2. MTF测试原理：点扩散函数(PSF)与线扩散函数(LSF)，MTF的计算方法
好，咱们直接进入正题。MTF这个指标，说白了就是衡量镜头“能不能把细节拍清楚”的能力。你想想看，一个理想镜头，拍一个点，它还是一个点。但现实中的镜头呢？拍一个点，它会变成一个模糊的斑。这个斑，就是我们要聊的点扩散函数。
2.1 点扩散函数（PSF）—— 镜头的“指纹”
PSF，全称Point Spread Function。我习惯叫它“点斑”。它描述的是：一个理想点光源，经过镜头成像后，在像平面上能量是如何分布的。
理想情况下，PSF应该是一个完美的脉冲。但实际中，由于衍射、像差、加工误差等因素，能量会扩散开来。这个扩散的形态，就是镜头的“指纹”。
核心理解：PSF越集中，镜头分辨率越高。PSF越分散，镜头越“肉”。
我在项目中遇到过一件事：有次我们评测一款手机镜头，MTF曲线看着还行，但实拍总觉得不够锐利。后来一查PSF，发现它虽然中心能量高，但周围有一圈“晕轮”。这就是典型的“高频好、中频差”的情况。所以，光看MTF曲线还不够，PSF的形态也很关键。
2.2 线扩散函数（LSF）—— 更实用的工具
PSF是二维的，分析起来比较麻烦。实际测试中，我们更常用线扩散函数（LSF）。
LSF怎么来的？很简单。你拍一条理想的细线（比如一个像素宽的亮线），经过镜头后，这条线会变宽、变模糊。这个模糊后的亮度分布曲线，就是LSF。
说白了，LSF就是PSF在某个方向上的积分。比如水平方向的LSF，就是把PSF在垂直方向上累加起来。这样做的好处是：
- 数据量小：从二维降到了一维，处理速度快得多
- 方向明确：可以分别测水平、垂直、对角线方向的性能
- 计算方便：MTF可以直接从LSF的傅里叶变换得到
我的经验：实际测试时，我建议优先用LSF。除非你要分析非对称像差（比如彗差、像散），否则LSF完全够用。而且LSF对噪声的鲁棒性更好，不容易被单个坏点带偏。
2.3 从PSF/LSF到MTF —— 傅里叶变换的妙用
好，现在我们有PSF或LSF了。怎么得到MTF呢？
答案就是傅里叶变换。你想想看，一个点光源包含所有空间频率的信息（从低频到高频）。镜头把这个点变成了一个模糊斑，其实就是对不同频率的“过滤”。
数学上，MTF就是PSF的傅里叶变换的模。用公式表示：
MTF(f) = |FT{PSF(x,y)}|对于LSF，更简单：
MTF(f) = |FT{LSF(x)}|其中f是空间频率，单位是lp/mm（线对每毫米）。
为什么会这样？因为傅里叶变换能把空间域的分布，转换到频率域。PSF在空间域越窄，它在频率域就越宽，意味着高频信息保留得好。反之，PSF越宽，高频信息丢失越多。
2.4 实际计算步骤
嗯，这里要注意。实际测试中，我们不会真的去拍一个点或一条线。而是用刀口法或狭缝法。我简单说一下流程：
- 采集刀口图像：拍一个黑白分明的刀口边缘
- 提取边缘扩散函数（ESF）：沿着垂直刀口方向，提取灰度变化曲线
- 微分得到LSF：对ESF求导，就得到了LSF
- 傅里叶变换：对LSF做FFT，取模，归一化
- 得到MTF曲线：横轴是空间频率，纵轴是对比度传递值（0~1）
避坑指南：我曾经犯过一个低级错误——直接用原始ESF做FFT，结果MTF曲线全是毛刺。后来才想起来，ESF是阶跃信号，直接做FFT会有严重的频谱泄漏。必须先微分得到LSF，或者对ESF做差分处理。这个坑，你们千万别踩。
2.5 知识体系结构图
下面这张图，我把整个MTF计算的逻辑串起来了。你可以把它当作一个思维导图来看：
2.6 一个简单的计算示例
光讲理论太枯燥。我写个简单的Python代码片段，演示一下从LSF到MTF的计算过程。你可以在自己的环境里跑跑看：
import numpy as np
import matplotlib.pyplot as plt
# 模拟一个高斯形状的LSF（实际测试中从刀口图像提取）
x = np.linspace(-5, 5, 1000)
sigma = 0.5 # 控制模糊程度
lsf = np.exp(-x**2 / (2 * sigma**2))
lsf = lsf / np.sum(lsf) # 归一化
# 对LSF做傅里叶变换
mtf = np.abs(np.fft.fft(lsf))
mtf = mtf[:len(mtf)//2] # 取正频率部分
mtf = mtf / mtf[0] # 归一化到0频率=1
# 空间频率轴（假设像素尺寸2um）
pixel_size = 2e-3 # mm
freq = np.fft.fftfreq(len(lsf), d=pixel_size)[:len(mtf)]
# 绘制
plt.plot(freq, mtf)
plt.xlabel('空间频率 (lp/mm)')
plt.ylabel('MTF')
plt.title('从LSF计算得到的MTF曲线')
plt.grid(True)
plt.show()
小技巧：实际测试中，sigma值越小，MTF曲线下降得越慢，说明镜头分辨率越高。你可以试着把sigma改成0.2和1.0，看看MTF曲线有什么变化。我经常用这个方法来快速评估不同镜头的性能差异。
2.7 总结一下
PSF是基础，LSF是实用工具，MTF是最终评价指标。三者的关系，说白了就是：
- PSF：告诉你镜头对“点”的反应
- LSF：告诉你镜头对“线”的反应
- MTF：告诉你镜头对“不同粗细条纹”的反应
我个人习惯，拿到一款新镜头，先看它的LSF形态。如果LSF对称、窄、没有旁瓣，那MTF曲线一般不会差。如果LSF不对称或者有拖尾，那就要小心了——可能像散或者彗差比较严重。
嗯，这一节的内容就到这里。记住，MTF不是万能的，但没有MTF是万万不能的。下一节我们会聊MTF测试设备的具体选型，到时候再细说。
公众号:蓝海资料掘金营，微信deep3321