TEKNILLINEN KORKEAKOULU Viestintätekniikka DI-työ Mobiilikameroiden suorituskyvyn mittaus hyödyntäen I3A:n standardia Espoossa 15.9.2007 Petteri Valve jvalve@cc.hut.fi 50079S
TEKNILLINEN KORKEAKOULU DIPLOMITYÖN TIIVISTELMÄ Tekijä, opintokirjan numerot, työn nimi Petteri Valve, 50079S Mobiilikameroiden suorituskyvyn mittaus hyödyntäen I3A:n standardia Päivämäärä: 15.9.2007 Sivumäärä: 81 Osasto, professuuri Automaatio-ja systeemitekniikan osasto AS-75 Viestintätekniikka Työn ohjaaja DI Mikko Nuutinen Työn valvoja Prof Pirkko Oittinen Tässä diplomityössä tutkittiin mobiilikameran suorituskyvyn I3A CPIQ -standardin vaiheen 1 objektiivisia mittauksia toistettavuuden kannalta. Työssä tutkittiin myös eri muuttujien vaikutuksia tuloksiin. Samalla pyrittiin saamaan selville toistettavuuden kannalta oleelliset standardiin määritettävät muuttujat. Diplomityön kirjallisuusosassa käsiteltiin kameran toimintaperiaate ja kameran rajoitteita, jotka vaikuttavat suorituskykyyn. Lisäksi käsiteltiin olemassa olevia ja kehitteillä olevia standardeja. Kirjallisuusosassa esiteltiin myös aiempia tutkimuksia digitaalisen kameran ja mobiilikameran suorituskyvyn mittaamisesta. Kokeellisessa osiossa toteutettiin I3A CPIQ -standardin vaiheen 1 objektiiviset mittaukset. Näitä olivat resoluutio, sensorin valoherkkyys, automaattivalotus, kameran hajavalo, vinjetoituminen ja värivinjetoituminen sekä automaattinen valkotasapaino. Mittausaineistona käytettiin kahdeksaa kameraa, jotka valittiin siten, että kaksi kameraa edustivat huonoa ja hyvää referenssiä ja muut kamerat tyypillisiä mobiilikameroita. Mittausten perusteella havaittiin, että menetelmät ovat toistettavia, kun tietyt asiat on määritelty tarkemmin. I3A CPIQ -standardin pitääkin määrittää tarkemmin useisiin mittauksiin muun muassa kuvausetäisyys ja valaistusvoimakkuus. Myös hajavalomittauksen valoansan koko tulee määrittää tarkemmin. Tulosten perusteella ehdotettiin, että automaattivalotuksen mittaukseen voisi yhdistää kohinamittauksen; hyvä numeerinen arvo automaattivalotuksessa saattaa johtua signaalin vahvistamisesta jolloin kohina kasvaa. Värivinjetoitumisen arvioimiseen ehdotettiin visuaalisen arvion lisäksi numeerista mittaa, joka voisi koostua osavärikuvien suhteiden keskiarvon ja hajonnan kombinaatiosta. Avainsanat: mobiili kamera, kameran suorituskyky, kuvan laatu, standardointi
HELSINKI UNIVERSITY OF TECHNOLOGY ABSTRACT OF MASTER THESIS Author, student number, title Petteri Valve, 50079S Measuring the performance of mobile camera by the I3A standard Date: 15.9.2007 Number of pages: 81 Department, professorship Department of Automation and System Technology AS-75 Media technology Instructor Mikko Nuutinen, Msc Supervisor Prof Pirkko Oittinen The purpose of the thesis was to implement and test the objective methods of I3A CPIQ phase 1. Especially the focus was the point of repeatability. The goal was to find how different parameters affect the results and find those parameters, which need to be specified so that the measurements would be repeatable. The literature survey included the principles of digital camera and restrictions that have an effect to camera performance. Some existing standards and one standard proposition for measuring camera performance were also included. In the end of literature part existing research for measuring digital still camera and mobile camera performance was also introduced. In the experimental part, the I3A CPIQ phase 1 objective measurements were implemented. Measurements consisted of resolution, speed, auto exposure, camera flare, uniformity, color uniformity and auto white balance. Eight camera were included in the test; two cameras were bad and good reference and other six were typical mobile cameras. On ground of measurements, the methods are repeatable as long as some things are specified. I3A CPIQ standard have to specify for example shooting distance and illuminance. Also the size of lighttrap has to be specified at camera flare measurement. On ground of results was suggested that noise measurement can be combined to auto exposure measurement; good result at auto exposure measurement may be caused by amplifying signal when noise increases. Also was suggested that evaluating color uniformity may also include numeral measures, which could be combination of average and deviation of color channel ratios. Key words: mobile camera, camera performance, image quality, standardization
ALKUSANAT Tämä diplomityö on tehty osana Nokian ja Viestintätekniikan laboratorion Image Quality and Performance Measurements of Camera Phone-projektia Teknillisen korkeakoulun Viestintätekniikan laboratoriossa. Haluan kiittää professori Pirkko Oittista mielenkiintoisen diplomityöaiheen tarjoamisesta. Paljon kiitoksia myös työni ohjaajalle DI Mikko Nuutiselle neuvoista, jotka auttoivat työn tekemistä. Lisäksi haluan kiittää projektin muita työntekijöitä ja koko Viestintätekniikan laboratoriota miellyttävän työilmapiirin tarjoamisesta. Lopuksi kiitokset vielä avopuolisolleni Päiville sekä perheelleni kannustuksesta työn aikana. Espoossa 15.9.2007 Petteri Valve
SISÄLLYSLUETTELO 1 JOHDANTO... 1 1.1 Tutkimuksen taustaa... 1 1.2 Tutkimuksen tavoitteet ja rajaus... 2 1.3 Tutkimuksen rakenne... 2 1.4 Kuvan laatu... 3 2 DIGITAALISEN KAMERAN TOIMINTA... 6 2.1 Digitaalisten kameroiden luokat... 6 2.2 Digitaalisen kameran toimintaperiaate... 7 2.3 Optiikan rajoitteet... 9 2.3.1 Tarkkuus... 9 2.3.2 Radiaaliset vääristymät... 11 2.3.3 Fotometriset vääristymät... 12 2.4 Kennon rajoitteet... 14 2.5 Kuvaprosessoinnin rajoitteet... 15 3 STANDARDEJA SUORITUSKYVYN MITTAUKSEEN... 17 3.1 Yleistä... 17 3.2 OECF... 19 3.2.1 Testijärjestely... 19 3.2.2 Mitattavat suureet... 20 3.3 RESOLUUTIO... 21 3.3.1 Testijärjestely... 21 3.3.2 Mitattavat suureet... 22 3.4 KOHINA JA DYNAAMINEN ALUE... 24 3.4.1 Testijärjestely... 24 3.4.2 Mitattavat suureet... 25 3.5 SENSORIN VALONHERKKYYS... 26 3.5.1 Testijärjestely... 26 3.5.2 Mitattavat suureet... 26 3.6 VÄÄRISTYMÄT... 28 3.6.1 Testijärjestely... 28 3.6.2 Mitattavat suureet... 28 3.7 VÄRIEN KARAKTERISOINTI... 30 3.7.1 Testijärjestely... 30 3.7.2 Mitattavat suureet... 30 3.8 SUBJEKTIIVINEN LAATU... 31 3.8.1 ISO 20462-1... 31 3.8.2 ISO 20462-2... 32 3.8.3 ISO 20462-3... 33 3.9 ISO-standardien sopivuus digitaalisille kameroille... 34 3.9.1 Yleistä... 34 3.9.2 Tutkimuksia digitaalisten kameroiden suorituskyvystä... 34 3.9.3 Tutkimuksia mobiilikameroiden suorituskyvystä... 39 4 I3A STANDARDI... 41
