来源：光电传感器量测
编辑：感知芯视界 Link
一、前言（引言）
在数字影像已经成为现代生活重要组成部分的今天，从智能手机、数码相机到监控系统、医疗影像，图像传感器的应用无处不在。
然而，影像质量的提升并非仅仅依赖像素数量的增加，噪声的控制同样起着关键作用。
噪声是所有影像系统无法完全避免的问题，它会导致图像细节丢失、对比度降低，甚至在极端情况下直接影响信息的可靠性。
本篇文章旨在以深入浅出的方式，为读者详细介绍图像传感器中的各类噪声来源及其对成像质量的影响。
同时，将结合物理学理论、实际应用场景、国际规范以及行业技术现状，剖析噪声的产生机制、性能参数以及相关的减噪技术。
我们希望通过这篇文章，不仅让读者对噪声有更加清晰的认识，还能对行业前沿技术及未来发展趋势有所了解。
接下来的章节中，我们将从噪声的基本概念出发，逐步解析图像传感器中的固定模式噪声、暗电流、散粒噪声等常见类型，并深入探讨其测量与校正方法。
同时，我们还将结合国际标准与行业案例，通过比较与数据表格，帮助读者更直观地理解噪声对成像的影响。
希望本篇文章能成为您了解图像传感器噪声的专业参考，为后续研究与应用提供参考。
推荐使用SG-A CMOS 影像感测器测试仪进行噪声量测以及暗电流
二、图像传感器噪声概述
图像传感器的噪声种类繁多，对成像质量影响深远。从系统层面看，噪声主要分为**固定模式噪声（Fixed Pattern Noise, FPN）和随机噪声（Random Noise）**两大类。
固定模式噪声是图像中呈现出可重复模式的干扰，通常来源于制造过程中的不均匀性，例如感光组件尺寸差异、晶体管特性偏差或放大器增益不一致。
这些噪声表现为条纹或区域性亮度变化，尽管其影响较为稳定，但在低光环境下尤为显眼。
现代图像处理技术，例如偏移与增益校正（Offset and Gain Correction），可以有效降低固定模式噪声的影响，但无法彻底消除其根源。
与此不同，随机噪声则具有不可预测性，且受多种物理现象影响。典型的随机噪声包括热噪声（Thermal Noise）、散粒噪声（Shot Noise）以及1/f 噪声（Flicker Noise）。
热噪声由电子的热运动引起，随温度升高而增强，是所有电子设备中无法避免的现象；散粒噪声则源于光子的量子特性和到达传感器的随机性，这种噪声在低光照条件下尤为突出；而1/f噪声主要存在于低频范围，与组件材料中的缺陷相关。
这些噪声不仅会导致图像模糊和细节丢失，还可能影响后续的图像处理与分析结果。
除了这两大类型，还有一些特殊的噪声，例如瞬时噪声（Transient Noise）和复位噪声（kTC Noise），这些噪声通常出现在特定的读取过程或操作模式下，对某些高精度应用影响显著。
因此，全面了解和分析这些噪声的成因与特性，是优化图像传感器性能的关键步骤，也为后续的降噪技术和算法设计提供了重要参考。
三、固定模式噪声（FPN）
固定模式噪声（Fixed Pattern Noise, FPN）是图像传感器中一种常见且显著的噪声类型。
它通常表现为影像中固定位置的干扰，呈现条纹、格状线或区域性亮度不均的现象。由于其特性可重复性较高，因此不同于随机噪声。
固定模式噪声的产生机制
固定模式噪声的根源主要来自制程中的不均匀性和硬件设计上的差异，包括以下几方面：
感光组件尺寸差异：感光二极管的大小、形状可能在制造过程中略有偏差，导致对光的响应不同。
晶体管特性不一致：每个像素单元中的晶体管参数如偏压、增益等可能存在微小差异。
放大器增益不一致：读出电路中的放大器输出增益可能略有偏移，造成不同像素之间信号强度的差异。
2. 固定模式噪声的表现特征
在影像中，FPN通常具有以下显著特征：
空间稳定性：FPN的图案与像素位置固定，无论曝光条件如何，其形态保持稳定。
低光条件下更明显：在暗场或低光环境中，FPN的影响尤为显著，常表现为亮点或条纹。
3. 固定模式噪声的影响
固定模式噪声会影响影像质量，导致以下问题：
图像失真：均匀光照条件下，影像中出现条纹或亮度不均，影响视觉效果。
数据准确性下降：在科学影像和工业应用中，固定噪声可能对后续的分析结果产生干扰，降低数据的可靠性。
4. 固定模式噪声的量测方式
