一亿像素的冲击力:哈苏 H6D-100c 测试(上)

2018 年 2 月 20 日 ZEALER订阅号 WHYLAB



开始之前,我们先来看一看 H6D-100c 的参数:



在本次测试中镜头方面选了两支:



一支定焦 HC 80mm F2.8,等效焦距 50mm 左右,主要数据测试都围绕着这支镜头来做的。



另一支是变焦 HC 50-110mm F3.5-4.5,等效焦距 33-70mm,部分样片采用这支镜头拍摄,在焦段灵活性上对上一支定焦头进行了补充。




▶▶▶



首先,我们看看一亿像素的解析力,用 80mm 定焦头来测的,测试环境为 D65 1000 Lux 光源,TE268-H 标版(最高分辨率支持 1.8 亿像素)。


▲ F2.8


为了便于对比,我们将上面部分数据汇总,同时加入了一台全画幅机型的数据供大家参考:


 

图中纵轴采用的是 MTF10 极限解析力,单位是 LP/PH,横轴为光圈档位,四条曲线分别对应 H6D 的中央和边缘解析力,对照机型的中央和边缘解析力,但是由于两台相机的光圈档位并不完全一致,图表中的数据大概对齐了一下,虽说不太严谨,但对比起来比较方便。

能够很明显地看出,H6D + 80mm 镜头的这套组合,哪怕在光圈全开状态下,最差的边缘解析力都能做到跟对照的全画幅机型中央解析力基本持平。而且中央解析力峰值平台,从 F2.8 光圈全开愣是一直持续到 F9.5,期间最高数值居然高达 3842 LP/PH ,甚至到 F19 都是可用的,表现非常惊人。对照组的全画幅机型解析力峰值为 2148 LP/PH,作为参考,常规相机的解析力数值大都在 1500 左右就够用了。

 

关于这个 MTF 数值怎么理解,大概意思是:

 

MTF 数值的输出结果是一组函数,用来描述:光电转换系统处理后的信号跟标版的原始信号比对的结果,信息保留的多,解析力就好。


不同的 MTF 数值表明了相机整体的成像特性,就跟看发动机动力输出曲线一样,不能只看最高峰值的那个点,要看各个转速下的扭矩特性,同样马力的发动机,不同的动力输出曲线能带来完全不一样的驾驶感受。


具体来讲:


MTF60 到 MTF80 区域就相当于对应的数值是这个镜头的高反差表现,主要记录物体的巨大明暗轮廓,例如......白色背景下的裸体奥尼尔。


MTF50 就常见了,相当于人眼最敏感的画面锐利度,黑和白之间的过渡是否清晰陡峭。


MTF10 意味着极限解析力,也就是对最细微细节记录的能力,例如拍风景什么的,远处山头上一棵树上面一片叶子的叶脉上的一根绒毛。


以上三个维度粗略决定了镜头或者相机的解析力风格是什么样子的,但实际上想要兼顾三者是非常非常难的,镜头反差过高往往细微细节的记录就会很难做,换算到数据里就是 MTF50 数值高了,MTF10 有可能不会特别理想,反过来也同样存在。


针对分辨率特性分析一下,黑白明暗对比反差很高,但是锐利度范畴表现平淡,反而在 MTF25 和 MTF10 区域数值抢眼。这种风格也的确符合中画幅的使用定位:记录细节为主,观感为辅。如果用多一些中大画幅相机,你会发现它们中的绝大部分照片在常规意义上的“锐”方面表现都不突出,甚至缩图还有点肉肉的,甚至没几千块的相机拍出来锐,但只要放大了看,扑面而来的细节优势就是压倒性的了。事实上,只要有足够的细微细节,对于经验丰富的摄影师来说,后期调出锐利的观感并不难。但也正是受制于这一点,超多细节的快感往往很难与人分享,大部分社交平台对于大尺寸的图片文件支持的都不好,说白了:没处显摆。


