2、低照度成像基础：光照物理、噪声来源（暗电流、读出噪声、光子散粒噪声）、动态范围与信噪比概念

在Edge AI摄像头项目中，低照度场景（如夜间安防、地下车库、星空观测）的模型适配之所以困难，根源并不在于算法本身，而在于物理层面的信号质量劣化。当环境照度降至1 lux以下时，传感器输出的电信号中，有用光子信号占比急剧下降，而各类噪声成分迅速占据主导。若不了解光照物理与噪声机制，后续的图像增强、去噪网络训练、ISP参数调优都将失去理论依据。本章从光子与电子的转换链路出发，拆解低照度成像的三大核心噪声源，并建立动态范围与信噪比的量化评估框架，为模型适配提供物理基准。

上图展示了从环境光照到数字信号输出的完整链路，以及三个关键噪声注入点。在低照度条件下，光子到达率极低（例如0.1 lux下，每像素每秒仅约100~1000个光子），导致信号幅度接近甚至低于噪声基底。理解这条链路中每个环节的物理约束，是后续进行ISP参数调整、训练数据合成、模型推理优化的前提。

2.1 光照物理基础：从辐射到电子的转换链路

低照度成像的本质是微弱光信号的捕获与放大。光在进入摄像头后，依次经过镜头（含红外截止滤光片）、微透镜阵列、彩色滤光片（Bayer阵列），最终到达光电二极管。每个环节都会引入光损耗，而光电转换效率（Quantum Efficiency, QE）决定了光子转化为电子的比例。

在工程实践中，我们通常用以下公式估算像素产生的信号电子数：

S_e⁻ = Φ_photon × A_pixel × T_lens × QE × t_exposure

其中，Φ_photon为光子通量密度（photons/s/m²），A_pixel为像素面积，T_lens为镜头透过率（含滤光片），QE为量子效率，t_exposure为曝光时间。以典型1/2.7英寸传感器、2.9μm像素为例，在0.1 lux照度、F1.4镜头、QE=0.4、曝光30ms条件下，单像素信号电子数约为200~500 e⁻。而满阱容量通常为10k~30k e⁻，这意味着信号仅占满阱的1%~2%，信噪比天然受限。

光照条件	典型照度(lux)	单像素光子数(30ms)	信号电子数(e⁻)	主要噪声源
晴天户外	10,000~100,000	10⁶~10⁷	10⁵~10⁶	散粒噪声（可忽略）
室内照明	100~500	10⁴~10⁵	10³~10⁴	散粒噪声为主
黄昏/路灯	1~10	10²~10³	50~500	散粒+读出噪声
无月夜空	0.001~0.01	1~10	0.5~5	读出噪声主导

从表中可以看出，当照度降至1 lux以下时，信号电子数已接近甚至低于读出噪声水平。此时，单纯增加曝光时间会引入暗电流噪声和运动模糊，而提高ISO增益则会同时放大噪声。因此，低照度模型适配必须首先明确当前工作点处于哪个噪声主导区间。

2.2 三大噪声来源的物理机制与工程影响

低照度成像的噪声可分解为三个独立分量，它们具有不同的统计特性和温度/曝光依赖关系。理解这些差异，有助于在模型训练中合成更真实的噪声，也有助于ISP选择正确的降噪策略。

2.2.1 光子散粒噪声（Photon Shot Noise）

光子到达像素的过程服从泊松分布，因此信号电子数S的方差等于其均值S。散粒噪声的标准差为√S，信噪比SNR_shot = S/√S = √S。这意味着信号越弱，散粒噪声的相对影响越大。例如，当S=100 e⁻时，SNR仅为20dB；当S=10000 e⁻时，SNR提升至40dB。散粒噪声无法通过硬件消除，只能通过增加光子收集量（增大光圈、延长曝光、提高QE）来改善。

2.2.2 暗电流噪声（Dark Current Noise）

暗电流是热激发产生的电子-空穴对，即使完全无光照也存在。其大小随温度呈指数增长（每升高7~8°C约翻倍），并随曝光时间线性累积。暗电流噪声同样服从泊松分布，标准差为√(I_dark × t)。在长曝光场景（如夜间安防的1秒曝光）中，暗电流可能成为主要噪声源。工程上常通过传感器制冷（如Peltier制冷）或暗帧减除（Dark Frame Subtraction）来抑制。