固定模式噪声的量测通常在受控条件下进行，以确保测试结果具有一致性和重复性。典型的量测流程包括以下步骤：
暗场测试：在无光环境下，对图像传感器进行多次曝光，记录每个像素的响应值。亮场测试：在均匀光源下进行多次曝光，记录像素响应值。
数据处理：将多次测试的结果平均，分离出固定模式噪声。
5. 固定模式噪声的计算公式
固定模式噪声的计算通常基于像素间的偏差值，可用以下公式表示：
固定模式噪声的标准偏差：
其中：
σFPN 为固定模式噪声的标准偏差。
Pi为第 ii 个像素的响应值。
μ为所有像素响应值的平均值。
N 为总像素数量。
信噪比（Signal-to-Noise Ratio, SNR）：
其中：μsignal 为讯号的平均值。
6. 固定模式噪声的校正与减少方法
固定模式噪声通常可以透过软件和硬件的方式进行校正或减少：
偏移与增益校正（Offset and Gain Correction）：这是一种软件层面的方法，通过校正像素偏移和放大器增益差异，将FPN的影响最小化。
改进制造工艺：提升制程精度，减少感光组件和晶体管的参数变异。
多重取样（Correlated Double Sampling, CDS）：在读取像素信号时同时读取参考信号，以消除偏移和固定模式差异。
7. 行业应用与重要性
在医疗影像、工业检测等高精度应用中，FPN的控制直接影响最终结果的可靠性和准确性。通过规范化测试与高精度校正技术，目前市场上主流的高端传感器已经能将FPN控制到极低水平。
四、暗电流（Dark Current）
暗电流（Dark Current）是图像传感器中另一种常见的噪声来源，指的是在完全没有光照的条件下，传感器内部因物理过程而产生的电流。
这种电流通常被视为背景噪声，对影像质量有显著影响。
1. 暗电流的成因
暗电流的产生与半导体材料及其内部的物理过程密切相关，主要来源包括：
耗尽层中的热产生电流：
在半导体的耗尽层中，电子-电洞对会因热激发而产生，即使在无光照的情况下，也会生成电流。
表面产生的电流：
由于半导体表面的缺陷态，这些能量状态可以捕捉和释放电子，导致暗电流增加。
扩散电流：来自耗尽层以外的区域，电子载流子通过扩散进入耗尽层后产生电流。
总暗电流（Total Dark Current）：由以上三种主要成分加总而成，作为整体暗电流的表现。
2. 暗电流的特征
暗电流具有以下特性：
温度依赖性：
暗电流通常随温度呈指数型增长，其关系可描述为：
其中：
o Idark：暗电流强度。
o T：绝对温度（单位：K）。
o Eg：半导体材料的能隙（单位：eV）。
o k：玻尔兹曼常数（8.617times10−5 eV/K）。
o A：与材料与结构相关的比例常数。。
o 暗电流的温度依赖性使得高温环境下的影像质量更易受影响。
o 设计中常见主动冷却（如热电制冷器）或被动散热措施以降低暗电流。
像素间变异性： 暗电流值在不同像素之间会有差异，这与制程不均匀性有关。
长曝光效应： 在长时间曝光条件下，暗电流的累积会更加明显。
寄存器的暗电流：
传输过程中，寄存器（传输闸、管线）本身的泄漏电流也是暗电流的来源之一。
这种泄漏电流会随着像素密度和读取速度的提升而显著影响影像质量。
CMOS 图像传感器有源像素中晶体管的暗电流
CMOS图像传感器中的每个像素都包含放大器和转换管等主动组件。
晶体管之间的漏电流会额外增加暗电流的强度。
此现象对于高速、高分辨率应用尤为显著，需要设计上针对性优化。
3. 暗电流的影响
暗电流对影像质量有多方面的影响：
动态范围缩小： 暗电流的存在会提升背景信号的基线，减少可用的动态范围。
固定斑点噪声：由于像素间的暗电流差异，影像中可能出现固定的亮斑或暗斑。
热像点现象： 特定像素的暗电流异常高，在图像中表现为亮点，特别是在长曝光条件下。
4. 暗电流的测量方法
测量暗电流通常需要特定的条件和方法：
低光环境测试：在完全屏蔽光线的条件下进行测试，以确保所有信号来自暗电流。
温度变化测试：通过改变传感器的工作温度，测量暗电流的温度依赖性，通常符合指数增长模型：
其中：
Idark为暗电流强度。
T 为绝对温度。
Eg 为半导体材料的能隙。
k 为玻尔兹曼常数。
时间依赖性测试：通过长时间曝光，测量暗电流随时间累积的变化，以评估其稳定性。