再一个就是边缘解析力下降的很厉害,只有中央一半不到(仍然高于大部分普通相机)。这在中画幅里很常见,原因比较复杂,各种公式就不讲了。通俗来说就是跟整个系统的光学设计有关,在任何规格相机镜头的成像范围内保持画质的均匀性都是很有挑战的,中画幅巨大的感光元件尺寸,意味着同样巨大的成像圈,在这么大范围内保证足够好的成像质量,还要配上个 F2.8 大光圈,难上加难。反过来看,粗略的说,画幅越小,配套镜头的均匀性指标越容易做好,多年前的 4/3 系统里面甚至用过垂直入射技术。

 

再通过棚拍照片来对比一下。


▼左:H6D 棚拍局部截图      ▽右:对照机型棚拍局部截图



▼左:H6D 棚拍局部截图      ▽右:对照机型棚拍局部截图



▼左:H6D 棚拍局部截图      ▽右:对照机型棚拍局部截图



▼左:H6D 棚拍局部截图      ▽右:对照机型棚拍局部截图



能够看出,右边的对照机型锐度明显要更高一些,但在 Microcontrast 微反差细节方面,无论印刷的字体,还是材质纹理的立体感上,H6D 配合 80mm 镜头的效果都是压倒性的。



宽容度方面,如上图所示,从欠曝 4 档到过曝 4 档一共拍了 9 张照片,通过后期逐一恢复至正常曝光,我们通过局部细节来看下它的后制宽容度。均采用 16bit Raw 文件拍摄。



▼左:H6D 棚拍局部截图      ▽右:对照机型棚拍局部截图

(图上数字表示原片曝光状态)



结论很明显,H6D 在 -4EV ~ 3EV 下都可以拉回来足够多的细节,来维持高光和暗部的平衡,中间调的红绿蓝三个线轱辘,色彩一直维持在可接受范围内,很给力。要求不是太苛刻的话,这些照片后制时候多费点心思都是可以用的。最后一张连加了4档曝光后,高光部分灰度反差信息还是有的,但色彩信息已经丢失拉不回来了。相对胶卷,数码相机在高光细节的记录能力上先天就要差很多。 H6D 看上去有点欠曝,实际是它出片子本身就是有点灰蒙蒙的高宽容度风格。


我们再看对照组某全画幅旗舰机的表现,可用范围在 -3EV ~ +1EV ,确实差蛮多,主要问题在于过曝的高光细节断裂,欠曝的暗部也会充斥噪点显得没有层次感,很难拉回来,同时更大的问题是色偏,上下几张照片的饱和度和色相都有偏移。但即便如此放在普通相机里也是相当不错的了。


另外,大家注意第一组 -4EV 的照片,在提亮后的暗部偏色情况,也是可以觉察的,H6D 的问题在于噪点分布偏紫红,对照组的相机则是偏绿。



在实际使用中,H6D 的高宽容度特性表现在后期调整时候有非常惊人的自由度,是你在普通相机上很难体会到的。我自己的感受是片子特别经得住拉,有些调整槽甚至都拉到头了,画质依然不会出现太重的劣化,你可以参考上面这组对比。技术上来讲,尺寸巨大 Sensor 先天的高动态范围优势意味着能够记录足够多的信息,原片里不明显一眼看不出来,但后期调整的时候这种隐性的优势才会凸显;从另一个角度考虑,H系列所面向的高阶商业摄影师群体,大部分人都具备极强的后期功底,宽容度的大小直接决定了他们可发挥的空间有多大。

 

噪点方面呢,我们用 Visual Noise,也就是视觉噪点来评估,有多个观察态,像图中的Set1,Set2,Set3 分别对应着三种不同的观察视距,再通过对应的 CSF 人类视觉函数换算得来的数值,大概意思是,你分别通过:1,百分百放大;2,在一块大尺寸的电脑显示器上;3,在手机屏幕上;这三个方式下看照片,对应的噪点感受。理解门槛有点高哈,你想,打印成同样大小的照片,4 个像素里面有一个噪点和 4 千万像素里面有一个噪点,观感能一样吗?当然不一样。Y 轴对应的噪点数值可以简单粗暴的理解:越低越好。大概的尺度是:2 以下意味着肉眼基本觉察不到,3 以上可以看到但不明显,4 以下的一般人都能接受,6 以上一般人都难以接受。