4.1 Yleistä... 41 4.2 Objektiiviset mittaukset... 43 4.2.1 Resoluutio... 43 4.2.2 Sensorin valoherkkyys ja automaattivalotus... 44 4.2.3 Vinjetoituminen ja värien tasaisuus... 44 4.2.4 Kameran hajavalo... 46 4.2.5 Kameran automaattinen valkotasapaino... 46 4.3 Subjektiiviset menetelmät... 47 4.3.1 Laadun ja laatuattribuuttien subjektiivinen skaalaus... 47 4.3.2 Värintoiston arviointi väriprosessointia varten... 47 4.4 Metatieto... 48 5 KOKEELLISEN TUTKIMUKSEN TOTEUTTAMINEN... 49 5.1 Tavoitteet... 49 5.2 Mittausympäristö ja menetelmät... 49 5.3 Resoluutio... 51 5.4 Sensorin valonherkkyys... 52 5.5 Automaattivalotus... 52 5.6 Vinjetoituminen... 53 5.7 Kameran hajavalo... 54 5.8 Valkotasapainon säätö... 56 5.9 Mittaustulosten tilastolliset analysointityökalut... 58 6 TULOKSET... 59 6.1 Resoluutio... 59 6.2 Sensorin valonherkkyys... 62 6.3 Automaattivalotuksen säätö... 63 6.4 Vinjetoituminen ja värien tasaisuus... 66 6.5 Kameran hajavalo... 69 6.6 Valkoisen pisteen väritasapaino... 72 6.7 Mittaustulosten keskinäinen riippuvuus... 74 6.8 Tulosten tarkastelua... 76 6.8.1 Yleisiä havaintoja toteutuksesta... 76 6.8.2 Validisuus... 77 6.8.3 Tarkkuus... 77 6.8.4 Toistettavuus... 78 6.8.5 Objektiivisten mittausten suhde havaittuun kuvan laatuun... 79 6.8.6 Luonnollisten kuvien sisällöt... 80 7 JOHTOPÄÄTÖKSET... 81 LÄHDELUETTELO... 82 LIITTEET... 88
1 JOHDANTO 1.1 Tutkimuksen taustaa Mobiilikameroiden suosio on kasvanut viime vuosina huimasti. Kasvun myötä myös mobiilikameroiden ominaisuudet ja laatu ovat yhä vain parantuneet. Laadultaan ne eivät silti vielä yllä digitaalisten still-kameroiden tasolle. Suurin rajoite laadulle on hyvin pieni objektiivi ja rajoitettu kennon koko/45/. Eri mobiilikameroiden valmistajat käyttävät omia testejään eri olosuhteissa kameroiden suorituskyvyn arviointiin. Muun muassa tämän takia eri testien tulokset eivät ole vertailukelpoisia keskenään. ISO (International Organization for Standardization) on määritellyt digitaalisten kameroiden suorituskykymittaukseen lukuisia standardeja, mutta näiden suora soveltaminen mobiilikameroihin ei ole aina järkevää johtuen muunmuassa mobiilikameroiden korkeasta automaatiotasosta. Edellä mainittujen syiden takia I3A (International Imaging Industry Association) -yhteisö on kehittämässä standardia mobiilikameroiden suorituskyvyn mittaamiseen./22, 44/ I3A /22/ on maailman suurin kuvaus- ja kuvannus alan yhteisö, jonka tehtävänä on kehittää avoimia standardeja alalle. Digital Image Group (DIG) ja Photographic and Imaging Manufacturers Association (PIMA) muodostavat yhdessä I3A:n. I3A tarjoaa yrityksille jäsenyyksiä, joiden avulla yritykset voivat hyötyä uusimmista kuvaus- ja kuvannusalan tutkimuksista. I3A:n CPIQ (Camera Phone Image Quality) aloiteryhmän tavoitteena on monivaiheisen projektin avulla tunnistaa kamerapuhelimen attribuutit jotka vaikuttavat kuvan laatuun. Projektin visiona on kehittää kamerapuhelimen suorituskyvyn arviointimenetelmä, jossa yhdistämällä objektiiviset ja subjektiiviset mitat saataisiin aikaan kuluttajapainotteinen laadunarviointijärjestelmä. Näin eri valmistajien tuotteita voitaisiin vertailla standardin avulla puolueettomasti keskenään. CPIQ:n ensimmäinen vaihe esittelee attribuutit, jotka vaikuttavat kamerapuhelimen kuvan laatuun sekä tekee ehdotuksia kameran suorituskyvyn mittaamiseen. Toisen vaiheen tavoitteena on määritellä subjektiiviset ja objektiiviset menetelmät mobiilikameran suorituskyvyn arviointiin. Toisen vaiheen on tarkoitus sisältää tarkemmat työkalut ja validoidut testimenetelmät. Kolmannen vaiheen tavoitteena on määritellä kuluttajapainotteinen laadun arviointimenetelmä kamerapuhelimen suorituskyvyn arviointiin ensimmäisen ja toisen vaiheen tulosten perusteella. Tällä tavoin kamerapuhelimille voitaisiin laskea laatuarvo, joka kertoisi numeerisesti kameran suorituskyvyn./23/ 1
1.2 Tutkimuksen tavoitteet ja rajaus Diplomityössä analysoidaan I3A:n CPIQ (Camera Phone Image Quality) vaiheessa 1 esiteltyjä ehdotuksia mobiilikameran suorituskyvyn mittaamiseen. Työssä toteutettiin vaiheessa 1 esitetyt objektiiviset mittaukset. Lisäksi tavoitteena oli määritellä tekijöitä, jotka vaikuttavat mittausten toistettavuuteen. Tällä tavoin pystytään ennakoimaan I3A:n CPIQ vaihetta 2, jossa on tarkoitus määritellä muunmuassa yksityiskohtaisemmin kuvaustilanteen asetukset. Tutkimuksen kokeellinen osuus rajataan vain objektiivisiin mittoihin ja subjektiiviset mitat jäävät sen ulkopuolelle. I3A:n esittämiä subjektiivisia menetelmäehdotuksia käsitellään kuitenkin teoriaosassa. I3A:n esittämiä objektiivisia mittoja ovat kameran spatiaalinen taajuusvaste (spatial frequency response, SFR), sensorin valonherkkyys (speed), automaattivalotus (auto exposure, AE), vinjetoituminen ja värivinjetoituminen (uniformity, color uniformity), kameran hajavalo (camera flare) ja valkopisteen väritasapaino (white point color balance). 1.3 Tutkimuksen rakenne Työ sisältää teoria- ja kokeellisen osan. Teoriaosan luvussa 2 esitellään digitaalisen kameran toimintaperiaate sekä kuvanlaatuun vaikuttavia kameratekijöitä. Luku 2 esittelee lisäksi kuvanlaatua eri näkökulmista. Luvussa 3 esitellään standardeja ja painotutaan käsittelemään olemassa olevia ISO-standardeja kameran suorituskyvyn mittaukselle. Lisäksi luku 3 käsittelee aikaisempia tutkimuksia, jotka liittyvät digitaalisen kameran ja mobilikameran laadunarviointiin. Luku 4 käsittää I3A:n vaiheen 1 standardiehdotuksen mobiilikameran suorituskyvyn mittaamiseen. Kokeellisen osan luku 5 esittää muunmuassa testeissä käytetyt menetelmät ja ohjelmat. Luvussa 6 esitetään tutkimuksessa saadut tulokset ja niiden analysointi. Luku 7 sisältää johtopäätökset. 2
