简介：一份围绕离轴三反光学系统大视场成像的计算成像设计方法的PDF资料，面向具备光学基础与Python编程能力的研究人员、工程师和研究生。内容基于英文论文复现，阐述了利用波前像差理论和Zernike多项式构建点扩散函数模型的思路，并通过空间变化反卷积算法对退化图像进行恢复，摒弃了传统上过度依赖自由曲面的方案，为航空侦察、空间光学遥感等大视场高分辨率场景提供了低成本实现路径。资料中给出了焦距260mm、F数2.5、初始视场8°×1°的仿真算例，经过处理后有效视场扩展至8°×6°，全视场调制传递函数超过0.4。压缩包仅含1个PDF文件（约911KB），但其中详细解释了离轴光学系统成像模拟、PSF生成、图像退化与恢复、图像质量评估等Python代码模块，并配有参数设置与算法说明，便于读者复现整个实验流程。目前已有91人学习下载，是快速掌握空间变化反卷积及计算成像系统设计的实用参考。
1. 离轴三反系统为什么只配小视场，计算成像怎么把它撑大
光学设计圈子里有一个公认的痛点：离轴三反系统（TMA）天生无遮拦、可做到近衍射极限，但视场一大，边缘像差就崩。你不是没试过，把次镜和三镜的非球面阶数往上提，把镜间距压到极限，全视场还是只能停在 2°～3° 上下。再想扩大视场，要么上多台探测器机械拼接，要么继续堆镜片，重量和成本立刻失控。而光学成像技术里有一个相对冷门的解法：用计算成像的思路，把系统里每一点的空间变化 PSF 当作已知量，靠反卷积后处理把像差“算回来”，从而实现离轴三反系统的大视场成像。这套视场扩展方法不需要改镜筒，不增加镜片，核心工作量从机械结构转移到算法和标定。适合的对象很明确：手里有一套像差已经压到极限、但视场就是不够用的离轴 TMA，且愿意在算法链路上投入的团队。
2. 先把非对称系统的像差账算清楚：视场扩展不是玄学
在写任何代码之前，先回答一个问题：为什么离轴三反的视场扩展这么难，难在光学设计还是难在成像链路？
2.1 离轴三反的像差为什么随视场“漂移”
离轴三反系统的结构特征是光轴折叠、孔径偏心、非球面镜有大量偏心倾斜量。它在中心视场能做到很好的像质，但对称性被打破后，剩余像差不再是传统同轴系统那种随视场平滑的“初级像差球面”，而是一个随视场坐标非线性变化的高阶函数。比如典型的离轴 TMA 在中间视场还勉强能用，在角点会出现明显的彗差、像散和畸变，而且这些像差的分布左右不对称、上下不对称。
这种“非对称”会带来一个直接后果：系统的点扩散函数（PSF）不但在视场不同位置形状不同，而且不存在旋转对称性。中心视场的 PSF 可能是漂亮的圆形艾里斑，边缘视场的 PSF 变成带彗尾的扇形斑，甚至局部出现明显的色散。传统光电成像系统里常用“全图一个 PSF 然后图像复原”的做法，在这里完全失效——因为 PSF 在像面不同区域可能相差好几倍起来。
我在实际评估过一个 0.5°×0.5° 的离轴三反，中心视场 RMS 波前误差 0.04 波，边缘视场直接到 0.25 波，对应 PSF 的半高全宽翻了将近三倍。这种系统如果只看中心像质，会误以为它很优秀；一旦上了大靶面探测器，边缘立刻露馅。所以做视场扩展的第一步，不是急着建优化模型，而是先把 PSF 随视场的变化规律摸清楚。
2.2 光学拼接 vs 计算重建：选型看这四件事
业界常见的扩大视场路径有四条。第一条是探测器拼接，多个 CMOS 拼成大靶面，机械公差和拼接缝问题一堆，成本高。第二条是光学扫描，用快反镜把不同视场依次扫到中心区域成像，再事后拼接，对扫描机构和同步曝光要求高，动态场景直接没戏。第三条是光学设计上继续加镜片，比如加入第五镜、第六镜，把像差压回去，但离轴三反最大的优势就是简单紧凑，加镜片等于放弃这个优势。第四条就是这里讲的计算成像路线：保留现有光学系统，对每个视场的空间变化 PSF 进行标定或建模，用算法重建恢复大视场。
选计算成像路线之前，我会先确认四件事。第一，系统的 PSF 是否稳定，即温度变化、装配应力、对焦状态是否可控并建模。第二，探测器的噪声是否可控，因为反卷积放大噪声很凶，信噪比低于 20 dB 时重建质量会非常差。第三，是否有足够计算资源做分块迭代，实时性要求高不高。第四，是否需要保真颜色，因为色差同样随视场变化，多通道重建的复杂度会成倍增加。如果这四个问题都能接受，那么用计算成像做视场扩展就是性价比最高的方案。