▼左:H6D 视觉噪点      ▽右:对照机型视觉噪点

ISO64


ISO100



ISO200


ISO400


ISO800


ISO1600


ISO3200


ISO6400


ISO12800


首先在 ISO64,100,200 低感光度的情况下,H6D 的纯净度方面相对全画幅机型是有明显优势的,尤其在中间调亮度上,这个优势更为明显。

ISO400 开始,Set1 观察态也就是百分百放大看,H6D 的暗部噪点已经可以觉察,对照组的表现会比它更好,但得益于 H6D 的像素数高的特性,在 Set 2,Set 3 观察态,也就是缩图状态下还是略有一丢丢优势。另外,发现蛮有意思的一点,就是对照组的全画幅机型在 ISO400 档位的噪点分布特性,很突兀地转变成了另一种风格,特别是在中间灰度区域,噪点居然比自己 ISO200 的时候还要好,猜测应该是启动了另外一套信号放大电路。


之后的 ISO800 到 ISO12800 大致趋势是,放大看噪点都不少,都挺明显的,比对照机型差很多,好在还是像素数够高,在缩图下勉强跟人家打平。


结论的话,考虑到 H6D 的出片用途,估计也没几个人会用到高感,常规把感光度压在 400 以内来用的话基本不用在意噪点。中画幅的画质优势都集中在低 ISO 区间,越低优势越明显。高感表现这个指标吧,同样是很多因素决定的,像素尺寸,配套电路设计,感光元件架构,denoise 算法,甚至起跳 ISO 数值等等都会影响最终表现。现在很多人都被手机厂家的宣传文案带歪,一味强调像素尺寸就有点片面了,很多 DSP 降噪方案像 3D DNR 之类的,也能够在硬件本身不占优的情况下提供极为出彩的高感表现。数码产品嘛,使用场景决定性能导向。


▼左:H6D 色彩表现       ▽右:对照机型色彩表现


色彩方面,我们看上面两组数据,测试环境 D65 光源,96 色色卡,分别展示了 Delta C 饱和度偏差 以及 Delta H 色调偏差。很显然,对比一下就能看出,H6D 的发色倾向异常保守,最抢眼的红绿蓝区块,它的饱和度都是明显下降的,尤其是最关键的绿色。但色调的准确度方面整体来看却又很准,误差很小。



▼左:H6D 棚拍局部截图      ▽右:对照机型棚拍局部截图


反映到实际观感上,直出的话,H6D  色彩显得比较保守,饱和度不高。对比之下,对照机型的色彩就要明艳活泼很多了,一看就很讨喜。为什么要这么做呢?归根到底还是之前说过的,使用场景决定的,哈苏用户群体压根就没几个直出的吧,保守的色彩风格更加适合后期处理,纯专业取向。

 

最后一项,边缘失光,也就是常说的暗角。我们用更形象一些的 3D 视图来看。中间向上凸起的绿色部分指画面中央区域,四周往下耷拉的是像场边缘。越往下垂说明暗角越严重,越平坦说明整个成像区域内亮度均匀性越好。


▲ F2.8


▲ F3.4


▲ F4.0


▲ F4.8


▲ F5.8


▲ F6.8


▲ F8


▲ F9.5


▲ F11


▲ F13


▲ F16


▲ F19


▲ F22


▲ F27


▲ F32


这枚 80mm 的标头在在光圈全开的情况下,边缘有 1.7 档的失光,面积百分比为 44.1%,边缘失光的量不大,但关键是下降趋势很猛,实际上很多年前我也测过几只施耐德的中画幅老头,印象里都表现接近甚至略差。毕竟要照顾这么大画幅,成像圈也要做大,在常规的 uniformity 均匀性方面先天就存在劣势。对照组单看降落伞图貌似好看一些,留意数据,其实是更差的,按说全画幅相比之下有成像圈小的优势,但实测也没占到多少便宜。