1.4 Kuvan laatu Kuvan laatu on yksi tärkeimmistä tekijöistä arvioitaessa kuvantamislaitteita. Yleisellä tasolla voidaan ajatella kuvan laadun olevan mittari, joka kuvaa kuvan esittämän informaation relevanssin suhteessa kuvan käyttötarkoitukseen/1/. Kuva on monidimensionaalinen käsite jonka hyvyys riippuu useasta eri asiasta. Esimerkiksi käyttötarkoitus asettaa jo rajoitteita kuville; vapaa-ajan kuvien tulisi olla miellyttäviä katsojan silmissä, mutta esimerkiksi lääketieteellisten kuvien tulisi olla niin tarkkoja, että oikea diagnoosi voidaan tehdä. Kuvan laadun tarkempi määritteleminen onkin ollut pitkään aktiivisen tutkimuksen kohde./35/ Kuvan laatua voidaan määritellä teknisillä parametreilla (objektiivinen laatu) tai koehenkilöiden avulla (subjektiivinen laatu). Objektiivinen laatu käsittää kuvasignaalista algoritmeillä lasketut suureet. Esimerkiksi erilaista kuvanprosessointia voidaan tutkia vertaamalla signaalin toistoa referenssikuvan ja arvioitavan kuvan välillä. Kameran kuvan laatua taas tulee tyypillisesti tutkia ilman referenssikuvaa, jolloin eri kameroiden kuvista voidaan laskea objektiivisia arvoja/23/. Subjektiivista laatua voidaan kutsua myös havaituksi laaduksi, koska sen määrittelevät koehenkilöt arvioidessa esimerkiksi kuvien miellyttävyyttä tai hyväksyttävyyttä. Objektiivisen laadun avulla pyritään tyypillisesti ennustamaan subjektiivista laatua./30, 35, 57/ Engeldrumin/15/ mukaan kuvan laadun mallintamiseen on olemassa kaksi eri lähtökohtaa; huonontumiseen ja laatuun perustuva. Huonontumiseen perustuvassa lähtökohdassa kuvaa verrataan referenssikuvaan, jolloin havaitaan kuvan huononeminen. Laatuun perustuvassa pyritään arvioimaan laatua suoraan ilman referenssikuvaa. Engeldrum mallintaa kuvanlaatua ympyrällä, jonka tarkoituksena on löytää korrelaatio objektiivisen ja subjektiivisen laadun välille. Kuvan laatuympyrä on esitetty kuvassa 1. Laatuympyrä sisältää neljä peruselementtiä. Käyttäjän laatumieltymyksellä tarkoitetaan koehenkilön tekemää laatuarviota kuvasta, joka voidaan ilmaista joko numerolla tai adjektiivilla. Teknologiamuuttujat ovat kuvannuslaitteen muuttujia, joita muuttamalla voidaan vaikuttaa kuvan laatuun. Fyysisillä kuva-parametreilla tarkoitetaan kuvan kvantitatiivisia ominaisuuksia esimerkiksi modulaation siirtofunktiota. Käyttäjän havainnot ovat tarkempia havaintoja kuvasta kuten esimerkiksi terävyys ja tummuus. Neljä pääelementtiä ovat yhteydessä toisiinsa tiettyjen mallien tai algoritmien kautta. Kuvan laatumallit ovat tilastollisia malleja, jotka yhdistävät käyttäjän laatuparametrit ja käyttäjän laatumieltymykset toisiinsa. Visuaaliset algoritmit auttavat laskemaan arvon käyttäjän laatuparametrille fyysisen kuva-parametrin avulla. Järjestelmämallit ennustavat kuvan fyysisiä kuva-parametreja teknologiamuuttujien avulla. 3
Kuva 1. Engeldrumin kuvan laatuympyrä /15/ I3A:n CPIQ-standardissa kuvan laatu on määritelty havainnolla painotetuksi kombinaatioksi kaikista visuaalisesti merkittävistä kuvan attribuuteista. Kuvan laadun arvioinnilla voidaan selvittää, kuinka hyvin kuvaussysteemi on toistanut kohteen. Kuvan laatu aiheutuu tietyistä kuvan ominaisuuksista ja se on subjektiivinen tunne havainnoijan mielessä. Koska ihmiset reagoivat eri tavalla stimuleihin, on kuvan laadun arvioinnissa tärkeää oikean koehenkilöryhmän valinta. Mobiilikameroiden yleisin käyttäjätyyppi ei ole välttämättä kuvanlaadun ammattilainen, mikä on koehenkilöitä valittaessa otettava huomioon./23/ Suurin osa kuvan laadun parametreista voidaan mitata objektiivisesti, mutta ei aina erikseen, koska ne eivät ole välttämättä toisistaan riippumattomia. Esimerkiksi nopeammalla valotusajalla saadaan ehkäistyä kuvien liikkeestä johtuvaa epäterävyyttä, mutta kohina kasvaa, jos ISO-herkkyyttä samalla nostetaan. Aukkolukua pienentämällä taas saadaan lisättyä valon määrää ja vähennettyä kohinaa, mutta syväterävyys pienenee ja kiinnostavat kohteet kuvasta saattavat jäädä epäteräviksi./23/ 4
I3A kuvaa kuvan laadun mittaamisen hierarkisena kaaviona, jossa ylimmäisinä ovat subjektiiviset arviot ja alimmaisina objektiiviset mitat (Kuva 2). Alimmilla laatikoilla on esitetty alimman tason objektiiviset mitat, joita ihminen ei välttämättä voi suoraan havaita. Esimerkiksi ISO-herkkyyden kasvaminen voidaan havaita lisääntyneellä kohinalla. Toiseksi alimmilla laatikoilla onkin kuvattu ylemmän tason objektiivisia mittoja. Havainnointiprosessi on kuvattu objektiivisen osan ylimmässä laatikossa ja se ottaa huomioon ihmisen näköjärjestelmän lisäksi myös katseluolosuhteet ja katsojan odotukset. Nämä odotukset voidaan kuvata psykovisuaalisina referensseinä ja kuinka hyvin nämä kohtaavat havaitun laadun kanssa määrittelevät subjektiivisen havainnon./23/ Kuva 2. Kuvan laadun mittaamisen hierarkinen kaavio/23/ 5
2 DIGITAALISEN KAMERAN TOIMINTA 2.1 Digitaalisten kameroiden luokat Digitaalisia kameroita voidaan luokitella tarkastelukulmasta riippuen. Yksinkertaisimmillaan kameroita voidaan luokitella taskukameroiksi (digipokkarit) tai digitaalisiksi järjestelmäkameroiksi koon ja kameran laajennusmahdollisuuden mukaan. Taskukameroihin ei tyypillisesti voida liittää lisälaitteita kun taas järjestelmäkameraan voidaan vaihtaa esimerkiksi optiikka tai liittää salama./7, 45, 51/ Toisaalta kameroita voidaan luokitella käyttäjän tai käyttötarkoituksen mukaan. Harrastekameroita ovat mobiilikamerat, tähtää ja kuvaa - kamerat sekä digitaaliset järjestelmäkamerat. Mobiilikameraa kutsutaan usein myös nimellä termillä kamerapuhelin. Mobiilikamerat ja tähtää ja kuvaa -kamerat ovat tyypillisesti kameroita joihin ei voi vaihtaa optiikkaa. Ammattikameroihin voidaan luokitella huippuluokan ammattikamerasysteemit. Digitaalisten kameroiden luokittelua on havainnollistettu kuvassa 3./7/ Kuva 3. Digitaalisten kameroiden luokat/7/ 6
2.2 Digitaalisen kameran toimintaperiaate Digitaalinen kamera muuttaa kameran näkymän kohteesta digitaaliseen muotoon. Toisin sanottuna kamera koodaa kohteen valon eli intensiteettijakauman digitaaliseksi bittijonoksi. Kameran optiikan tehtävänä on taittaa kohteesta tulevat valon säteet ja kohdistaa ne digitaalisen kameran kennolle. Kuva syntyy kennolle ylösalaisena, koska linssistö taittaa valonsäteet. Optiikan toimintaa on havainnollistettu kuvassa 4. PQ on kuvakohde ja kameran kennolle muodostuva kuva on P Q tai P Q. C i on polttopiste, jonka etäisyyttä linssiin kutsutaan polttoväliksi. Kennolle tulevaa valon määrää säädetään kameran aukolla ja valotusajan säätää kameran suljin. Linssin polttovälillä säädetään kohteen kuvakulma. Lisäksi linssin ja kuvasensorin välisellä etäisyydellä säädetään tarkennus. Värikuva aikaansaadaan värisuotimien avulla jotka sijaitsevat ennen kennoa./42/ Kuva 4. Kuvan muodostuminen. Kennoksi voidaan ajatella joko P tai P /60/ Piistä valmistettu kenno on puolijohde, jossa kukin kennon detektori kerää tietyn suuruisen sähköisen signaalin fotoni-elektroni konversion seurauksena. Detektoreiden valoherkkään alueeseen osuvaa valoa lisätään digitaalikameroissa siten, että asetetaan detektoreiden päälle mikrolinssejä. Kennolla siis valon fotonit konvertoidaan sähköiseksi signaaliksi. Yleisimmät kennotyypit ovat CCD- (Charge Coupled Device) ja CMOS- (Complementary Metal Oxide Semiconductor) kennot. CCD-kennoja on tyypillisesti käytetty kompaktikameroissa ja järjestelmäkameroissa ja CMOS-kennoja järjestelmäkameroissa ja mobiilikameroissa./7/ 7