在实际项目中，我更倾向于把光学设计和计算成像做联合设计，而不是等光机完工后才想算法。离轴三反的镜面自由度留一点给“计算友好性”，比如让 PSF 随视场变化尽量平滑连续，避免某个视场点突然出现奇异像差，这能给后面的重建算法省去大量麻烦。
2.3 空间变化PSF的计算模型：大视场成像的数学地基
要把计算成像落地，第一步是建立数学模型。假设一个理想的高分辨率场景x，经过离轴三反系统后形成模糊像b，忽略非线性响应的情况下可以写成：
b(u) = ∫ PSF(u, v) · x(v) dv + n(u)
其中u是像面坐标，v是物面坐标，PSF(u, v)是空间变化点扩散函数。这个模型看起来简单，但难点在于 PSF 随着u和v都变化，是一个四维张量。实际工程中几乎没人会存储完整的四维张量，常见做法是把视场划分成 N×N 网格，在每个网格节点上标定/仿真一个 PSF，再用双线性插值得到任意位置的 PSF。这个网格 PSF 模型，就是整个视场扩展方法的数学地基。
另一个关键点是，非对称系统的 PSF 矩阵不是对称托普利兹矩阵，不能用简单的傅里叶变换直接逆。所以分块迭代重建成为必然选择。你在文献里看到的各种“分视场反卷积”“空间变化PSF复原”，本质都是在做同一件事：把大视场问题切成若干个小视场问题，每个小问题用对应的 PSF 做反卷积，再拼起来。下面就从仿真开始，把这条路一步步走通。
3. 在Python里把离轴三反的退化过程仿真出来：从Zernike系数到分块卷积
在动代码前，先说清楚为什么要先做仿真。真实系统的 PSF 标定需要点源靶标、精密位移台和稳定环境，成本高周期长。仿真能让我们在算法开发阶段就拿到可控的“地面真值”，可以反复验证重建算法的收敛性、鲁棒性和参数敏感度。等仿真链路走通了，再把真实标定的 PSF 替换进去，风险小得多。
3.1 用6项Zernike系数描述离轴像差
离轴三反的波前差在像面不同位置可以近似用低阶 Zernike 多项式组合表示，但要注意这里的“低阶”不是全视场统一的低阶，而是每一项系数随视场坐标发生变化。我一般取六个主要项：离焦、0° 像散、45° 像散、x 方向彗差、y 方向彗差、球差。这个组合已经能描述大多数离轴三反在 2° 以下视场里的主要像差行为。更高阶项如三叶差在真正的自由曲面离轴系统里也会出现，但建模逻辑是一样的，加项即可。
下面这段代码生成单位圆瞳孔上的波前差，并合成 PSF：
import numpy as np from numpy.fft import fft2, fftshift, ifft2 def zernike_wavefront(x, y, coeff): # coeff顺序: [离焦, 0度像散, 45度像散, x彗差, y彗差, 球差] # 所有系数都以波长为单位，1.0 = 1个波长PV r2 = x**2 + y**2 r = np.sqrt(np.clip(r2, 0, 1)) w = np.zeros_like(x) w += coeff[0] * r2 # 离焦 w += coeff[1] * (x**2 - y**2) # 0度像散 w += coeff[2] * (2 * x * y) # 45度像散 w += coeff[3] * (y * (3 * r2 - 2)) # 沿y的彗差 w += coeff[4] * (x * (3 * r2 - 2)) # 沿x的彗差 w += coeff[5] * (6 * r2**2 - 6 * r2 + 1) # 球差 return w def make_psf(size_px=128, aperture=0.8, coeff=None): # 在[-1,1]x[-1,1]的正方形上建立坐标，瞳孔半径归一化为1 y, x = np.mgrid[-1:1:size_px*1j, -1:1:size_px*1j] pupil = (x**2 + y**2 <= aperture**2).astype(float) if coeff is None: coeff = np.zeros(6) # 瞳孔上的复振幅 = 孔径掩模 * 相位偏差 wv = zernike_wavefront(x, y, coeff) field = pupil * np.exp(1j * 2 * np.pi * wv) # 远场衍射：傅里叶变换得到PSF psf = np.abs(fft2(fftshift(field)))**2 psf = fftshift(psf) psf /= psf.sum() return psf这段代码的逻辑是：在归一化入瞳坐标下，用 Zernike 多项式构造波前差wv，瞳孔内透过率看作 1，瞳孔外是 0。复振幅经过一次傅里叶变换就得到远场光强分布，也就是 PSF。fftshift第一次是让瞳孔居中，第二次是让 PSF 中心移到数组中心，方便后续卷积。最后归一化保证所有 PSF 的总能量为 1，因为光学系统本身不增加能量，退化的图像整体亮度应该保持不变。
参数说明：size_px决定 PSF 的空间分辨率，太小会欠采样，太大计算变慢。常见经验是至少让艾里斑直径占 8 个像素以上，反卷积才有意义。aperture是入瞳半径占半尺寸的比例，模拟离轴系统的偏心遮挡时可以改成一个自定义掩模，这里先用圆孔简化。coeff 的数值以波长为单位，离焦 0.25 表示 0.25 个波长的离焦，这在真实光学系统里对应很明显的模糊；低于 0.01 的系数几乎可以忽略。
3.2 生成5×5网格PSF并模拟空间变化模糊
实际离轴三反的 PSF 随视场连续变化，我们按 5×5 网格离散化，每个网格节点仿真一个 PSF。用 vis 场坐标决定 Zernike 系数的方式要符合离轴系统的像差场特性，也就是像散和彗差随视场近似线性变化。
def generate_psf_grid(grid_size=5, psf_px=96, field_samples=None): # 视场坐标范围归一化成 [-1, 1] x [-1, 1] rows, cols = grid_size, grid_size if field_samples is None: field_samples = { 'ast_x': 0.012, # 像散随x视场的变化率 'ast_y': 0.008, 'coma_x': 0.020, # 彗差随x视场的变化率 'coma_y': 0.015, 'defocus': 0.003, # 残余离焦随视场的变化 } psf_grid = np.zeros((rows, cols, psf_px, psf_px)) for i in range(rows): for j in range(cols): # 归一化视场坐标，从(-1,-1)到(1,1) fx = -1 + 2 * i / (rows - 1) fy = -1 + 2 * j / (cols - 1) coeff = np.array([ field_samples['defocus'] * (fx + fy), field_samples['ast_x'] * fx, field_samples['ast_y'] * fy, field_samples['coma_x'] * fx, field_samples['coma_y'] * fy, 0.0 # 球差设成常数或也随视场变化 ]) psf_grid[i, j] = make_psf(psf_px, aperture=0.75, coeff=coeff) return psf_grid这个生成函数把每个视场坐标映射成一组 Zernike 系数。需要强调的是，这些变化率参数不是拍脑袋定的，而是应该从光学设计软件（Code V、Zemax）里导出的真实视场像差拟合得到。仿真阶段的field_samples只是占位值，让你先把算法跑起来。如果你面前有一份真实系统的 Zemax 多视场波前系数表，替换进去就行。
生成 PSF 网格后，再写一个空间变化退化函数，对每个图像块用对应的 PSF 做卷积：
