Aspectos de precisión en el cálculo de la MTF

Entre los asuntos más complejos, y paradójicos del control de calidad en imagen digital es la estimación de la resolución espacial, o capacidad para resolver el detalle un sistema a través de la métrica MTF.

Mientras que los cálculos para resolver aspectos colorimétricos son más o menos sencillos y bien normalizados, los cálculos alrededor de la MTF, aunque definidos por la ISO ISO 12233 Photography — Electronic still picture imaging — Resolution and spatial frequency responses, la cual fue hecha en gran medida por Peter D. Burns cuyo algoritmo ha quedado reflejado en sfrmat2, sfrmat3 y hace poco sacó la versión 4. La herramienta sfrmat tiene el inconveniente que funciona en Matlab, sin embargo, se puede considerar la principal referencia para la estimación de la MTF.

Otra herramienta, totalmente libre, con ya unos años de trayectoria es MTF Mapper del autor Frans van den Bergh. MTF Mapper está siendo considerado por algunos especialistas como la nueva referencia en materia de cálculos de MTF, ya que entre otros, sus resultados son muy próximos a sfrmat. Una de las grandes posibilidades de MTF Mapper es generar imágenes con una MTF conocida, lo cual aun siendo imágenes sintéticas, que basan su MTF en el ruido y el desenfoque gausiano, son un buen punto de partida.

Entre las herramientas libres, nos podemos olvidar de SE_MTF_2xNyquist de Carles Mitja desarrollado en el Laboratori de Qualitat de la Imatge (LQI) localizado en el Centre de la Imatge i la Tecnologia Multimèdia (CITM) de la Universitat Politècnica de Catalunya, en forma de plugin para ImageJ (o FIJI) el cual es uno de los más asequibles y sencillos de usar de todos.

Además de estas herramientas, entre las herramientas de pago, uno de los grandes conocidos en el análisis de imagen es Norman Koren con su IMATEST el cual tiene su propio módulo para el cálculo de la MTF con sus propios planteamientos.Entre las herramientas de pago también encontramos otra popular herramienta como es QuickMTF de Oleg Kurtsev.

El algoritmo usado en imageQA parte del desarrollo de B.Nayak (https://github.com/bvnayak/PDS_Compute_MTF),que como veremos a continuación, se correlaciona más o menos bien con otras herramientas.

Resultados

Para revisar la precisión de imageQA frente a otras herramientas he realizado dos test:

1º Usando las imágenes sintéticas generadas por MTF Mapper para MTF50 conocidas de 0.10c/px, 0.20c/px, 0.30c/px y 0.40c/px

2º Usando una imagen real de mi Nikon D610 con el Nikon 50mm para diferentes aperturas del diafragma:

Conclusiones

Primeramente antes de  interpretar los resultados, hay que advertir, que en la toma de datos, las diferentes herramientas presentan diferentes niveles de precisión en sus escalas, de forma que no siempre se obtiene de forma precisa la MTF50, por lo que muchas veces, pequeñas variaciones en la MTF son difíciles de cuantificar por falta de precisión en las escalas.

En lo referente a los resultados, observamos en las imágenes sintéticas SE_MTF (SE_MTF_2xNyquist), ImageQA y QuickMTF a una MTF50 de 40c/px han fallado bastante, esto es debido, a que a más ciclos menos precisión o mayor dificultad para interpretar correctamente la MTF.

Cuando analizamos la serie de imágenes naturales, tomadas a diferentes aperturas la correlación entre srfmat3 e imageQA es bastante alta, salvo en imágenes con peor resolución espacial, es decir, con un nivel de detalle más bajo, donde la correlación con IMATEST ha sido más acertada.

Uno de los planteamientos de desarrollo de ImageQA es determinar experimentalmente el “punto dulce” de nuestra lente, es decir, donde el nivel de detalle es óptimo, es decir, entre los defectos producidos por la falta de profundidad de campo, viñeteado y difracción.

NOTA: En esta serie de datos hay una caída de la MTF50 para F5.6 habría que repetir las cpaturas para descartar que sea un efecto de la lente o una posible trepidación durante la captura.

Una de las ventajas que se observa en el uso de sfrmat3 o IMATEST es que la apertura donde la difracción se hace patente (f11) parece más fácil de cuantificar, ya los saltos entre valores de MTF50 son más evidente. Aún así si hacemos un gráficos de líneas con los datos de la MTF50 se puede deducir fácilmente el punto de inflexión de la curva y deducir dónde la difracción se hace más evidente.

En general vemos que los resultados obtenidos por cada herramienta han sido dispares, y que todas las herramientas estudiadas se desvían más o menos del posible estándar marcado por srfmat3.

ImageQA ha sido pensada sobretodo para el estudio del rendimiento óptimo de un equipo o sistema, por ejemplo encontrar el “punto dulce” de una lente en función de su apertura, calcular la nitidez en bordes o centro de una lente, así como determinar como influye la trepidación en la nitided o la propia profundidad de campo, u otras situaciones relativas al detalle.

ImageQA ofrece una vista tabular de las diferentes métricas, así como los datos de exposición (siempre y cuando estos se conserven en los metadatos) con el fin de evaluar de forma muy intuitiva cual es la mejor configuración para nuestro equipo o sistema.