Molempien kennojen toimintaperiaate on käytännössä sama varauksen siirtoon saakka. Suurimmat erot ovat signaalinsiirrossa, jossa CMOS-kennoilla on mahdollista suorittaa kuvankäsittelyä pikselitasolla. CCD-kennossa taas varaukset siirretään ensin riveittäin siirtorekisteriin jonka jälkeen signaalinkäsittely on vasta mahdollista./2, 3, 14/ Tyypillisissä kompaktikameroissa värit saadaan aikaan värimatriisin avulla, eli kaikki detektorit eivät kerää kaikkia osavärejä. Yksi detektori siis saa tietyn valon aallonpituusalueen intensiteetin värisuotimen avulla ja muut arvot interpoloidaan. Yleinen käytössä oleva värisuodin (CFA, Color Filter Array) on nimeltään Bayerin matriisi, jossa osavärien määrät ovat toisiinsa suhteessa: 2 vihreää (G), 1 sininen (B) ja 1 punainen (R). Näin on siksi, että ihmisen näköjärjestelmä on herkin vihreille aallonpituuksille. Bayerin matriisi on esitetty kuvassa 5a ja suotimien spektriherkkyyskuvaaja kuvassa 5b./49/ a) b) Kuva 5. Bayerin värimatriisi/48/ ja suotimien spektriherkkyyskuvaaja/61/ Kennolta sähköinen signaali vahvistetaan ja muutetaan digitaaliseen muotoon. Tämän jälkeen digitaalista kuvaa voidaan käsitellä mikroprosessorilla tai integroidulla kuvanprosessointipiirillä. Prosessori muokkaa kuvaa muun muassa säätämällä kuvan värejä ja valkotasapainoa sekä terävöittämällä kuvaa. Lopuksi prosessori pakkaa kuvatiedoston tyypillisesti JPEG- (Joint Pictures Expert Group) muotoon ja tallentaa metatiedoston (EXIFfile). Tämän jälkeen kuvatiedosto tallennetaan muistiin. Järjestelmäkameroissa ja joissain kompaktikameroissa on mahdollista saada kamerasta ulos ns. raakakuvatiedosto (raw-file), jota ei ole käsitelty ja pakattu/54/. Koko kuvanmuodostusprosessin tyypilliset komponentit kompaktikamerassa on esitetty kuvassa 6./49/ 8
Kuva 6. Digitaalisen kuvan muodostuminen kamerassa/49/ 2.3 Optiikan rajoitteet 2.3.1 Tarkkuus Kameroiden valmistajat mainostavat tuotteitaan esimerkiksi kennon koolla ja sen sisältämien pikseleiden lukumäärällä. Vaikka kennolla olisi kuinka paljon pikseleitä niin niitä ei pystytä hyödyntämään mikäli optiikka ei pysty piirtämään kohdetta kennolle tarkasti. Terävä optiikka piirtää valonsäteen pieneen osaan kennolle. Optiikan epäterävyys johtaa pisteenleviämiseen eli optiikan piirtämä valonsäde leviääkin suuremmalle kennon alueelle. Tämä havaitaan sumentuneena kuvana. Pisteenleviämiseen on syynä myös diffraktio, joka syntyy valon mennessä aukon läpi. Diffraktion aiheuttama pisteenleviäminen kasvaa, kun optiikan aukon fyysinen koko pienenee. Diffraktiokuvio muodostuu intensiteetin vaihtelusta ja on rotaatiosymmetrinen. Kuva 7 havainnollistaa kahden valopisteen muodostamaa diffraktiokuviota. Rayleighn resoluutiokriteerin avulla voidaan laskea minimi kahden pikselin etäisyys, jolla diffraktion vaikutusta voidaan estää (kaava 1)./4, 18, 67/ 9
r = 1, 22 k λ (1), missä r on pikselien välinen etäisyys, k on optiikan f-luku ja λ on aallonpituus. Kuva 7. Kahden valonsäteen pisteenleviäminen diffraktion takia/67/ Astigmatismi on vääristymä, joka näkyy tyypillisesti kuvan reunoilla olevien kohteiden sumentumisena. Astigmatismi syntyy kun vaaka- ja pystysuuntaisilla valonsäteillä on eri polttovälit eli eri valonsäteet muodostavat tarkan kuvan eri etäisyyksille kuten kuvassa 8 on havainnollistettu./18/ Kuva 8. Astigmatismi: horisontaalinen ja vertikaalinen valonsäde tarkentuu eri etäisyyksille/60/ 10
2.3.2 Radiaaliset vääristymät Optiikan vääristymät voidaan jakaa radiaalisiin ja tangentiaalisiin. Radiaaliset vääristymät ovat kuva-alan säteen suuntaisia ja tangentiaaliset kuva-ympyrän tangentin suuntaisia. Kuvassa 9 on esitetty molempien vääristymien suunnat./18/ Kuva 9. Vääristymä voi olla tangentin sekä säteen suuntaan Radiaaliset vääristymät syntyvät kun eri kulmilla tulevat valonsäteet taittuvat erilailla. Radiaalinen vääristymä kasvaa siirryttäessä optiselta akselilta kuvan reunoille päin. Radiaalinen vääristymä näkyy kuvassa tynnyri- tai tyynyväristymänä tai näiden yhdistelmänä riippuen siitä kuvautuvatko pisteet lähemmäs optista keskipistettä vai kuvan reunaa kuten kuvassa 10 on havainnollistettu. Musta piste kuvaa kuvassa optista keskipistettä sekä reunoilla kuvautuvan pisteen oikeaa paikkaa. Ristillä on kuvattu paikka johon piste vääristymän takia kuvautuu. Optiikan tuottamaa radiaalista vääristymää voidaan korjata matemaattisesti polynomilla. Yksinkertaisimmillaan kaava on kolmannen asteen polynomi/18, 39/: r u = r d + k r 3 d (2), missä r on vääristymätön säde, r vääristynyt säde ja k > 0 kun on kyseessä u tynnyrivääristymä ja k < 0 kun on kyseessä tyynyvääristymä. d 11
Kuva 10. Tyyny- ja tynnyrivääristymä/24/ Kromaattinen vääristymä syntyy kun valon eri aallonpituudet taittuvat eri lailla. Kromaattista vääristymää voi esiintyä kahta eri tyyppiä; sivuttaista ja pitkittäistä. Sivuttaista vääristymää voidaan havaita erityisesti kuvan reunoilla kun valo jakaantuu erivärisiin komponentteihin. Pitkittäisessä vääristymässä valon eri aallonpituudet tarkentuvat eri etäisyyksille. Kromaattinen vääristymä on havainnollistettu kuvassa 11./18/ Kuva 11. Kromaattinen vääristymä/24/ 2.3.3 Fotometriset vääristymät Fotometrisia vääristymiä syntyy, kun valoa katoaa vinjetoitumisen takia. Vinjetoitumisefekti näkyy pikseleiden kirkkausarvojen epätasaisuutena. Pikselien tummuus on voimakkainta reunoilla johtuen muunmuassa kosinilaista. Valonsäteillä on pidempi matka kennon reunoille kuin optiseen keskipisteeseen. Vinjetoituminen johtuu sekä optiikasta että kennosta. Pienellä aukolla optiikan valovoima ei riitä kuvan reunoille asti. Pienellä polttovälillä valonsäteiden tulokulma kuvasensorin reunoilla on suuri, jolloin valo ei välttämättä päädy detektoreiden valoherkkään osaan. Vinjetoituminen on tyypillisesti suurta pienen koon kameroilla, jossa kenno on lähellä optiikkaa ja valonsäteet taittuvat paljon. Kuvassa 12 on havainnollistettu kosinilaista johtuvaa vinjetoitumista ja kuvassa 13 nähdään vinjetoitumisen vaikutus luonnolliseen kuvaan./16, 18, 42, 68/ 12