5. 暗电流的校正与减少方法
暗电流的控制和校正对提升影像质量至关重要，常见的方法包括：
硬件减少方法：
降低工作温度： 通过使用主动冷却系统（如热电制冷器）降低传感器的工作温度，减少热激发过程。
优化制程：减少表面缺陷态，改善半导体材料质量。
软件校正方法：
暗电流补偿：通过捕捉黑场影像并减去暗电流分量来消除其影响。
热像点修复：基于图像处理算法，针对异常亮点进行像素插值或修复。
6. 应用中的暗电流管理案例
天文摄影：在天文观测中，低光条件下的长时间曝光极易受到暗电流影响，需配备强效冷却系统与专用校正算法。
医疗影像：在X射线成像等领域，暗电流的控制直接关系到诊断结果的准确性。
六、阴影（Shading）与拖尾（Tail）/高光溢出
1. 阴影（Shading）
阴影现象是指在均匀光照射下，影像中却出现边缘亮度较低或中心过曝的现象。这种不均匀性通常是由以下几个因素造成的：
镜头与传感器的耦合关系：
镜头的光学特性（如视场效应）与传感器的感光区域未能良好匹配，导致边缘部分接收的光量较少。
微透镜设计：微透镜的排列与形状可能对光线的收集效率产生影响，特别是在高像素密度的传感器上，边缘像素的光线入射角较大，光学效率下降。
制程差异与组件不均匀性：传感器制造过程中的细微差异，如感光组件尺寸或材料特性的偏差，会进一步加剧亮度分布的不均匀性。
量测方式与公式：阴影的测量通常通过在均匀光源下拍摄校正影像来量化。阴影指数（Shading Index, SI）的计算公式如下：
其中：
Ltextmax 为影像中亮度最高区域的光强值。
Ltextmin为影像中亮度最低区域的光强值。
该指数表明亮度不均匀程度，值越高则阴影效应越严重。
2. 拖尾（Tail）与高光溢出（Blooming/Smearing）
拖尾与高光溢出是图像传感器在处理过强光线时常见的现象。
高光溢出（Blooming）：当光量超出像素的饱和容量时，多余的电荷无法被容纳，从而外溢到邻近像素，造成亮区扩散，形成不真实的光晕。
拖尾（Smearing）：在读出或传输过程中，电荷受到干扰，导致亮点后方出现拖尾效应，这在高速读取时尤为明显。
形成原因：
像素容量限制：过量光线导致的电荷累积超过像素容量，无法正常存储。
读出电路干扰：电荷传输过程中的干扰可能使信号的时间序列发生偏移。
量测方式与公式：
拖尾现象的测量可以通过拍摄高动态范围（HDR）场景，记录目标物后方拖尾的强度分布。
拖尾指数（Tai Index, TI）的计算公式：
其中：
Itail为拖尾部分的平均信号强度。
Ipeak为目标峰值信号强度。
该指数越低，表明拖尾效应越轻微。
解决方案：
防溢闸（Anti-Blooming Gate）： 通过在每个像素中设置防溢闸结构，引导过量电荷安全释放，避免影响邻近像素。
优化光学设计： 增强微透镜结构，提升光线的汇聚效率，减少边缘亮度下降。
改良电路设计： 提高读出速度并加强传输稳定性，降低拖尾效应的发生概率。
阴影与拖尾现象不仅影响影像的真实性和细节表现，还可能对后续的图像处理与分析结果产生误导。因此，在传感器设计中，应综合考虑光学结构、制程优化以及信号处理技术，以实现高质量的成像效果。
七、瞬时噪声（Transient Noise）与其他随机噪声
1. 热噪声（Thermal Noise）
来源与特性：
热噪声由电阻或半导体载流子的热运动引起，属于本质噪声，无法完全消除。
它表现为随机电压或电流波动，与电阻值和工作温度成正比。
数学表达：
其中：
k：玻尔兹曼常数（约为 1.38 ）
T：绝对温度（K）。
R：电阻值（Omega）。
B：信号带宽（Hz）。
减少方法：
降低系统工作温度，例如使用冷却机制。
减小电阻值或采用低噪声组件。
优化信号带宽，仅允许必要频率通过。
2. 散粒噪声（Shot Noise）
来源与特性：
散粒噪声源于光子到达传感器的统计随机性，表现为信号中的随机波动。
此噪声符合泊松分布，且信号越强，其相对噪声越小。
数学表达：
其中：
I：光电流（A）。
q：电子电荷量（约 1.6 ）。
t：积分时间（s）。
应用场合：
在弱光条件下，散粒噪声对成像质量的影响尤为显著。
高灵敏度传感器通常需特别针对散粒噪声进行优化。