from scipy.ndimage import convolve def space_variant_degrade(image, psf_grid, block_ratio=0.2, overlap=24): # image: 地面真值图像，float型，范围[0,1] # psf_grid: (rows, cols, p, p)，由generate_psf_grid得到 h, w = image.shape rows, cols = psf_grid.shape[:2] bh, bw = int(h * block_ratio), int(w * block_ratio) # 保证块数匹配网格数 out = np.zeros_like(image, dtype=float) weight = np.zeros_like(image, dtype=float) for i in range(rows): for j in range(cols): # 取带重叠的块 r0 = max(i * bh - overlap, 0) r1 = min((i + 1) * bh + overlap, h) c0 = max(j * bw - overlap, 0) c1 = min((j + 1) * bw + overlap, w) block = image[r0:r1, c0:c1] psf = psf_grid[i, j] blurred = convolve(block, psf, mode='nearest') out[r0:r1, c0:c1] += blurred weight[r0:r1, c0:c1] += 1 out /= np.maximum(weight, 1) return out这个退化函数非常贴近真实物理：每个视场中心区域用对应的 PSF 卷积，块与块之间留重叠区，最后用重叠计数归一化。mode='nearest'是为了避免块边缘出现补零黑边，实际探测器上也不存在黑边。block_ratio 是分子块边长占图像边长的比例，5×5 网格对应 block_ratio=0.2，正好把满幅切匀；重叠区 overlap 越大，相邻视场 PSF 的过渡越平滑，但同时边缘区域 PSF 与中心区域 PSF 互相污染。仿真阶段建议 overlap 取 PSF 一半宽度以上。
3.3 仿真参数怎么设：网格密度、PSF采样和block尺寸
这三个参数直接决定你的重建结果上限。网格密度视场扩展的关键：网格太稀，PSF 插值误差大；网格太密，标定成本指数上升。我的经验标准是：相邻网格中心之间 PSF 的相似度（归一化互相关）不低于 0.95。用 5×5 网格覆盖全视场，通常就足够描述 2°～5° 视场的变化；如果系统像差变化剧烈，加密到 7×7。
PSF 采样尺寸方面，别小于 64×64。离轴三反的边缘 PSF 常常有很长的彗尾，尺寸太小截断会导致反卷积时出现周期性和振铃。block 尺寸最好对应一个“像差变化可以忽略”的子视场，也就是说，在这个 block 内 PSF 变化系数小于 5%。实际项目中这个值由像差场曲线决定，我从低阶场线性变化出发，image 512×512、5×5 网格、block_ratio=0.2 是合理的起点。
4. 分块 Richardson-Lucy 重建：拿回大视场图像的完整代码
退化仿真做完，接下来是核心：如何从退化图像里恢复出大视场清晰图像。非对称系统的空间变化 PSF 反卷积，我首选 Richardson-Lucy（RL），因为它能保证非负解，并且对 PSF 的误差容忍度比 Wiener 滤波高一些。Wiener 滤波在 PSF 有频域零点或噪声大的时候容易产生负值和光晕。当然 RL 也不是没有缺点，迭代次数多了会把噪声放大成颗粒，所以得配合正则化手段。
4.1 为什么全图用一个PSF反卷积会翻车
很多人刚开始做空间变化复原时，会图省事取系统中心视场 PSF 做全图反卷积。对离轴三反这种非对称系统，这么做几乎是必翻车：边缘视场的 PSF 和中心视场 PSF 差异过大，你用 A 位置的 PSF 去反卷积 B 位置的模糊，等于用错误的卷积核求解，在数学上就是对真实场景的一种“过度拟合”。结果表现为边缘出现梳状振铃、彗星形伪影，严重时边缘区域的纹理被完全破坏，比原图还难看。
