图像传感器噪声模型 我们先从“噪声”这个概念本身开始。在图像传感器（无论是CMOS还是CCD）的语境中，噪声指的是输出信号中非期望的、随机的波动。它并非来自被拍摄场景的光线信号，而是由传感器自身及读出电路产生，会污染真实信号，导致图像出现颗粒感、杂色或细节损失，从而降低图像质量。可以将其理解为照片中的“背景杂音”。 为了系统地理解和管理噪声，工程师们建立了“噪声模型”。这是一个数学模型，用于描述、量化并预测图像传感器中各种噪声源的总和效应。其核心思想是：总输出噪声的方差（或标准差的平方，代表噪声功率）等于各个独立噪声源方差之和。这使得我们可以分拆和评估每个噪声成分的影响。 接下来，我们深入分析构成总噪声的几个主要独立噪声源。这是噪声模型的核心组成部分： 散粒噪声 ：这是光的量子本性决定的根本性噪声。光子到达传感器像素是随机事件，服从泊松分布。噪声大小（标准差）与信号强度的平方根成正比。信号越强，散粒噪声的绝对值越大，但其相对影响（信噪比）会改善。 暗电流噪声 ：即使在没有光照（全黑）的情况下，由于硅材料的热激发，也会产生电子-空穴对，形成暗电流。暗电流的生成同样是随机的泊松过程，因此其噪声也服从平方根关系。它随传感器温度升高而显著增加。 读出噪声 ：这是将像素电荷转换为电压，并进行放大和数字化过程中引入的电路噪声。它主要来自像素内的源跟随器、列放大器以及模数转换器(ADC)的晶体管热噪声和闪烁噪声。读出噪声与信号强度无关，是一个相对固定的基底噪声，在低光照条件下对图像质量的影响尤为关键。 固定模式噪声 ：这是一种空间固定的非均匀性噪声。主要分为两种： 光响应非均匀性 （不同像素对相同光照的响应存在微小差异）和 暗信号非均匀性 （不同像素的暗电流大小不同）。FPN不是随机的，它在同一传感器上帧与帧之间是固定的，可以通过校准来大幅消除。 现在，我们将这些噪声源整合到完整的噪声模型中。对于数字输出的图像传感器，某个像素的最终数字化输出值（DN）所对应的电子数，其总噪声方差（σ_ total²）通常近似表达为： σ_total² ≈ N_signal + N_dark + σ_read² + σ_FPN² 其中， N_signal 是信号电子数（含散粒噪声）， N_dark 是暗电流电子数（含其散粒噪声）， σ_read² 是读出噪声方差（以电子数平方为单位）， σ_FPN² 是固定模式噪声方差。理解这个公式，就能定量预测在不同信号水平（如低光、高光）下图像的噪声水平。 最后，了解噪声模型的实际应用至关重要。它贯穿于图像传感器的设计、评估和使用全过程： 设计优化 ：指导工程师平衡各项参数，例如，通过增大像素尺寸或优化晶体管设计来降低读出噪声，或改进工艺以减少暗电流。 性能评估 ：用于计算关键指标，如 信噪比 （SNR = 信号 / 总噪声）和 动态范围 （DR = 满阱容量 / 读出噪声），这些是衡量传感器性能的核心。 图像处理 ：先进的图像处理算法（如降噪、HDR合成）需要依据噪声模型来估计每个像素的噪声水平，从而智能地调整处理强度，在去噪和保留细节之间取得最佳平衡。