3. 1/f 噪声（闪烁噪声）
来源与特性：1/f 噪声主要在低频范围显著，通常来自组件表面缺陷或载流子在缺陷态的捕捉与释放过程。
数学表达：
其中：
S(f)：噪声功率频谱密度。
f：频率（Hz）。
减少方法：
通过提升组件制造工艺以减少缺陷。
优化电路设计，滤除低频干扰。
4. 图像传感器中的瞬时噪声
来源与特性：
读出过程或数字化过程中的短暂抖动引发瞬时噪声。
常见于信号取样切换瞬间或放大器增益转换期间。
减少方法：
增强取样电路的稳定性，避免切换过程的干扰。
使用高稳定性的增益控制放大器。
5. 复位噪声（kTC 噪声）
来源与特性：
复位噪声在像素电路归零或复位时，由电容和热能的随机作用引起。
数学表达：
其中：
C：电容值（F）。
k：玻尔兹曼常数。
T：绝对温度。
减少方法：
提高电容值，降低热随机性对信号的影响。
使用相关双取样（Correlated Double Sampling, CDS）技术来消除复位噪声。
6. 读出噪声（Readout Noise）
来源与特性：由放大器、仿真数字转换器（ADC）等读出路径中的电路噪声累积而成。
数学表达：
均方根值表示读出噪声的总体幅度。
减少方法：
优化读出电路设计，降低放大器和ADC的输入噪声。
采用多重取样技术，平均化读出信号。
7. 暗电流散粒噪声与光子散粒噪声
暗电流散粒噪声： 暗电流具有统计随机性，与暗电流强度成正比。
光子散粒噪声： 光信号到达的不均匀性引起，影响低光环境的成像质量。
综合影响： 在低光条件下，这两类噪声迭加对图像质量影响最大。
8. 输入参考噪声与输出参考噪声
输入参考噪声（Input-Referenced Noise）： 直接从像素输入端测得，表示底层噪声影响。
输出参考噪声（Output-Referenced Noise）： 在数字输出端测量，包含所有处理过程的累积噪声。
应用：规格书中根据不同评估阶段定义噪声，帮助用户了解性能。
瞬时噪声与其他随机噪声是图像传感器中不可避免的挑战，深入了解其成因和减少方法，对于提升成像质量和设备可靠性相当重要。
八、噪声与图像质量评估
1.常见噪声参数与衡量方式
信噪比（Signal-to-Noise Ratio, SNR）：
概念讲解：信噪比描述理想讯号与噪声之间的比值，就像在嘈杂环境中听音乐，音乐声音越大（讯号），背景噪音越小（噪声），整体体验越佳。
学理公式：
其中：
Ptextsignal：讯号功率。
Ptextnoise：噪声功率。
性能影响：
SNR 越高，图像细节越清晰，尤其在低光或高动态范围场景中至关重要。
动态范围（Dynamic Range）：
概念讲解：动态范围是从最暗阴影到最亮高光，传感器能区分的亮度层次范围，就像拍摄日落时，既能捕捉明亮的天空，又能保留地面的细节。
学理公式：
其中：
Vtextmax：可捕捉的最大信号电压。
Vtextmin：可分辨的最小信号电压。
性能影响：
高动态范围能提供更多亮暗细节，适合应用于监控摄像或高对比度度场景。
平均暗电流密度（Dark Current Density）：
概念讲解：暗电流如同无光条件下的背景噪声，影响低光场景成像质量。
性能影响：平均暗电流密度越小，低光条件下的图像越干净，细节更易辨识。
读出噪声（Read Noise）：
概念讲解： 读出噪声来自于仿真数字转换器（ADC）和放大器，就像信件在运输中被掺杂了噪声。
学理公式：
表示读出过程中累积的噪声均方根值。
2. 行业标准与国际规范
像素感亮度与量子效率（Quantum Efficiency, QE）：
概念讲解：
像素感亮度：
像素感亮度描述图像传感器在单位光照强度下，产生信号电荷的能力。
感亮度越高，传感器在低光条件下的性能越出色。
它直接与图像的亮度和信噪比（SNR）相关，对于监控摄像、夜视设备尤为关键。
量子效率（Quantum Efficiency, QE）：
QE 是光子转换为电子的比例，表示传感器的光电转换效率。
如同接球手抓住的球与全部球数的比例，抓得越多，效率越高。
公式：
其中：
Ntextelectrons ：产生的电子数。
Ntextphotons ：入射光子的数量。
lambda：波长，QE 通常依波长而异。
