3. 图像质量评价体系

图像质量评价，说白了就是给相机“打分”。但怎么打才公平？怎么打才能指导调优？这背后有一套完整的体系。我个人习惯把评价体系拆成三块：客观指标、主观评价、自动化流程。今天咱们就把它聊透。

3.1 客观指标：用数据说话

客观指标是硬通货。你调没调好，数据一跑就知道。我见过不少工程师凭感觉调参，结果量产翻车——嗯，数据不会骗人。

3.1.1 SNR（信噪比）

SNR 衡量的是信号和噪声的比值。值越高，画面越干净。

• 定义：SNR = 20 * log10(信号均值 / 噪声标准差)
• 典型场景：暗光下 SNR 会骤降，这时候降噪算法就得介入
• 我的经验：曾经有个项目，SNR 在低照度下只有 28dB，画面全是噪点。后来通过调整模拟增益和数字增益的分配，硬是拉到了 35dB。关键是要找到 sensor 的本底噪声拐点。

3.1.2 MTF（调制传递函数）

MTF 衡量的是镜头+ sensor 对细节的还原能力。说白了就是“锐不锐”。

• 测试方法：用 ISO 12233 测试卡，拍斜边，算 SFR
• 关键频率：Nyquist 频率的一半（比如 sensor 是 12MP，关注 0.5 奈奎斯特处的 MTF）
• 避坑指南：我曾经遇到过 MTF 数据很好看，但实拍画面很“塑料感”。后来发现是锐化过度了。MTF 高不代表画质好，要结合人眼感知来看。

3.1.3 Color Accuracy（色彩准确度）

色彩准确度用 ΔE 来衡量。ΔE 越小，颜色越准。

• ΔE < 3：人眼几乎看不出差异
• ΔE 3~6：轻微差异，可接受
• ΔE > 6：偏色明显，需要重新标定

我习惯用 24 色卡做标定。记得有一次，某个红色通道的 ΔE 一直偏高，查了半天发现是 IR cut filter 的透过率曲线在红色波段有异常。嗯，硬件问题有时候会伪装成算法问题。

3.1.4 Shading（亮度均匀性）

Shading 指的是画面从中心到边缘的亮度衰减。理想情况是四角跟中心一样亮，但现实是——镜头天然会带来衰减。

• 指标：通常用“中心亮度 / 四角亮度”的比值，单位是 %
• 目标：> 80% 算及格，> 90% 算优秀
• 调优手段：LSC（镜头阴影校正）查表补偿

3.2 主观评价：人眼才是最终裁判

客观指标再漂亮，最终还是要给人看。主观评价就是让“人”来打分。

3.2.1 ISO 12233 标准

ISO 12233 是图像质量评价的“宪法”。它定义了测试卡、拍摄条件、分析方法。

• 测试卡：包含斜边、死点、灰阶、色彩块等
• 分析项：SFR（空间频率响应）、噪声、畸变、色差
• 我的习惯：每次调优前先跑一遍 ISO 12233 全流程，拿到 baseline。调完再跑一遍，对比 delta。

3.2.2 CPIQ（相机手机图像质量）

CPIQ 是 IEEE 的标准，专门针对移动设备。它把主观感受量化成可测量的指标。

CPIQ 维度	对应客观指标	主观感受
纹理锐度	MTF50	画面是否清晰
噪声	SNR、视觉噪声	画面是否干净
色彩保真度	ΔE	颜色是否自然
亮度均匀性	Shading %	四角是否发暗
畸变	TV 畸变 %	直线是否弯曲

CPIQ 的好处是——它告诉你“用户觉得怎么样”。比如 MTF50 很高，但 CPIQ 纹理锐度得分低，说明锐化不自然。这时候就要回头调 sharpening 参数。

3.2.3 用户感知

用户感知是最玄学但也最重要的部分。我总结了几条经验：

• 第一眼印象：用户看照片的前 0.5 秒决定了好坏。曝光、色彩、清晰度是核心
• 放大癖好：用户喜欢放大看细节。边缘的伪像、振铃、色差都会被放大检视
• 肤色优先：人脸肤色偏一点，用户就会觉得“这相机不行”。我专门做过肤色标定，ΔE 控制在 2 以内

3.3 自动化测试流程

手动测一遍要半天，自动化测一遍只要 10 分钟。你想想看，哪个更划算？

3.3.1 流程设计

1. 准备阶段：固定光源（D65、D50、A 光源）、固定距离、固定测试卡
2. 采集阶段：自动切换场景（白天、室内、暗光），每场景拍 5 张取平均
3. 分析阶段：跑 SNR、MTF、ΔE、Shading 脚本，生成报告
4. 对比阶段：跟 baseline 对比，标红超标项
5. 输出阶段：生成 HTML 报告，包含图表和趋势

3.3.2 代码示例（Python 伪代码）

# 自动化测试主流程
def run_iq_auto_test(scene_list):
    results = {}
    for scene in scene_list:
        # 采集
        raw = capture_raw(scene.light, scene.target)
        # 分析
        snr = calc_snr(raw)
        mtf = calc_mtf(raw, scene.slanted_edge)
        delta_e = calc_color_accuracy(raw, scene.color_checker)
        shading = calc_shading(raw)
        # 记录
        results[scene.name] = {
            'snr': snr,
            'mtf50': mtf['mtf50'],
            'delta_e': delta_e,
            'shading': shading
        }
    # 对比 baseline
    report = compare_with_baseline(results, BASELINE)
    generate_html_report(report)
    return report

3.4 知识体系总览

下面这张图把本章的核心逻辑串起来了。你一看就明白：客观指标是骨架，主观评价是血肉，自动化流程是神经系统。

3.5 本章小结

图像质量评价不是单点作战。SNR、MTF、ΔE、Shading 是四个核心客观指标，ISO 12233、CPIQ、用户感知是三个主观评价维度，自动化流程把这一切串起来。我个人建议：先跑客观指标拿到 baseline，再用主观评价验证，最后用自动化流程固化。这样调出来的画质，既经得起数据检验，也经得起用户挑剔。