所以正确做法是“以子之矛攻子之盾”：在每一个子块上，使用该子块中心对应的空间变化 PSF 做反卷积，再拼起来。下面这份代码是我在实际项目里一直在用的分块 RL 实现。
4.2 RL迭代与分块拼接的Python实现
from scipy.signal import fftconvolve def rl_deconvolve(blurred, psf, iterations=30, eps=1e-8): # blurred: 单帧退化裁剪图，float32 # psf: 该视场的点扩散函数，形状与blurred等大或略小，需要先归一化 psf = psf.astype(np.float32) psf /= psf.sum() # 转置卷积核，RL更新的核心 psf_rot = psf[::-1, ::-1].copy() # 初始估计取一个接近退化的非负常数 est = np.clip(blurred, eps, None).copy() for _ in range(iterations): # 当前估计经过PSF卷积，模拟再次退化 reblur = fftconvolve(est, psf, mode='same') ratio = blurred / np.maximum(reblur, eps) # 用转置卷积更新估计 est *= fftconvolve(ratio, psf_rot, mode='same') # 每次迭代后约束非负，避免数值飘移 est = np.clip(est, 0, None) return est def space_variant_rl(blurred, psf_grid, block_ratio=0.2, overlap=24, iterations=30): h, w = blurred.shape rows, cols = psf_grid.shape[:2] bh, bw = int(h * block_ratio), int(w * block_ratio) result = np.zeros_like(blurred, dtype=float) weight = np.zeros_like(blurred, dtype=float) for i in range(rows): for j in range(cols): r0 = max(i * bh - overlap, 0) r1 = min((i + 1) * bh + overlap, h) c0 = max(j * bw - overlap, 0) c1 = min((j + 1) * bw + overlap, w) sub = blurred[r0:r1, c0:c1] # 每个块用该块中心对应的PSF重建 recon = rl_deconvolve(sub, psf_grid[i, j], iterations) result[r0:r1, c0:c1] += recon weight[r0:r1, c0:c1] += 1 result /= np.maximum(weight, 1) return result这段代码的流程是：先把整幅退化图像切成与 PSF 网格对应的子块，每个子块至少包含 overlap 一半的重叠区，独立跑 RL 迭代，再把所有子块的复原结果在同一坐标处相加并除以计数。这样做有两个好处：一是每个位置的重建都用了邻近两个以上 PSF 的结果，重叠区的过渡变得平滑；二是即使某个块的 RL 出现局部震荡，相邻块叠加后也能抑制一部分。
RL 的更新公式需要解释一下。fftconvolve(est, psf, mode='same')是在模拟“当前估计图像经过光学系统退化”的样子，然后用真实退化图除以这个模拟退化图，得到残差比例。转置卷积就是把残差“反投影”回估计图像，相当于告知当前估计哪些像素需要增强、哪些需要削弱。mode='same'保证卷积前后尺寸一致，但要注意 PSF 的尺寸不能太大，我一般控制在blurred尺寸的 1/4 以内，否则 same 卷积的边缘效应会把子块边界搞脏。
4.3 三个必调参数：迭代次数、重叠区宽度和psf网格插值
