光学设计评估：如何把 MTF、像元采样和公差联系起来

从物方任务频率推导像方评价点，将镜头、像元积分与曝光拖影纳入同一套对比度预算，再通过敏感度、受限补偿和蒙特卡洛通过率评估制造后的表现，区分名义最优、平均值与可交付的良率。

先确定任务，再问曲线好不好

一支镜头在中心视场的光斑很小，不代表传感器能稳定识别所有位置的目标。假设任务要求保留物方 10 lp/mm 条纹，倍率绝对值 m=0.2，像元间距 p=3.45 μm。每个线对周期为 0.1 mm，经缩小后像方周期为 0.02 mm，因此需要评价像方 50 lp/mm。

频率换算是 ν像=ν物/m，不能反过来乘 m。若规格给的是单根亮线宽度，还需先与暗线合成一个周期；“10 条线/mm”与“10 线对/mm”含义不同。本例采用非相干成像、灰度原始图，以及局部近似线性平移不变的系统，不把锐化、自动对比度等非线性输出当作原始 MTF。

MTF 与目标对比度如何关联

对正弦条纹，输入调制度可写成 C入=(Imax−Imin)/(Imax+Imin)。在局部线性条件下，C出≈MTF(ν)·C入。若要求输出调制度至少 0.2，输入调制度为 0.5，所需系统 MTF 至少为 0.4；如果输入只有 0.25，则需要至少 0.8。同一个镜头在不同照明和样品下，任务表现可以差很多。

MTF 曲线应明确空间频率单位、物像方、波段权重、视场、焦点和方向。相关定义与系统组合可参见 Edmund Optics 的 MTF 说明。方波靶包含高次谐波，用方波明暗比直接得到的结果不能在所有条件下等同于正弦 MTF。

奈奎斯特频率为 1/(2p)≈144.9 lp/mm，50 lp/mm 低于该值，但这只说明采样频率关系，不保证高对比度。靠近奈奎斯特时，条纹相对像素的相位、方向与混叠都很敏感，不能把一张偶然看清的线条照片当作稳定分辨率。

把像元积分与运动放进预算

设像元沿分析方向的均匀有效感光宽度为 a，光强先在该宽度内积分，其一维传递函数幅值为：

MTF像元(ν) = |sin(πaν)/(πaν)|

这来自矩形积分核的傅里叶变换。a 可近似等于像元间距 p，但真实传感器还受微透镜、填充因子和电荷扩散影响。曝光期间，若像面沿分析方向匀速移动总长度 L，理想运动核也为矩形，MTF运动具有同样形式，只需把 a 换成 L。

假设在 50 lp/mm 处镜头 MTF 为 0.70，a=0.00345 mm，像面运动长度 L=0.006 mm，则像元项约 0.952，运动项约 0.858，组合约 0.572。若输入调制度 0.5，输出约 0.286。只拿 0.70 与要求比较，会高估整机对比度。

这里的乘法来源于线性平移不变系统的卷积与传递函数乘积，不是所有图像处理链都适用。镜头数据已包含某个模糊项时，也不能再重复相乘。真实传感器影响的工程背景见 Sensors and Lenses。

# Python 3 标准库，长度为 mm，频率为 lp/mm。
from math import exp, pi, sin

def rect_mtf(width_mm, frequency):
    x = pi * width_mm * frequency
    return 1.0 if x == 0 else abs(sin(x) / x)

frequency, pitch, travel = 50.0, 0.00345, 0.006
pixel = rect_mtf(pitch, frequency)
motion = rect_mtf(travel, frequency)
system = 0.70 * pixel * motion
print(f"像元={pixel:.4f}, 运动={motion:.4f}, 系统={system:.4f}")

# 另一种独立的演示：一维高斯核，不代表真实镜头像差。
for nu in (20, 50, 100):
    value = exp(-2 * pi*pi * 0.002**2 * nu*nu)
    print(nu, f"高斯MTF={value:.3f}")

高斯例子输出约 0.969、0.821、0.454。其 σ=2 μm 是一维点扩散函数标准差，不应直接当成几何二维 RMS 光斑半径，更不应与艾里斑直径比较后宣称衍射极限。真实像差与离焦应通过对应光学模型或测量评估。