Kuva 12. Valonsäteillä on pidempi matka kennon reunoille/16/ Kuva 13. Vinjetoituminen havaitaan tummempina reunoina/36/ Värien epätasaisuus voidaan havaita esimerkiksi valkoisesta kuvasta, jossa näkyy valkoisen valon spektrin eri värejä. Syynä on valon suurempi tulokulma optisesta keskipisteestä reunoille siirryttäessä, jolloin lähellä reunaa oleviin detektoreihin saattaa päätyä viereisiin detektoreihin tarkoitettua valoa. Esimerkiksi Bayerin matriisin omaavan sensorin tiettyihin detektoreihin voi tulla viereisen detektorin aallonpituusvälin valoa. Värien epätasaisuus saattaa johtua myös kamerassa käytetystä infrapunasuotimesta. Infrapunasuotimen raja-aallonpituus siirtyy lyhyemmille aallonpituuksille säteen tulokulman kasvaessa, jolloin reunoilla suodattuu enemmän punaista valoa kuin keskellä./18, 23, 42/ Hajavalo on väärään paikkaan päätynyttä valoa optisissa systeemeissä ja se johtuu optisten elementtien välisistä heijastuksista/24/. Hajavalo havaitaan kuvista varjojen yksityiskohtien ja 13
väri-informaation vähenemisenä. Hajavalon merkitys on suurinta kuvissa, joissa on paljon tasaista heijastavaa pintaa esimerkiksi lunta tai vettä, josta valo siroaa ja kasvattaa kuvan intensiteettiä. Kuvassa 14 on esimerkki kuvakohteesta, josta hajavalo voidaan havaita. Kuva 14. Hajavalo/41/ 2.4 Kennon rajoitteet Kennon tarkkuus vastaa yleisesti kuluttajakameroissa lopullisen kuvan pikselimäärää. Toisaalta kenno saattaa muodostaa pullonkaulan optiikan toistotarkkudelle; jos kennossa ei ole tarpeeksi kuvapisteitä niin kenno ei pysty detektoimaan kaikkea optiikan siirtämää informaatiota. Kennon herkkyys kertoo kennon kyvystä kerätä valoa. Kvanttiteho (quantum efficiency) kuvaa kennon detektiokykyä eli kuinka paljon elektroneja fotoni aikaansaa. Mitä suurempi kvanttiteho kennolla on sitä suurempi osa kennolle tulevasta valosta konvertoituu sähköiseksi signaaliksi. Kennon herkkyyttä voidaan yleensä digitaalikameroissa säätää riippuen millaisissa valaistusolosuhteissa kuvataan. Kennon herkkyys voidaan ilmoittaa ISO-luvun avulla, jonka kasvaessa kuvasignaalia vahvistetaan enemmän. Toisaalta ISO-herkkyyden kasvaessa myös kohina lisääntyy./2,14/ Ideaalitapauksessa kennon kaikki detektorit muuttaisivat kaikkien osavärien informaation varauksiksi. Näin ei kuitenkaan käytännössä aina tapahdu ja muunmuassa värimatriisin (CFA) takia osa väri-informaatiosta katoaa ja puuttuva väri-informaatio pitää interpoloida lähimpien pikseleiden arvoista./42, 64, 68/ Kohinalla tarkoitetaan sähköisen signaalin satunnaista vaihtelua, jota syntyy digitaalikameran kennolla. Kohina voidaan jakaa esimerkiksi kahteen luokkaan: satunnaiseen- ja kiinteäkuvioiseen (fixed pattern) kohinaan. Satunnaista kohinaa syntyy esimerkiksi kun kenno lämpenee (thermal noise) tai kun fotonit osuvat kennon detektoreihin epäsäännöllisin väliajoin (photon shot noise). Kiinteäkuvioista kohinaa syntyy esimerkiksi silloin kun eri vahvistimet eivät vahvista signaalia yhtä voimakkaasti (amplifier gain non-uniformity) tai kun detektoriin ei tule fotoneja, mutta silti detektoriin syntyy jännite (black current). Lisäksi A/D-muuntimet 14
aiheuttavat kvantisaatio kohinaa, koska digitaalisia arvoja on vain rajallinen määrä./2, 14, 21, 38/ Ylivuoto (overflow) tarkoittaa kennon detektorissa varausten siirtymistä viereisiin detektoreihin, jolloin kuvan tummemmat kohdat, jotka ovat ylivuotavien detektoreiden lähellä muuttuvat vaaleammiksi. Ylijäämävarauksella (overcharge) tarkoitetaan vanhasta kuvasta jäänyttä varausta, joka ei ole täysin kadonnut kun detektori on nollattu./2, 14, 37/ 2.5 Kuvaprosessoinnin rajoitteet Kuvaprosessoinnin tehtävänä on käsitellä kuvasignaalia lopulliseen tallennukseen asti. Kuvaprosessoinnin toimintaa rajoittaakin käytetyn prosessorin laskentateho eli kuinka hyvin ja nopeasti digitaaliset kuvankäsittelyoperaatiot toimivat. Kuvaprosessoinnin nopeus vaikuttaa myös kameran nopeuteen ottaa peräkkäisiä kuvia./17/ Laskentatehovaatimusten takia joudutaan erityisesti kompakti- ja mobiilikameroissa käyttämään yksinkertaisia algoritmeja, jotka saattavat johtaa kuvankäsittelyssä havaittaviin virheisiin. Esimerkiksi yksi yleisimmistä ja yksinkertaisimmista valkotasapainon säätöalgoritmeista on ns. harmaa maailma -algoritmi (Gray World), joka olettaa kuvissa esiintyvien värien keskiarvon olevan keskiharmaa. Algoritmi toimii hyvin jos tämä oletus pitää paikkansa, mutta kuvasisällön poiketessa oletuksesta suuriakin värisiirtymiä saattaa esiintyä kuten kuvassa 15 on havainnollistettu. Kuvassa taustan violetti väri on siirtänyt keskiarvoa niin paljon, että lapsen kasvot ovat muuttuneet vihreiksi./41/ Kuva 15. Valkotasapainon säätö on epäonnistunut vasemmassa kuvassa/41/ 15
Koska kuvanparannusalgoritmit ja pakkausalgoritmit muuttavat kuvan sisältöä, on nämä asiat huomioitava digitaalisen kameran suorituskyvyn määrityksessä/47/. Ammattikameroissa pystytään tyypillisesti säätämään kuvankäsittelyt pois, jolloin prosessorin toiminta ei vaikuta mittaustuloksiin. Mobiilikameroissa pyritään taas käyttämään mahdollisimman vakioituja asetuksia, mikä ei ole aina yksikäsitteistä/69/. 16
3 STANDARDEJA SUORITUSKYVYN MITTAUKSEEN 3.1 Yleistä Standardit ovat tärkeitä laadun arvioinnin ja laadun määrittelemisen kannalta. Ilman standardeja olisi hyvin vaikea tietää mitä ominaisuuksia tuotteessa on. Tuotteiden kehitys olisi myös hankalampaa valmistajien puolelta, jos ei voitaisi määritellä tuotteen suorituskykyä standardin avulla. Standardit määrittelevätkin puolueettoman mitan, jonka avulla voidaan vertailla eri tuotteita keskenään. Tällöin on helpompaa selvittää vastaako tuotteen laatu tavoiteltavaa laatua./34/ Maailman suurin standardien kehittäjä ISO (International Organization for Standardization) on kehittänyt lukuisan määrän standardeja. Kameran karakterisointiin, suorituskyvvyn arviointiin ja valokuvan laadunarviointiin on olemassa useita ISO-standardeja. ISO 14524 sisältää digitaalisen kameran optoelektronisen siirtofunktion (OECF) mittaamiseen liittyvän terminologian, menetelmät ja testikuvat. OECF:n avulla saadaan selville kameran digitaalisten arvojen ja mitattujen luminanssien välinen suhde. ISO 12233-standardi määrittelee tarkkuuden mittaamisen digitaalisesta kamerasta. Standardi sisältää monia tarkkuuteen liittyviä suureita, joita testikentän avulla voidaan määrittää./34/ ISO 15739-standardissa määritellään kohinan ja dynaamisen alueen mittaaminen digitaalisesta kamerasta. Standardi