简介
数字成像中的纹理通常指低对比度的精细细节。例如，草地上的每一片草叶或树上的叶子都是精细的细节或纹理。相机应该能够重现这些细节。在此背景下，技术术语是高空间频率，它们通常与低局部对比度和颜色差异相结合。对于相机而言，在低光照条件下，高 ISO 感光度设置时，区分纹理与相机不必要的噪声是一项挑战。因此，降低图像中的噪声水平通常会导致纹理损失。
简单来说，纹理损失是由于降噪而导致的图像中精细细节的丢失（图 1）。随着当今先进的图像处理技术，减少不必要的噪声和其他伪影变得更加容易。然而，这个过程也可能削弱重要的纹理，从而导致图像质量下降。
当然，建议是在降噪和纹理损失之间找到正确的平衡点。为此，必须测量和分析噪声以及纹理损失。
图 1 左图显示了良好的纹理，右图显示了不良纹理。
如何测量纹理损失
纹理损失测量在技术上是一种 Resolution 测量，它使用不同的测试目标，而不是ISO 122331（主要的 Resolution 标准）中描述的那些。在测试期间，被测设备将重现测试目标，分析软件（例如，iQ-Analyzer-X）将提供 SFR（空间频率响应）。该 SFR 描述了系统重现图像中纹理的性能如何。
我们将纹理定义为低对比度和精细细节；因此，我们的测试目标也需要显示低对比度和精细细节。有两种不同的测试目标可用于测试相机的纹理损失。
低对比度 Siemens star
ISO 12233 标准描述了基于高对比度正弦 Siemens star 的 s-SFR 方法（图 2）。该方法对锐化具有鲁棒性，是获得可靠的极限 Resolution2测量的绝佳工具。
同时，ISO 195673明确提出了纹理损失测量。该标准基于 s-SFR 方法，但使用低对比度版本的 Siemens star（图 2）。
图 2：普通 Siemens star（左）与低对比度 Siemens star（右）的对比
简而言之，分析软件将检测 Siemens star 的中心，然后沿着图像中的半径读取数字值。如果对所有半径和角度都这样做，使用这些值来计算调制，将得到 SFR。因此，如果我们停留在空间域内，SFR 计算完全基于数字值分析。
什么是 dead leaves target？
与 Siemens star chart 不同，dead leaves chart（图 3）为纹理损失创建了更自然的测试场景或测试结构。
该图表本身被引入作为自然图像的模型。本质上，它是由大量圆形堆叠而成，这些圆形具有已知尺寸和颜色的概率。最初，dead leaves target 仍然是灰色的。然而，最新研究4使用了彩色版本（图 3），因为这更好地代表了更自然的场景，并最终在测量和用户体验之间产生了更好的相关性。
图 3：灰色与彩色 dead leaves target 的对比
如何使用 dead leaves target 分析纹理损失
多年来，已经开发出多种分析显示 dead leaves 模式图像的方法。早期的方法受图像噪声影响很大，更多地被视为“概念验证”而非稳定的测量。
dead leaves target 也比其他测试模式看起来更自然。另一个优点是它的功率谱，该功率谱是在创建过程中根据一些简单属性计算得出的。
如果我们知道目标Y(f)的功率谱，并测量图像X(f)中的功率谱，我们就可以简单地计算出传递函数H(f)的绝对值，如下所示（图 4）。
图 4：计算传递函数的绝对值
Dead leaves 直接法
随着 John McElvain 等人5的工作，一种更稳健可靠的分析方法得以应用5。与早期方法一样，它计算目标的功率谱并测量图像中的功率谱。它还考虑到相机不仅会消除空间频率，还会增加噪声，从而也增加高空间频率。dead leaves 直接法增加了噪声功率谱测量并将其用于校正。噪声测量需要额外的均匀灰色区域。
这种方法也用于 IEEE-P1858 CPIQ 测试程序。
图 5：使用 dead leaves 直接法计算纹理损失
dead leaves 直接法考虑了相机将添加到图像中并影响功率谱测量的噪声。尽管这种方法已经比早期方法好得多，但它仍然遇到一些问题。
当我们测量纹理损失时，我们假设相机或多或少地执行了降噪。现代降噪算法会根据图像内容的不同而有不同的功能。本质上，我们知道降噪取决于图像内容，并且相机添加到 dead leaves 结构中的噪声与添加到均匀灰色区域的噪声相同。然而，这种假设在许多情况下并不成立，我们测得的灰色区域噪声低于 dead leaves 结构中的噪声。
Dead leaves 交叉法
2014 年引入了一种全新的方法。由于它使用图像和目标数据之间的互相关，这种方法被称为 dead leaves cross6。
此方法将图像内容与需要根据目标信息（例如，distortion、Shading 和色调曲线）为捕获的图像显式计算的参考图像进行比较。如果应用此方法，我们可以计算完整的传递函数，包括相位信息。然后我们可以计算 SFR，而不受图像噪声或其他伪影的影响。
图 6：使用 dead leaves 交叉法测量纹理损失
结论
完成分析后，我们将得到一个 SFR。此 SFR 描述了被测设备重现目标的性能如何。换句话说，SFR 越低，纹理损失越多。由于镜头和传感器都会对 SFR 产生影响，我们建议将从 dead leaves 获得的 SFR 与另一种测量 SFR 的可靠方法进行比较。我们推荐基于高对比度 Siemens star 的 s-SFR 方法。
有关不同方法的测试结果和比较，请访问我们的网站7。这些实验中使用的测试目标是 TE42，并由 iQ-Analyzer-X 软件进行分析。