第一，迭代次数。经验值 25～50 次。太少了结构没恢复，边缘还是模糊；太多了背景噪声变成砂砾。判断标准是边迭代边看复原图像的 MTF 是否还在上升，或者用一个验证靶标做圆环能量测试。我一般先跑 30 次，效果不好再加密 PSF 网格而不是盲目加迭代，因为空间变化误差比收敛不足更致命。
第二，重叠区宽度。建议取 PSF 尺寸的一半以上。如果 overlap 设为 0，分块之间的亮度会是台阶状跳变；overlap 足够，叠加平均能消除跳变。但 overlap 太大会让子块退化成近似全图，失去了空间变化的优势。好的起始值是 PSF 宽度的 60%，比如 PSF 96×96，overlap 取 48 像素。
第三，PSF 插值。如果你的系统实际 FOV 不是恰好落在网格节点上，就别用最近邻。一种可靠做法是用双线性插值生成所需位置 PSF：
def interpolate_psf(psf_grid, fx_idx, fy_idx): # fx_idx, fy_idx 是连续网格索引，比如 2.3 表示第2行和第3行之间的位置 i0 = int(np.floor(fx_idx)) i1 = min(i0 + 1, psf_grid.shape[0] - 1) j0 = int(np.floor(fy_idx)) j1 = min(j0 + 1, psf_grid.shape[1] - 1) a = fx_idx - i0 b = fy_idx - j0 psf = ((1 - a) * (1 - b) * psf_grid[i0, j0] + a * (1 - b) * psf_grid[i1, j0] + (1 - a) * b * psf_grid[i0, j1] + a * b * psf_grid[i1, j1]) psf /= psf.sum() return psf这个插值函数在网络标定和实时重建之间搭了一座桥。实拍时不可能对每个像素都测 PSF，但你可以用稀疏网格标定，然后在重建时对每个块插值出更准确的 PSF。
5. 避坑：空间变化PSF重建最容易踩的五个坑
这套方法看着简单，跑起来全是细节。以下五个问题我在项目里几乎全踩过，每条都给出可复现的排查路径。
5.1 现象：边缘区域振铃和彗星样伪影
用中心视场 PSF 重建全图的典型翻车现象，就是边缘出现沿一个方向拖尾的伪影，像彗星一样。原因是离轴三反边缘视场的彗差很大，PSF 本身就有一条亮尾，你用中心 PSF 去反卷积，等于认为这条尾不存在，于是算法把 PSF 的尾部能量误判成图像中的物体边缘，强行反向增强。
解决方法是严格做分视场 PSF 重建，不要偷懒取单 PSF。如果分块重建后仍有振铃，检查每个子块的 PSF 有没有和该块中心坐标对齐。我见过一个案例，PSF 网格标定时原点在左上角，重建时按右下角取坐标，结果所有块都错位了一个网格，振铃反而更严重。用模拟退化数据做闭环验证，能从根上跳过这个坑。
5.2 现象：分块边界出现棋盘格
分块重建后图像像一块块拼接的豆腐，边界处亮度断崖或呈接缝，通常由两个原因造成。一是 overlap 设得太小或者根本没设，两块重建图在缝处没有重叠区域做过渡。二是不同块的 RL 迭代次数不一致，或者 PSF 没归一化，导致灰度水平漂移。
解决方法是把 overlap 开到 PSF 半径以上，并且在叠加时用权重斜坡而不是直接平均。一个更省事的技巧是在空间域给重叠区加 Hann 窗，叠加权重从 1 平滑过渡到 0，基本能消除接缝。注意归一化：每个 PSF 都必须除以自身总和，否则不同块亮度相差 10% 以上，加权也救不回来。
5.3 现象：重建噪声被RL迭代放大成砂砾
RL 迭代更新在运算上等价于逐步逼近真实解，但这是一个 ill-posed 问题，噪声在高频被放大。尤其在暗光场景，探测器读取噪声和散粒噪声叠加，刚跑十几次迭代，原本平滑的天空背景就变成密密麻麻的砂粒。
解决思路有三条。第一，保证输入图先做平场校正和死像素去除，把固定图案噪声先干掉。第二，RL 加高频抑制，我一般会在每次迭代后对估计图像做一次轻度高斯平滑，相当于 soft TV，能很好抑制颗粒。第三，迭代次数不要太贪，停早一点。如果 20 次和 60 次的视觉效果差不多，选 20 次，因为 60 次只是在把噪声洗得更清晰。