jakaa kohinan kiinteäkuvioiseen- (fixed pattern) ja temporaaliseen kohinaan. ISO 12232 sisältää menetelmät kameran valonherkkyyden määrittämiseen. Standardissa määritetään kaksi eri ISO-nopeutta; saturaatioon- ja kohinaan perustuva nopeus. ISO 9039 määrittelee vääristymien mittaamisen optisista laitteista. Vääristymät lasketaan kuvapisteiden radiaalisina eroina ideaaliselta ja todelliselta kuvatasolta. ISO 17321-1 määrittelee menetelmät digitaalisen kameran väritoiston karakterisointiin. Standardissa esitetään kaksi menetelmää; toinen perustuu valon eri aallonpituuksien toistoon ja toinen testikentän kuvaamiseen, jossa on eri värejä. ISO 20462 on standardi valokuvan laadun subjektiiviseen arviointiin. Se koostuu kolmesta osasta, josta ensimmäinen sisältää yleiskatsauksen psykofyysiseen arviointiin. Toinen ja kolmas osa käsittelevät tarkemmin kahta eri menetelmää (triplet comparison & quality ruler). Lisäksi SMIA (Standard Mobile Imaging Architecture) on julkaissut standardin kameramoduulien suorituskyvyn mittauksiin. Standardi koostuu mittauksista, jotka määrittelevät sensorin ja moduulin vasteen, sensorin kohinan ja sensorin epäideaalisuuden/44/. I3A (International Imaging Industry Association) on julkaissut standardiehdotuksen mobiilikameroiden suorituskyvyn mittaamiseen/23/. Olemassa olevia ja kehitteillä olevia standardeja on listattu taulukkoon 1. Luvuissa 4.1-4.8 esitellään ISO-standardit ja luvussa 4.9 tutkimuksia digitaalisen kameran ja mobiilikameran suorituskyvyn mittauksesta. Luvussa 5 käydään läpi I3A CPIQ standardin ehdotus mobiilikameran suorituskyvyn mittaukseen. 17
Taulukko 1. Digitaalisten kameroiden standardeja Standardin kehittäjä Standardin vaihe Lyhenne Sisältö Käyttökohde ISO Valmis 14524 Optoelektroninen Digitaalinen siirtofunktio kamera ISO Valmis 12233 Resoluutio Digitaalinen kamera ISO Valmis 15739 Kohina ja Digitaalinen dynaaminen alue kamera ISO Valmis 9039 Optiset vääristymät ISO Valmis 17321-1 Värien karakterisointi ISO Valmis 20462 Subjektiivinen laadunarviointi Optiikka ja optiset laitteet Digitaalinen kamera Digitaalinen kamera SMIA Valmis SMIA 1.0 Kameramoduulin Kameramoduuli suorituskyky I3A Kehitteillä I3A CPIQ Mobiilikameran Mobiilikamera suorituskyky 18
3.2 OECF /27/ 3.2.1 Testijärjestely ISO 14524-standardi määrittelee tavat mitata sekä kameran että polttotason OECF-arvot. Kameran OECF:n määrittämiseksi kameralla kuvataan testikenttää (kuva 16), josta inputluminanssiarvot lasketaan luminanssimittarin avulla ja ilmoitetaan logaritmisina (10- kantainen). Testikenttä voi olla heijastava tai transmissiivinen. Standardin mukainen testikenttä koostuu 12 neliöstä, joilla on eri densiteettitasot. Testikentän taustan densiteetti tulisi valita kaavan (3) avulla: D b D1 D12 D b = 0,74 + D12 (3), 2,2 missä Db on taustan densiteetti, D1 on neliön 1 densiteetti (tummin kenttä) ja D12 on neliön 12 densiteetti (kirkkain kenttä). D 1 ja D 12 tulisi valita siten, että ne vastaavat testikuvan ääridensiteettejä eli testimateriaaliin aikaansaatua tumminta ja vaaleinta kohtaa. Muiden kenttien densiteetit tulisi määrittää siten, että ne muuttuisivat tasa-askelin siirryttäessä mustasta valkoiseen. Kuva 16. ISO 14524 testikenttä Polttotason OECF:n määrittämiseen on kaksi tapaa riippuen siitä onko kameran optiikka kiinteä vai irroitettava. Polttotason OECF mallintaa kameran valotuksen vaikutuksen digitaalisiin arvoihin. Kamerassa, jossa optiikka voidaan irroittaa tulisi käyttää suoraan kameran sisääntulo-valotuksia. Valotukset tulisi ilmoittaa luminanssin tapaan logaritmisina. Kiinteän optiikan kameroissa kennoon tuleva valaistusvoimakkuus E s (lux, luksia) tulisi laskea kaavan (4) avulla: 19
0,65L E S = (4), f t 2 e 2 missä L t on kohteen aritmeettinen keskiluminanssi ( cd m ) ja f e on linssin f-arvo (aukkoluku). Lisäksi kuvattavan kohteen tulisi olla Lambertin pinta. Lasketut valotus- tai luminanssiarvot tulisi keskiarvoistaa 64*64-pikseliblokin alueelta ja toistoja tulisi olla yhdeksän kappaletta. Kuvausolosuhteen valaistus tulisi olla ISO 7589-standardin mukainen päivänvalo (D55) tai hehkulamppu (3050K). Kameran valkotasapaino tulisi säätää mahdollisimman hyvin vastaamaan tilanteen mukaista valaistusta 3.2.2 Mitattavat suureet Raportoitavan OECF-kuvaajan vaaka-akselilla on joko kuvauskohteesta mitattujen luminanssiarvojen logaritmit tai kameran logaritmiset valotukset, jotka lasketaan kaavan (5) avulla: Logaritminen valotus = H log 10 (5), H 0 missä H 0 on vakio (1lux s ) ja H on kameran valotus. Pystyakselilla on kameran tuottaman digitaalisen arvon 2-kantainen logaritmi. Mustavalkokameroilla digitaalinen arvo on suoraan harmaasävyarvo, mutta värikameroilla on ilmoitettava erikseen jokaisen osavärin (RGB) digitaalinen arvo kuten kuvassa 17. Kuva 17. OECF-kuvaaja kameran eri osaväreille 20
3.3 RESOLUUTIO /26/ 3.3.1 Testijärjestely Resoluution määrittämiseksi kameralla kuvataan testikenttää, jossa on erilaisia kuvioita. ISO- 12233-standardin testikenttä on esitetty kuvassa 19. Testikenttä voi olla heijastava tai transmissiivinen ja testikentän kokoon on rajoitteet standardissa. Testikentän tulisi lisäksi olla mustavalkoinen. Testikenttä tulisi valaista kuvan 18 mukaan vähintään kahdella valonlähteellä siten, että luminanssi ei vaihtelisi testikentään alueella yli 10 prosenttia testikentän keskeltä mitatusta arvosta. Valaistusolosuhteet tulisi olla ISO 7589 standardin mukaiset. Kameran valotusaika ja aukko tulisi säätää siten, että testikuvan valkoisia alueita vastaa kameran lähes maksimi digitaalinen arvo. Resoluutiomittaukset tulisi tehdä kameran luminanssisignaalista. Jos kameran ulostulosta ei ole saatavilla luminanssisignaalia niin luminanssi tulisi laskea osavärien painotetusta kombinaatiosta. Lisäksi kameran tuottamat digitaaliset luminanssiarvot olisi linearisoitava käyttämällä ISO 14524- standardin mukaan mitattua OECF-kuvaajaa. Kuva 18. ISO 12233 Kuvausasetelma Kuva 19. ISO 12233 testikenttä 21