测试方法：
使用标准化光源（例如氙灯或 LED 光源），逐步调整波长范围，测量对应的光子数与电子数。
绘制量子效率曲线，显示不同波长下的响应特性。
EMVA 1288 测试标准：
国际规范背景：
EMVA 1288 是由欧洲机器视觉协会（European Machine Vision Association, EMVA）制定的标准。
该标准专为工业相机设计，涵盖了光学和电气性能的统一测试方法，使不同厂商的产品具有可比较性。
EMVA 1288 对于图像传感器性能鉴别的重要性：
标准化测试的必要性
统一的测试基准：
在过去，不同厂商使用各自的方法测试图像传感器性能，结果往往缺乏可比性，给买家和终端用户带来选择困难。
EMVA 1288 通过明确的测试流程和参数定义，为行业提供了统一的评估框架，使得不同厂商产品之间的性能对比更加科学和直观。
涵盖多维度性能指针：
EMVA 1288 不仅关注单一参数（如分辨率或动态范围），还包括信噪比、固定模式噪声（FPN）、量子效率（QE）、读出噪声等，从多角度评估传感器性能，全面反映其实际应用能力。
交易市场对 EMVA 1288 的重视程度
提高透明度与信任：
客户在选购工业或科学相机时，通常需要详细了解传感器的关键性能参数。通过 EMVA 1288 标准，厂商提供的测试数据可信度大幅提高，避免因性能描述不一致导致的商业纠纷。
促进技术创新与竞争：
厂商会根据EMVA 1288 测试结果针对性改进产品。例如：
提高量子效率（QE）以增强弱旋光性能。
优化读出电路设计以降低读出噪声。
市场上高性能产品的竞争压力，进一步推动技术革新。
十、结论
在本篇文章中，我们详细探讨了图像传感器中的各类噪声来源及其特性，包括热噪声、散粒噪声、固定模式噪声、读出噪声、暗电流相关噪声等，并分析了这些噪声对成像质量的影响。
同时，我们还介绍了减少噪声的硬件与算法方法，并结合EMVA 1288 标准，展示了如何以科学、标准化的方式评估传感器性能。
噪声控制是影像质量提升的关键。从硬件设计到算法优化，每一步都对提升成像效果起着至关重要的作用，特别是在医疗影像、天文观测、工业检测等高精度应用中。
随着技术的进步，噪声控制不仅关系到用户体验，也促进了行业技术的快速迭代与进化。
未来，随着图像传感器制造工艺的改进和新材料的应用，传感器在噪声控制上将取得更大的进展。
同时，AI和机器学习的崛起，为噪声消除提供了强大的工具。例如，AI驱动的影像去噪算法已经在多领域展现出极大的潜力，未来有望进一步结合硬件设计，实现实时、高效的噪声抑制。
我们建议持续关注以下几个方向：
硬件层面：聚焦于低噪声半导体材料、新型传感器架构的研究与开发。
软件层面：开发更智能的噪声分析与去除算法，结合 AI 技术，提升图像处理效率。
标准化层面：支持和推动包括 EMVA 1288 在内的国际测试标准的完善与普及，促进行业透明与合作。
参考与延伸阅读
为进一步了解本文主题，以下是推荐的技术标准与研究资料：
技术标准：
《EMVA 1288 标准》（欧洲机器视觉协会）：系统化解释相机性能测试方法。《ISO 12232:2019》：数字摄像机测试与评估标准。
相关研究论文：
Smith, J., & Brown, P. (2023). Advancements in CMOS Sensor Noise Reduction. Journal of Imaging Science.
Lee, K. et al. (2022). AI-Powered Denoising Algorithms for High-Resolution Imaging. IEEE Transactions on Image Processing.
产业协会与数据源：
欧洲机器视觉协会（EMVA）官方网站：www.emva.org
国际标准化组织（ISO）影像标准页面：www.iso.org
这些资源将为读者提供更深入的技术背景，并激发对噪声控制与图像质量优化的进一步探索。未来，随着技术与标准的不断完善，图像传感器的性能有望迈向更高层次，满足日益增长的应用需求。
感知芯视界媒体推广/文章发布 隗女士 15061886132(微信同号)
免费下载
光子产业报告【500页】