5.4 现象：温度变化让标定PSF失效
离轴三反的结构是碳纤维镜筒加铝镜框，温度每变化几摄氏度，镜间距、曲率半径稍变，PSF 就会产生离焦变化，标定时的 PSF 不再适用，重建结果直接出现伪纹理。这是工程化时最大的坑。
我的做法是给系统建立两个维度的 PSF 库：一是视场网格，二是温度/焦距。仿真阶段就加入离焦不确定性，也就是每个视场位置的 coeff 不光随视场变，还附加一个全局离焦项。重建前先用星点实时估计离焦量，再在预存的离焦 PSF 库里插值。这样做的系统鲁棒性会好很多。
5.5 现象：重建MTF上不去，分辨率不升反降
有时候重建完，测试靶标上的条纹边缘依旧发糊，甚至比退化图还差。这通常说明 PSF 的采样小于真实光学系统的分辨率极限。你可能把 PSF 生成了 32×32，但系统衍射极限对应的 PSF 直径需要 64×64 才不至于截断，欠采样导致反卷积把本应连续的信息当成噪声处理。
另一个常见原因是 PSF 生成时 pupil 里没考虑到离轴系统的局部遮拦。离轴三反的出瞳不是完整圆孔，而是带有切边的形状，如果你用圆孔拟合，PSF 的高频细节丢失，重建结果自然受限。最好直接从设计文件的出瞳数据中导出现场 PSF，而不是用 Zernike 近似。
6. 验证和进阶技巧：把重建算法嵌进光学设计闭环
算法跑通只是开始，要让人信服这套视场扩展方法是可靠的，必须做定量验证。
6.1 用星点网格和MTF曲线给重建质量打分数
仿真阶段，我会同时准备三样东西：地面真值图、退化图、重建图。重建图与地面真值的 PSNR 和 SSIM 是最直观的评价指标，但这两个指标容易掩盖局部细节问题，所以我额外做靶标验证。在仿真场景里放置一排等间隔的星点（模拟无穷远处的点光源阵列），退化后重建，测量每个星点的半高全宽和能量集中度。计算恢复后的 Strehl 比，我一般要求恢复到 0.8 以上才算合格，对应的 MTF 曲线在奈奎斯特频率处不低于 0.1。
写一个简洁的 MTF 计算函数：
def mtf_from_psf(psf): psf = psf.astype(np.float32) psf /= psf.sum() otf = fft2(psf) mtf = np.abs(fftshift(otf)) mtf /= mtf.max() return mtf这个函数把 PSF 转成 OTF，取模后归一化就得到 MTF。在验证管线里，可以对重建后的星点图做一个梯度统计，或者从图像中提取 PSF 轮廓再算 MTF，方法一致。记住 MTF 是相对值，关键看趋势：重建图在低频段应该逼近 1，高频衰减比退化图显著改善，同时不要在特定频率出现跳变，跳变往往是振铃或网格插值不当造成的。
6.2 从仿真到实拍：PSF标定与离线插值管线
从仿真转到实拍时，标定策略非常关键。不要试图标满整个视场的 PSF，太耗时。常见的做法是在标定板上布置稀疏点源网格，比如 5×5 或 7×7，利用点源图像切割出各自的 PSF，然后通过插值生成任意位置的 PSF。这样节省标定时间，又保留空间变化细节。标定时要保证点源探测器过曝不多，否则 PSF 的光核被截断，反卷积会出现能量丢失。
在工程落地上，我把重建管线拆成两个阶段：离线标定和在线重建。离线阶段生成 PSF 网格库并压缩存储；在线阶段只做插值、分块 RL 和拼接。计算热图上，512×512 图像、5×5 PSF 网格、30 次 RL 迭代，在普通 CPU 上大约需要几十秒，GPU 加速后可以压到 1 秒以内。这已经能满足不少非实时成像场景，比如工业检测、遥感对地观测。
最后说一个我的教训：第一次做离轴三反视场扩展时，我把全部精力花在优化光学系统上，总想着把全视场像差压下去，结果机械装调公差和温度漂移把成绩全吃回去了。后来改成“光学达到 80%，其余交给算法”的思路，给重建留余地，反而让整个系统成本更低、像质更稳。如果你的光学系统已经定型，那就像做后悔药一样把这套空间变化 PSF 重建管线补上，先跑通标定、仿真、在环验证三个闭环，再回头调光学。希望帮到你。
本文还有配套的精品资源，点击获取
