocx控件、olb对象库及png、jpg示例图像，主程序与中英日文ReadMe齐备，便于安装与查阅。目前已有1120人学习下载。通过该工具，读者可掌握ISO12233标准下的解析力测量流程，理解MTF曲线含义，并借助示例图像与说明文档快速上手，为镜头评测与光学系统优化提供数据支撑。
1. HYRes3.1 与 MTF 组合：从命名规则反推一套可复现的评估链路
拿到HYRes3.1_HYRes3.1_MTF_这个标题，第一反应不是去搜它是什么，而是先拆命名。HYRes大概率是某个自研或半自研的遥感/资源类数据集或模型代号，3.1是版本号，MTF是 Modulation Transfer Function（调制传递函数），最后一个下划线后面为空，说明这是一个待补全的配置槽位——通常是任务类型、传感器型号或评估指标。把这三段拼起来，它描述的其实是一条链路：用 HYRes3.1 数据或模型，做 MTF 相关的评估或增强。
MTF 在遥感、光学成像、图像质量评估里是硬指标。它衡量系统对不同空间频率信号的传递能力，简单说就是“镜头和传感器把细节保留到什么程度”。很多人第一次接触 MTF 是在镜头评测里看曲线，但真正落地时，它更多出现在图像复原、超分、去模糊的损失函数设计里。HYRes3.1 如果是一个高分辨率遥感数据集，那 MTF 就是它绕不开的质量维度——因为遥感图像的退化过程，本质上就是 MTF 衰减加噪声。
这套组合适合谁？做遥感图像复原、超分辨率、图像质量评价的工程师，尤其是手头有自建数据集、需要给数据或模型定一个物理可解释的评估口径的人。它解决的不是“跑一个 SOTA 模型”的问题，而是“怎么让评估结果不玄学、能跟光学链路对上”的问题。下面按“先立住 MTF 的物理含义 → 再搭 HYRes3.1 的评估链路 → 最后落到参数和避坑”推演，中间给可抄的命令和代码。
2. MTF 在 HYRes3.1 上的计算路径：从刃边法到斜边法
2.1 为什么遥感图像评估绕不开 MTF
遥感图像的退化链是：大气散射 → 光学系统衍射 → 传感器采样 → 平台运动 → 压缩。其中光学系统和传感器采样这两段，可以用 MTF 统一描述。如果你只拿 PSNR、SSIM 去评估复原结果，会出现一个经典翻车场景：PSNR 涨了 2dB，但图像里的道路边缘、建筑轮廓反而更糊。原因是 PSNR 对高频细节不敏感，而 MTF 直接测的就是高频衰减。
MTF 的数学定义是系统对正弦亮度分布的对比度传递比。实际计算时不会真去投正弦光栅，而是用刃边法（Edge Method）或斜边法（Slanted Edge Method）。刃边法对一条近似垂直的明暗边界做傅里叶变换，得到线扩散函数 LSF，再傅里叶变换取模得到 MTF。斜边法把刃边倾斜几度，用多行采样做超采样，能突破单行像素限制，得到更高频的 MTF。遥感图像里建筑物边缘、道路边缘天然就是刃边，所以这套方法落地成本低。
HYRes3.1 如果是高分辨率数据，它的像素尺寸可能到 0.5m 甚至更高，MTF 的 Nyquist 频率对应到地面尺度就很关键。常见做法是：先选一块包含清晰人工边缘的区域，裁成 ROI，再做斜边法。我一般会选 64×64 或 128×128 的 ROI，边缘倾角控制在 2° 到 7° 之间，太小超采样不够，太大引入方向性误差。
2.2 用 Python 实现斜边法 MTF 计算
下面这段代码是斜边法的最小实现，输入是一块包含倾斜边缘的灰度 ROI，输出 MTF 曲线和 MTF50 值。依赖numpy、scipy、opencv-python。
import numpy as np import cv2 from scipy.fft import fft, fftfreq from scipy.ndimage import rotate def compute_mtf_slanted_edge(roi_gray, edge_angle_deg=None): """ 斜边法计算 MTF。 roi_gray: 2D numpy array, 灰度 ROI，包含一条近似直线的明暗边缘 edge_angle_deg: 边缘倾角，若为 None 则用 Hough 自动估计 返回: freqs (cycles/pixel), mtf (归一化), mtf50 """ # 1. 自动估计边缘角度 edges = cv2.Canny(roi_gray, 50, 150) lines = cv2.HoughLinesP(edges, 1, np.pi/180, threshold=30, minLineLength=20, maxLineGap=5) if lines is None: raise ValueError("ROI 中未检测到直线边缘，请检查对比度") # 取最长线段的角度 lengths = [np.hypot(l[0][2]-l[0][0], l[0][3]-l[0][1]) for l in lines] best = lines[int(np.argmax(lengths))][0] angle = np.degrees(np.arctan2(best[3]-best[1], best[2]-best[0])) if edge_angle_deg is not None: angle = edge_angle_deg # 2. 