此外,如果用哈苏自家的 Phocus 软件对 Raw 文件导出的话,它会自动修正边缘失光至肉眼都觉察不到的程度,上面那组就是它修正过的数据,异常平坦。


▷▷▷


说了这么多数据上的东西,估计大家都腻了,那就先到这里吧,样张部分我们下篇再见。


登录查看更多
0

相关内容

【ACL2020-Google】逆向工程配置的神经文本生成模型
专知会员服务
16+阅读 · 2020年4月20日
神经网络的拓扑结构,TOPOLOGY OF DEEP NEURAL NETWORKS
专知会员服务
31+阅读 · 2020年4月15日
[CVPR 2020-港中文-MIT] 神经架构搜索鲁棒性
专知会员服务
25+阅读 · 2020年4月7日
【干货书】流畅Python,766页pdf,中英文版
专知会员服务
223+阅读 · 2020年3月22日
机器学习速查手册,135页pdf
专知会员服务
337+阅读 · 2020年3月15日
【中科大徐童】多模态语义理解与关联
专知会员服务
82+阅读 · 2019年12月7日
中国人设计的情趣玩具,让三十多个国家的女性欲罢不能
在警察领域高级人脸识别技术的一致性
计算机视觉战队
3+阅读 · 2019年5月15日
特斯拉首席设计师150页PPT详解其全自动驾驶芯片
智能交通技术
13+阅读 · 2019年5月1日
误差反向传播——CNN
统计学习与视觉计算组
28+阅读 · 2018年7月12日
中美日全球美女机器人大PK,哪一款是你想要的味道?
机器人大讲堂
4+阅读 · 2017年9月16日
有了场景和画像才懂用户
互联网er的早读课
6+阅读 · 2017年8月26日
从逻辑回归到最大熵模型
夕小瑶的卖萌屋
4+阅读 · 2017年7月11日
Do RNN and LSTM have Long Memory?
Arxiv
19+阅读 · 2020年6月10日
Geometric Graph Convolutional Neural Networks
Arxiv
10+阅读 · 2019年9月11日
Music Transformer
Arxiv
5+阅读 · 2018年12月12日
Learning Implicit Fields for Generative Shape Modeling
Arxiv
10+阅读 · 2018年12月6日
Arxiv
3+阅读 · 2018年5月11日
Arxiv
6+阅读 · 2018年3月28日
Arxiv
7+阅读 · 2018年1月10日
VIP会员
相关VIP内容
【ACL2020-Google】逆向工程配置的神经文本生成模型
专知会员服务
16+阅读 · 2020年4月20日
神经网络的拓扑结构,TOPOLOGY OF DEEP NEURAL NETWORKS
专知会员服务
31+阅读 · 2020年4月15日
[CVPR 2020-港中文-MIT] 神经架构搜索鲁棒性
专知会员服务
25+阅读 · 2020年4月7日
【干货书】流畅Python,766页pdf,中英文版
专知会员服务
223+阅读 · 2020年3月22日
机器学习速查手册,135页pdf
专知会员服务
337+阅读 · 2020年3月15日
【中科大徐童】多模态语义理解与关联
专知会员服务
82+阅读 · 2019年12月7日
相关资讯
中国人设计的情趣玩具,让三十多个国家的女性欲罢不能
在警察领域高级人脸识别技术的一致性
计算机视觉战队
3+阅读 · 2019年5月15日
特斯拉首席设计师150页PPT详解其全自动驾驶芯片
智能交通技术
13+阅读 · 2019年5月1日
误差反向传播——CNN
统计学习与视觉计算组
28+阅读 · 2018年7月12日
中美日全球美女机器人大PK,哪一款是你想要的味道?
机器人大讲堂
4+阅读 · 2017年9月16日
有了场景和画像才懂用户
互联网er的早读课
6+阅读 · 2017年8月26日
从逻辑回归到最大熵模型
夕小瑶的卖萌屋
4+阅读 · 2017年7月11日
相关论文
Do RNN and LSTM have Long Memory?
Arxiv
19+阅读 · 2020年6月10日
Geometric Graph Convolutional Neural Networks
Arxiv
10+阅读 · 2019年9月11日
Music Transformer
Arxiv
5+阅读 · 2018年12月12日
Learning Implicit Fields for Generative Shape Modeling
Arxiv
10+阅读 · 2018年12月6日
Arxiv
3+阅读 · 2018年5月11日
Arxiv
6+阅读 · 2018年3月28日
Arxiv
7+阅读 · 2018年1月10日
Top
微信扫码咨询专知VIP会员