一张曲线之外，还需哪些视场条件

对每个任务频率，记录中心、中间、边缘与角点的切向/弧矢表现。可以用所有必测条件中的最低值作为一个保守评分，但不能只在一个中心视场对焦后忽略角点，也不能为每个视场分别自由调焦后宣称同一平面全部满足。

波段同样需要一致：单绿光很好的镜头不一定在宽谱照明下保持性能。应使用真实光源、滤镜和传感器响应形成的权重；如果这里只能估算，明确权重假设。像面倾斜和装调偏心可能让对称设计的实物四角不再对称，所以整机验证必须保留方向信息。

公差灵敏度要与补偿规则一起算

设评价量 Q 是某个固定任务频率处的最小 MTF，制造参数为 xi。局部灵敏度可用中心差分估计 Si≈[Q(xi+Δ)−Q(xi−Δ)]/(2Δ)。扰动应小到能反映局部趋势，又不能小到被数值采样噪声淹没。改变 Δ 后排序完全颠倒，说明还需检查模型或非线性。

对于独立、零均值、小扰动，可以用 σQ²≈ΣSi²σi² 做初步方差预算。它不是通用良率公式：MTF 有上下界，最佳焦点附近可能一阶导数接近零，偏心、倾斜的响应也可能明显非对称。此时仅靠线性项会低估退化。

补偿必须是实际可实现动作，例如只允许传感器沿轴向移动 ±0.2 mm，按全视场同一评分调焦，调好后锁紧。若每次公差样本都让所有空气间隔自由优化，相当于给制造系统一种现实中不存在的能力。序列公差、敏感度和蒙特卡洛流程可参见 Ansys 的公差分析教程。

蒙特卡洛通过率为何还要给区间

抽样前应确认每个参数的分布、相关性和截断范围。加工公差“±0.02 mm”不自动等于高斯标准差 0.02 mm，也不自动等于均匀分布。若同批玻璃折射率一起偏移，把它们当独立随机量会低估批次风险。

每个样本按既定规则补偿，再在同一套视场、波长和频率条件下判定。除了平均评分，至少输出最差样本、低分位数、失败模式和通过数量。平均 MTF 为 0.55 的两个方案，可能分别是全部落在 0.53~0.57，或有一部分掉到 0.2；交付风险差异很大。

假设 1000 个独立模型样本中有 970 个通过，点估计为 97%。用双侧 95% Wilson 区间，约为 95.75%~97.89%，所以“仿真通过率 97%”不等于已证明真实良率至少 97%。区间方法可参见 NIST 的比例置信区间说明。

from math import sqrt

n, passed, z = 1000, 970, 1.959963984540054
phat = passed / n
den = 1 + z*z/n
center = (phat + z*z/(2*n)) / den
half = z * sqrt(phat*(1-phat)/n + z*z/(4*n*n)) / den
print(f"Wilson 95%区间: {(center-half)*100:.2f}% ~ {(center+half)*100:.2f}%")

这个统计区间只处理有限抽样的不确定度，不涵盖错误的材料模型、遗漏的装调误差和加工分布偏差。增加到十万次抽样可以缩小统计区间，却不能修正不真实的模型。

用预算反推哪里还有改进空间

如果系统要求任务频率处 MTF 至少为 0.6，而像元和运动两项乘积只有 0.75，则镜头本身至少要达到 0.8。若给定制造和全视场条件下只能做到 0.7，继续微调镜头可能不是成本最低的路线；缩短曝光或降低机械振动，也可能更有效。

反过来，若像元与运动乘积已低于 0.6，即使假设完美镜头也无法达到目标，预算已经指出了结构性瓶颈。应先调整采样、倍率或运动条件，再重新评价镜头。这种反推比单独追求某个更高的名义 MTF 更能指导资源分配，但前提仍是各项模型适用且没有重复计入同一种模糊。

让设计预测与整机测试对上条件

最终测试应尽量使用线性原始图，固定曝光和增益，避免饱和，记录光源与目标对比度，并对不同视场采用同一套成像与分析规则。用边缘法、正弦靶或其他方法得到结果时，说明算法、采样、方向与预处理；经过锐化的图像可以出现局部超过 1 的响应，不能直接拿来代表被动镜头的光学性能。

先用少量实物核对名义模型和敏感项，再更新公差分布与补偿规则，比只增加仿真次数更有效。MTF 预算的最终目标，是在指定任务和制造条件下得到可重复的图像信息，而不是寻找一条最好看的中心曲线。