旋转使边缘垂直 rot = rotate(roi_gray.astype(np.float32), angle, reshape=False, order=3) # 3. 对每一行求差分，得到 LSF 的过采样版本 lsf_rows = np.diff(rot, axis=1) # 4. 按边缘位置对齐（质心对齐），消除行间偏移 centroids = np.argmax(np.abs(lsf_rows), axis=1) aligned = [] for i, c in enumerate(centroids): shift = int(np.median(centroids) - c) aligned.append(np.roll(lsf_rows[i], shift)) lsf = np.mean(aligned, axis=0) # 5. 去趋势并加窗 lsf = lsf - np.mean(lsf) lsf *= np.hanning(len(lsf)) # 6. FFT 取模，归一化 mtf = np.abs(fft(lsf)) mtf = mtf[:len(mtf)//2] mtf /= mtf[0] freqs = fftfreq(len(lsf), d=1.0)[:len(lsf)//2] # 7. 计算 MTF50 idx = np.where(mtf <= 0.5)[0] mtf50 = freqs[idx[0]] if len(idx) > 0 else 0.0 return freqs, mtf, mtf50逻辑说明：先检测边缘角度，把边缘旋到垂直，这样每一行的差分就是 LSF 的一个采样。行间对齐用质心法，避免边缘不直导致的 LSF 展宽。加 Hanning 窗是为了抑制 FFT 截断带来的旁瓣。最后归一化到零频为 1，取 MTF 降到 0.5 的频率作为 MTF50。
参数说明：Canny的 50/150 是经验阈值，如果 ROI 对比度低，要降到 30/100。HoughLinesP的threshold=30控制直线检测灵敏度，ROI 小就调低。旋转用order=3三次样条插值，比双线性更保高频。np.hanning窗长度就是 LSF 长度，不要额外补零，补零会改变频率轴刻度。
2.3 从 MTF 曲线到 HYRes3.1 的质量报告
算完单块 ROI 的 MTF 还不够，HYRes3.1 如果覆盖多景、多传感器，需要做统计。常见做法是：每景选 5 到 10 个均匀分布的刃边 ROI，分别算 MTF50，然后报告均值、标准差和 Nyquist 频率处的 MTF 值。Nyquist 频率对应 0.5 cycles/pixel，这个值直接反映传感器有没有把光学系统的能力发挥出来。
我一般会输出一张表，列：景号、ROI 数、MTF50 均值、MTF50 标准差、Nyquist MTF 均值。如果某景的 MTF50 标准差超过均值的 20%，说明这景内部质量不均匀，可能是拼接或运动模糊导致，需要单独排查。这一步是后面调参和避坑的依据。
3. HYRes3.1 数据接入与 MTF 评估的工程化步骤
3.1 数据目录结构与 ROI 自动筛选
HYRes3.1 如果是自建数据集，目录通常按景组织。我一般会约定这样的结构：
HYRes3.1/ scene_001/ image.tif meta.json scene_002/ image.tif meta.json ...meta.json里至少要有gsd（地面采样距离，米/像素）、sensor、sun_angle。MTF 评估需要gsd来把 cycles/pixel 转成 cycles/m，否则不同景之间没法比。ROI 自动筛选的思路是：用 Canny 找边缘，再用 Hough 找长直线，要求直线两侧对比度大于阈值（比如 0.3），且直线长度大于 30 像素。这样能自动排除纹理区域和噪声边缘。
import json, os import numpy as np import cv2 def auto_select_roi(image_path, meta_path, roi_size=64, min_contrast=0.3): img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) with open(meta_path) as f: meta = json.load(f) edges = cv2.Canny(img, 50, 150) lines = cv2.HoughLinesP(edges, 1, np.pi/180, threshold=50, minLineLength=30, maxLineGap=5) rois = [] if lines is None: return rois for l in lines: x1, y1, x2, y2 = l[0] cx, cy = (x1+x2)//2, (y1+y2)//2 half = roi_size // 2 if cx-half < 0 or cy-half < 0 or cx+half >= img.shape[1] or cy+half >= img.shape[0]: continue roi = img[cy-half:cy+half, cx-half:cx+half].astype(np.float32) # 对比度检查：取边缘两侧各 5 像素的均值差 side1 = roi[:, :5].mean() side2 = roi[:, -5:].mean() contrast = abs(side1 - side2) / 255.0 if contrast >= min_contrast: rois.append((cx, cy, contrast, meta.get('gsd', None))) # 按对比度降序，去重（距离太近的只留一个） rois.sort(key=lambda x: -x[2]) selected = [] for r in rois: if all(np.hypot(r[0]-s[0], r[1]-s[1]) > roi_size for s in selected): selected.append(r) return selected[:10]逻辑说明：HoughLinesP找直线，取中点作为 ROI 中心，检查 ROI 内边缘两侧对比度。去重是为了避免同一块边缘被多次选中。返回最多 10 个 ROI，按对比度排序。
参数说明：min_contrast=0.3是经验值，如果 HYRes3.1 是低对比度场景（如水面、沙地），要降到 0.15。roi_size=64适合 GSD 优于 1m 的数据，GSD 更粗就加大到 128。threshold=50控制直线检测，边缘弱就调低。
3.2 批量计算与结果落盘
单景算完，批量跑的时候要注意内存和并行。我一般用concurrent.futures.ProcessPoolExecutor，每个进程处理一景，避免 Python GIL 限制。结果写 CSV，字段包括scene_id, roi_x, roi_y, mtf50, nyquist_mtf, gsd, contrast。
import csv from concurrent.futures import ProcessPoolExecutor def process_scene(scene_dir): img_path = os.path.join(scene_dir, 'image.tif') meta_path = os.path.join(scene_dir, 'meta.json') rois = auto_select_roi(img_path, meta_path) results = [] img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) for (cx, cy, contrast, gsd) in rois: half = 32 roi = img[cy-half:cy+half, cx-half:cx+half] freqs, mtf, mtf50 = compute_mtf_slanted_edge(roi) nyq_idx = np.argmin(np.abs(freqs - 0.5)) results.append({ 'scene_id': os.path.basename(scene_dir), 'roi_x': cx, 'roi_y': cy, 'mtf50': mtf50, 'nyquist_mtf': mtf[nyq_idx], 'gsd': gsd, 'contrast': contrast }) return results if __name__ == '__main__': scene_dirs = [os.path.join('HYRes3.1', d) for d in os.listdir('HYRes3.1')] all_results = [] with ProcessPoolExecutor(max_workers=4) as ex: for res in ex.map(process_scene, scene_dirs): all_results.extend(res) with open('mtf_report.csv', 'w', newline='') as f: writer = csv.DictWriter(f, fieldnames=all_results[0].keys()) writer.writeheader() writer.writerows(all_results)逻辑说明：每个进程独立处理一景，避免共享状态。max_workers=4根据 CPU 核数调整，遥感图像大，IO 也重，一般不超过 8。结果落 CSV 方便后续用 pandas 做统计。