3.3.2 Mitattavat suureet Kuvan 19 testikentästä voidaan mitata esimerkiksi visuaalista resoluutiota ja spatiaalista taajuuusvastetta (SFR). Visuaalisella resoluutiolla tarkoitetaan pienintä yksityiskohtaa, joka voidaan testitaululta visuaalisesti erottaa. Toisin sanottuna visuaalinen resoluutio on raja-arvo, jossa valkoista ja mustaa viivaa ei pysty enää erottamaan toisistaan. Mittayksikkönä voidaan käyttää esimerkiksi viivan leveyttä/kuvan korkeus (LW/PH, line widths per picture height). Visuaalista resoluutiota mitataan koehenkilötesteillä testikentän asteikoista K1, K2, KS1, KS2, KD, J1, J2, JS1, JS2 ja JD riippuen mitataanko pysty- vai vaaka-suuntaista tarkkuutta. Testikenttää voidaan katsoa joko näytöltä tai painetusta kuvasta. On lisäksi huomioitava, että näytön tai tulostimen resoluution on oltava riittävän tarkka kameran muodostaman kuvan yksityiskohtien esittämiseen. SFR voidaan määrittää kallistetusta reunasta, jossa toinen puoli on vaalea ja toinen tumma. SFR voidaan määrittää eri kohdista kuvaa pystysuunnassa ja vaakasuunnassa testikentän kuvioista L1, L2, L3 ja L4. SFR voidaan laskea automaattisesti ISO:n julkaiseman algoritmin avulla. SFR kuvaa spatiaalisen tarkkuusinformaation siirtymistä kameran läpi. Kamerajärjetelmä ei toista korkeataajuisia yksityiskohtia niin hyvin kuin matala-taajuisia. Siksi SFR-kuvaajan arvo laskee siirryttäessä korkeampiin taajuuksiin. SFR-kuvaajasta voidaankin havaita erilaisia raja-arvoja tarkkuuden toiston kannalta. Vaaka-akselilla SFRkuvaajalla on spatiaalinen taajuus, jossa voidaan käyttää yksikkönä esim. sinin taajuusjaksoa tai LW/PH. 0,5 taajuusjaksoa tarkoittaa näytteenottotaajuutta, jossa mustan muuttuminen valkoiseksi kuvataan 2 pikselillä. Kuvassa 20 on esitetty SFR-kuvaaja johon on piirretty horisontaali ja vertikaali SFR-käyrä. Taajuudet, jotka ylittävät 0,5 taajuusjaksoa laskostuvat, koska ulostulo-laite ei pysty toistamaan näytteenotto taajuutta korkeampia taajuuksia. Matemaattisesti SFR:n laskeminen koostuu monesta vaiheesta, jotka on esitetty kuvassa 21. SFR lasketaan kallistetusta reunasta valitusta ikkunasta (ROI, region of interest), jonka pitää sisältää sekä tummia, että vaaleita pikseleitä. Linjanleviämisfunktiot jokaiselle pikseliriville lasketaan FIR (finite impulse response)-suodatuksen avulla kaavan (6) mukaan: ( x + 1) f ( x 1) f LSF = D[ f ( x) ] = (6), 2 missä x on tutkitun pikselin sijainti, x-1 vasemman puoleinen pikseli, x+1 oikean puoleinen pikseli ja f(i) pikselin i digitaalinen arvo. Hamming- ikkunoinnissa signaali jaetaan ikkunoihin ja jokaiselle ikkunalle tehdään erikseen Fourier muunnos. 22
Kuva 20. SFR-kuvaaja Kuva 21. SFR:n laskeminen 23
3.4 KOHINA JA DYNAAMINEN ALUE /28/ 3.4.1 Testijärjestely ISO 15739-standardin testikenttä on samantyyppinen kuin ISO 14524:ssä ja se on esitetty kuvassa 22. Testikenttä voi olla heijastava tai transmissiivinen. Lisäksi kentässä on kolme uutta kuviointia kentän keskellä. Keskimmäinen näistä koostuu kolmesta (13a-13c) eri densiteettitasosta, joista voidaan mitata neutraalien kenttien kohinaa. Ylin koostuu kuudesta erilaisesta moduloiduista kallistetuista viivoista, joista voidaan mitata kohina eritaajuksisista kohteista. Alimmasta kohdasta voidaan määrittää kohinat eri densiteeteille. Kohdassa on erilaisia densiteettitasoja mustasta valkoiseen. Kuva 22. ISO 15739 testikenttä Standardin mukaan tulisi käyttää ISO 7589:n mukaista valaistusta ja kameran asetukset tulisi olla samoja kuin ISO 14524:ssa. Heijastavan testitaulun tapauksessa valonlähteet tulisi kohdistaa 45 asteen kulmaan ja kamera suojata suoralta valolta kuten ISO 12233:ssa (kuva 18). Jos kameran luminanssisignaalia ei ole saatavilla niin se tulisi laskea osavärien painotettuna kombinaationa. Kohinan mittausmenetelmä riippuu kameran ominaisuuksista. Esimerkiksi irroitettavan optiikan kameroissa voidaan kennon kohina mitata suoraan ilman optiikan vaikutusta. Kameroissa, joissa ei voida manuaalisesti säätää valotusta olisi laskettava ensin kameran OECF ISO 14524-standardin mukaan. Valaistus tulisi säätää siten, että kamera antaa maksimaalisen digitaalisen arvon OECF testikuvan kirkkaimmalla neliöllä. Mittaukset tulisi tehdä standardin mukaan vähintään 8 kuvasta ja laskea näiden yli keskiarvo. Hajonnat tulisi laskea vähintään 64*64 pikselin kokoisesta kuva-alueesta. 24
3.4.2 Mitattavat suureet Kohinakentästä voidaan määrittää esimerkiksi signaali-kohina suhde, kiinteän kuvion kohina, temporaalinen kohina ja dynaaminen alue. Signaali-kohinasuhde kuvaa signaalin suhdetta signaalissa esiintyvään kohinaan ja voidaan määrittää 18% referenssisignaalin tasosta. Tämä voidaan mitata testikuvan kentästä 13b. Signaali-kohina suhde lasketaan kaavalla 7: SNR = L sat 0,18 lisävahvistus σ total (7), missä L sat on kohdeluminanssi, joka antaa kameran maksimin digitaalisen arvon, 0,18 on 18 % heijastus, lisävahvistus (incremental gain) on mitattujen luminanssien muutoksen suhde digitaalisten arvojen muutokseen eli OECF-kuvaajan derivaatta, σ total on eri kuvien (kenttä 13b) hajonnoista laskettu keskiarvo. Kiinteän kuvion kohina on kameran kohinaa, joka on vakio eri valotuksilla. Kohina voidaan laskea kaavan 8 avulla: 2 1 2 σ fp = σ ave σ diff (8), n 1 missä σ ave on digitaalisten arvojen hajonnan keskiarvo, σ diff on erotuskuvien keskimääräinen hajonta ja n on kuvien kokonaismäärä. Erotuskuvien keskimääräinen hajonta saadaan laskemalla jokaisesta kuvasta ero suhteessa keskiarvokuvaan ja laskemalla näistä kuvista hajonnan keskiarvo. Ajallinen kohina kuvaa kameran satunnaisin ajoin vaihtelevaa kohinaa. Kohina voidaan laskea kaavalla 9: n σ = σ 2 (9), temp n 1 diff Dynaaminen alue kuvaa kameran luminanssin toistoaluetta eli juuri saturoimattoman digitaalisen arvon ja pienimmän luminanssin, jonka kamera toistaa vähintään signaalikohinasuhteella yksi. Dynaaminen alue voidaan määrittää kohinamittauksen avulla kaavalla 10: Dynaaminen alue = L sat 0,014 lisävahvistus 100 σ btn (10), missä 0,014 on 1,4 % heijastus, 100 on kohteen kerroin 100 % ulostulotasoon, σ btn on mustan temporaalisen kohinan keskiarvo joka määritetään mustasta referenssi signaalista tai densiteetin arvosta 2,0. 25
3.5 SENSORIN VALONHERKKYYS /25/ 3.5.1 Testijärjestely Standardin suureiden määrittelemiseksi kameralla kuvataan ympyrää, joka on kuvan keskellä. Ympyrän halkaisijan tulisi olla 75 prosenttia kuva-alan pienemmästä dimensiosta. SOS-arvot (standardi ulostuloherkkyys, standard output sensitivity) voidaan määrittää käyttämällä OECFstandardin testikenttää (ISO 14524). Valaistusolosuhteet ja kameran asetukset tulisi olla samat kuin ISO 14524 standardissa sillä poikkeuksella että valotusajan tulisi olla lyhyempi kuin 1/30 sekuntia. Jos kameran pakkausta ei voida säätää pois niin kohinaan perustuvaa mittausta ei pystytä tekemään. 3.5.2 Mitattavat suureet Sensorin valoherkkyyden mittaamiseksi voidaan määrittää esimerkiksi valotus indeksi (EI, exposure index), saturaatioon tai kohinaan perustuva nopeus, standardi ulostulo herkkyys ja suositeltu valotusindeksin arvo (REI, recommended exposure index). Valotusindeksi on numeerinen arvo, joka on kääntäen verrannollinen kuvakennon valotukseen. Eri EI-arvoilla otetut kuvat muodostavat normaalisti joukon erilaatuisia kuvia. EI voidaan laskea kaavan 11 avulla: Í EI 154A 2 eff = (11), 10L t a 2 missä A on optiikan tehollinen f-luku, L on aritmeettinen keskiluminanssi ( cd m ) ja t on eff valotusaika (s). Optiikan tehollinen f-luku voidaan laskea kaavan 12 avulla: a A eff 1 = 1 + f # (12), R missä R on tarkennusetäisyyden kuva-alan korkeuden suhde polttotason kuvan korkeuteen ja on optiikan f-luku. f # Saturaatioon perustuvaa nopeutta käytetään tapauksissa kun halutaan parasta kuvanlaatua esimerkiksi studiokuvauksessa. Tässä tapauksessa kuvan valoisimmat kohdat toistuvat kameran pikselien digitaalisiksi arvoiksi, jotka ovat juuri alle maksimiarvojen. Saturaatioon perustuva nopeus lasketaan kaavalla 13: S sat 78 = (13), H sat 26
missä H sat on minimi tarkennustason valotus ( lux s), joka tuottaa kameran digitaalisen arvon maksimin. Kohinaan perustuvan nopeuden arvo on suurempi kuin saturaation perustuvan, joten valotus on pienempi kuin saturaatioon perustuvalla nopeudella. Tällä pyritään mm. maksimoimaan syväterävyys ja minimoimaan valotusaika. Standardi määrittää kaksi nopuden arvoa; on ensimmäinen erinomainen kuva ja S noise10 on ensimmäinen hyväksyttävä kuva. Ensiksi mainitussa signaali-kohinasuhde on 40 ja jälkimmäisessä 10. Nopeudet voidaan laskea kaavojen 14 ja 15 avulla. S noise40 S noisex 10 = (14), H S X N missä H on valotus ( lux s), joka tuottaa digitaaliset arvot ja linearisoituna toteuttaa S X N kaavan 14: ( D) D = Xσ (15), missä D on linearisoitu luminanssisignaalin taso ja ( D) σ on linearisoidun monokromaattisen tai painotettujen väriarvojen ulostulosignaalin keskihajonta luminanssisignaalin tasolla D ja X on joko 10 tai 40. Standardi ulostuloherkkyys (SOS) on EI:n arvo, joka tuottaa määrätyn digitaalisen arvon määrätyissä olosuhteissa. SOS voidaan laskea kaavojen 16 ja 17 avulla: I SOS 10 = (16), H SOS missä H SOS on valotus ( lux s), joka tuottaa määrätyn digitaalisen ulostulosignaalin tason kaavasta 14 461 1000 O MAX (17), missäo MAX on maksimi digitaalinen ulostuloarvo. 8 bittisessä systeemissä määrätty digitaalinen ulostulosignaali on 118. Suositeltu valotusindeksin arvo I REI on numeerinen arvo, jota kameranvalmistajat suosittelevat käyttämään. Arvo I REI voidaan laskea kaavan 16 avulla, jossa nimittäjään tulee aritmeettinen polttotason keskivalotus. H m 27
3.6 VÄÄRISTYMÄT /33/ 3.6.1 Testijärjestely Standardi määrittelee neljä eri tapausta, joista optiikan vääristymät voidaan määrittää. Nämä riippuvat siitä ovatko kuva- ja kohdetason etäisyydet optiikan polttopisteestä mitattavissa vai ovatko kyseiset etäisyydet äärettömiä. Yksinkertaisimmillaan molemmat etäisyydet voidaan mitata kuten esimerkiksi kameran tapauksessa. Kuva 23 esittää mittausasetelman tässä tapauksessa. Luvun 4.6.2 mitattavien suureiden kaavat pätevät tapauksissa, jossa molemmat etäisyydet ovat mitattavissa. Kuvan 23 mukaisessa järjestelyssä tulisi mitata sekä kohde- että kuvatason koordinaatit. Kohdetason valo voidaan suunnata yhden tai useamman raon läpi. Etäisyyksien mittaamiseen käytettävät laitteet tulisi olla 5-10 kertaa tarkempia kuin etäisyyksien virherajat. Kuva 23. Testiasetelma, jossa sekä kuva- että kohdetason etäisyydet määritetty 3.6.2 Mitattavat suureet Standardilla voidaan määritellä absoluuttinen- suhteellinen- ja korkeus- vääristymä. Absoluuttinen vääristymä tarkoittaa säteittäistä etäisyyksien eroa mitattuna havaitun kuvan ja ideaalisen kuvan väliltä. Absoluuttinen vääristymä lasketaan kaavan 18 avulla: 28
V = h' hm (18), a missä h on kuvatasolle syntyvän kuvan korkeus, h on kohdetason kohteen korkeus ja m on lateraalinen suurennus, joka on raja-arvo kaavasta 19: h' m = (19), h lim h Suhteellinen vääristymä on säteittäinen etäisyyksien ero mitattuna havaitun kuvan ja ideaalisen kuvan väliltä. Suhteellinen vääristymä (prosenttia) lasketaan kaavan 20 avulla: h' m V h r = 100 (20), m Kuvan korkeusvääristymällä voidaan selvittää vääristyneen kuvan muoto. Jos vääristymän arvo on negatiivinen kyseessä on tynnyrivääristymä ja jos arvo on positiivinen puhutaan tyynyvääristymästä kuten kuvan 24 tapauksessa. Korkeusvääristymä voidaaan laskea joko kaavalla 21 tai 22: H PHD = 100 (21) H PHD 1 2 = [ V ( R) V ( H / 2) ] r r (22), ( ) joiden parametrit löytyvät kuvasta 24. V r R tarkoittaa säteellä R (puolet kuvan diagonaalista) ja V ( H / 2) kuvan puolikkaalla korkeudella mitattua suhteellista vääristymää. r Kuva 24. Korkeusvääristymän määritys 29
3.7 VÄRIEN KARAKTERISOINTI /29/ 3.7.1 Testijärjestely Spektraaliseen herkkyyteen perustuvassa määrityksessä kameralla kuvataan kohdetta johon suunnataan valoa. Eri valon aallonpituudet saadaan aikaan monokromaattorilla. Monokromaattori aikaansaa valon tietyllä kaistanvälillä olevia aallonpituuksia. Värikenttään perustuvassa menetelmässä kuvataan testikenttää, joka koostuu erivärisistä osista. Standardissa suositellaan käytettäväksi esim. 24 tai 237 värin Gretag MachBethin ColorChecker testikenttää. Testikentän väriarvot tulisi mitata spektrofotometrillä, jonka detektioalue on vähintään 380-730 nm. Lisäksi testikentän väreille tulisi määrittää kolorimetriset arvot. Valaistuksena tulisi käyttää ISO 7589:n mukaista päivänvaloa (D55). Standardi määrittelee testikenttien kuvaamiseen kaksi eri tapaa. Kenttä voidaan kuvata kokonaisuudessaan, jolloin kameran etäisyys tulisi määrittää siten, että testikenttä kuvautuu kokonaan kameran kennolle. Toisessa tapauksessa yhtä testikentän väriä kuvataan kerrallaan. Tässä tapauksessa kentän värin olisi kuvauduttava kennon keskelle. Lisäksi muiden värien vaikutus jälkimmäisessä tapauksessa tulisi estää mustalla suojuksella, jossa on tarkasteltavan värikentän kokoinen aukko. Värimääritykset tulisi tehdä vähintään 64*64 pikselin kokoiselta alueelta ja lisäksi keskiarvoistaa kolmella samoilla asetuksilla otetulla kuvalla. 3.7.2 Mitattavat suureet Standardin liitteet määrittelevät kaavat väriarvojen laskemiselle. Nämä kaavat ovat esitetty tämän työn liitteessä 1. Liite sisältää kaavat tristimulus-arvojen (X,Y, Z), CIELAB-arvojen ja värieron ( E ) laskemiseen. 30