参数说明：half=32对应 64×64 ROI，如果auto_select_roi返回的 ROI 尺寸不同，这里要同步改。nyq_idx取 0.5 cycles/pixel 最近的频率点，如果频率分辨率不够，可以插值。
3.3 结果统计与异常景标记
拿到 CSV 后，按scene_id分组算均值和标准差。异常景的判定规则：MTF50 均值低于全体均值的 2 个标准差，或者 Nyquist MTF 低于 0.1。这些景大概率有运动模糊、失焦或拼接问题。我一般会把异常景单独列出来，人工看一遍原图，确认是数据问题还是算法问题。
这一步的产出是一张质量分级表：A 级（MTF50 高且稳定）、B 级（MTF50 中等或波动大）、C 级（异常）。后续做复原或超分时，C 级景要么剔除，要么单独训练一个域适应分支。这是 HYRes3.1 这种自建数据集必须做的脏活，跳过它，后面模型指标再好也不可信。
4. MTF 评估链路的避坑与排查
4.1 坑一：ROI 选在压缩伪影上，MTF 虚高
现象：某景 MTF50 算出来 0.35 cycles/pixel，比同传感器其他景高一大截，但肉眼看着边缘有锯齿。原因：ROI 选在了 JPEG 压缩块边界上，压缩伪影产生了虚假的高频。解决：在auto_select_roi里加一步，对 ROI 做 8×8 块的 DCT 能量检查，如果块边界能量异常高，丢弃该 ROI。或者直接要求输入是无损格式，HYRes3.1 如果只有 JPEG，先转成 PNG 再算。
4.2 坑二：边缘角度估计错误导致 LSF 展宽
现象：MTF 曲线在高频段突然掉到零，MTF50 偏低。原因：Hough 检测到的直线角度偏差超过 1°，旋转后边缘不垂直，LSF 被展宽，高频衰减被夸大。解决：在compute_mtf_slanted_edge里加角度校验，如果旋转后边缘的 Canny 检测角度偏离 90° 超过 0.5°，重新估计或手动指定edge_angle_deg。我一般会先用cv2.minAreaRect对边缘点做拟合，比 Hough 稳。
4.3 坑三：GSD 缺失导致跨景比较失效
现象：不同景的 MTF50 数值接近，但实际地面分辨率差一倍。原因：meta.json里gsd字段缺失或单位不统一（有的写米，有的写厘米）。解决：在批量处理前加一个校验脚本，检查每个meta.json的gsd是否存在且在合理范围（0.1 到 10 米）。缺失的景要么补元数据，要么在报告里标记为“不可比”。跨景比较必须统一到 cycles/m，不能直接用 cycles/pixel。
4.4 坑四：并行处理时 OpenCV 线程冲突
现象：用ProcessPoolExecutor跑的时候，程序卡死或报内存错误。原因：OpenCV 内部有自己的线程池，和 Python 的多进程叠加，导致线程数爆炸。解决：在每个子进程开头加cv2.setNumThreads(1)，把 OpenCV 线程限制为单线程。这个坑我踩过两次，第一次以为是内存不够，加了 32G 内存还是崩，后来才发现是线程冲突。
4.5 坑五：MTF50 对噪声敏感，低对比度 ROI 不可靠
现象：同一景不同 ROI 的 MTF50 差异超过 50%。原因：低对比度 ROI 的信噪比低，LSF 被噪声淹没，FFT 后高频段全是噪声。解决：在auto_select_roi里把min_contrast提高到 0.4，或者对 ROI 先做非局部均值去噪再算 MTF。但去噪会改变高频，所以去噪后的 MTF 只能用于相对比较，不能报绝对值。我一般会同时报去噪前和去噪后的值，让读者自己判断。
5. 把 MTF 反馈进 HYRes3.1 的复原流程：一个可复用的调参习惯
MTF 算出来不是终点，它的价值在于指导复原和超分。我一般会把 MTF 曲线作为退化模型的约束：如果实测 MTF50 是 0.2 cycles/pixel，那训练超分模型时，退化核的截止频率就设在这个附近，而不是随便用 bicubic 下采样。具体做法是，用实测 MTF 拟合一个高斯核或 sinc 核，作为退化算子，再拿 HYRes3.1 的高分图像做自监督训练。
验证方法也简单：复原后再算一次 MTF50，看提升了多少。如果 PSNR 涨了但 MTF50 没动，说明模型在拟合低频，高频没恢复。这个指标比 SSIM 更贴近物理。我现在的习惯是，任何遥感复原实验，先跑 MTF 基线，再跑模型，最后对比 MTF 曲线。没有 MTF 提升的“SOTA”我是不信的。
最后一个技巧：MTF 曲线的高频段如果出现周期性振荡，通常是 ROI 里有周期性纹理（比如农田垄沟），不是真实光学响应。换一块纯人工边缘的 ROI 重算即可。这个习惯帮我省了很多次误判。希望帮到你。
本文还有配套的精品资源，点击获取