2.2.3 读出噪声（Read Noise）

读出噪声是信号从像素转移到ADC输出过程中引入的电子学噪声，包括复位噪声、源跟随器热噪声、列放大器噪声和ADC量化噪声。它不随曝光时间变化，是短曝光低照度场景下的主导噪声。现代CMOS传感器的读出噪声已可做到1~3 e⁻ rms，但低成本传感器仍在5~15 e⁻水平。读出噪声是限制动态范围下限的关键因素。

2.3 动态范围与信噪比：量化评估指标

动态范围（Dynamic Range, DR）定义为满阱信号与噪声基底之比，通常用dB表示：

DR = 20 × log₁₀(FWC / σ_read)

例如，FWC=30000 e⁻，σ_read=3 e⁻，则DR = 20×log₁₀(10000) = 80dB。但实际低照度场景中，由于暗电流和散粒噪声的存在，可用动态范围会进一步压缩。信噪比（SNR）则定义为信号功率与总噪声功率之比：

SNR = 20 × log₁₀(S / √(S + I_dark·t + σ_read²))

在模型适配中，SNR直接决定了图像的可辨识度。当SNR低于10dB时，目标检测算法的mAP通常会急剧下降；当SNR高于25dB时，算法性能接近正常光照水平。

SNR区间	图像质量描述	算法影响	推荐处理策略
> 30dB	噪声几乎不可见	算法性能接近正常光照	常规模型即可
20~30dB	轻微颗粒感	检测置信度略有下降	轻量去噪预处理
10~20dB	明显噪声，细节丢失	mAP下降20%~40%	需要专门低照度模型
< 10dB	噪声淹没信号	算法基本失效	需多帧融合或外部补光

2.4 实战场景：夜间停车场摄像头模型适配

某Edge AI摄像头项目部署于地下停车场，环境照度约0.5~2 lux，要求实现车辆检测与车牌识别。初始方案直接使用白天训练的YOLOv5s模型，夜间检测mAP仅0.32，远低于白天0.78的水平。通过分析成像链路，发现以下问题：

• 信号水平：在0.8 lux、曝光20ms、增益18dB条件下，实测信号电子数约350 e⁻，散粒噪声σ_shot≈18.7 e⁻。
• 暗电流：传感器温度约55°C（无主动散热），暗电流约2.5 e⁻/s，20ms曝光下暗电流噪声σ_dark≈0.22 e⁻，可忽略。
• 读出噪声：该传感器读出噪声σ_read≈8 e⁻（增益18dB时），总噪声σ_total≈√(18.7²+0.22²+8²)≈20.3 e⁻。
• SNR计算：SNR = 20×log₁₀(350/20.3) ≈ 24.7dB，处于“明显噪声”区间。

针对该场景，团队采取了以下适配措施：

1. ISP参数调整：将黑电平校准从32 DN提升至48 DN，以抵消暗电流偏置；开启2D/3D降噪，强度设为中等（避免拖影）。
2. 训练数据增强：在合成数据中注入泊松散粒噪声+高斯读出噪声（σ=8 e⁻），并模拟暗电流非均匀性（固定模式噪声）。
3. 模型结构微调：在YOLOv5s的Backbone前增加一个3×3卷积+BN层，用于自适应学习噪声特征。
4. 曝光策略优化：将最大曝光时间从20ms提升至40ms，同时启用运动检测，仅在静止场景使用长曝光。

适配后夜间mAP提升至0.61，车牌识别准确率从41%提升至73%。但代价是帧率从30fps降至22fps（长曝光+降噪耗时），且动态场景出现轻微拖影。复盘发现，若采用更高QE的背照式传感器（BSI），可在不增加曝光时间的情况下将SNR提升约3dB，进一步改善性能。

2.5 总结与模型适配要点

低照度成像的物理规律决定了模型适配的边界条件。核心要点可归纳为：

• 噪声主导区间判断：短曝光（<10ms）看读出噪声，长曝光（>100ms）看暗电流，中等曝光看散粒噪声。
• SNR是模型性能的预测指标：在模型训练前，先计算目标场景的SNR，据此决定是否需要专门的低照度模型或仅需数据增强。
• 合成噪声要匹配物理模型：训练数据中的噪声应包含泊松分量（与信号相关）和高斯分量（与信号无关），并考虑温度对暗电流的影响。
• ISP与算法协同优化：降噪强度过大会损失纹理细节，影响小目标检测；建议在ISP中保留部分噪声，让模型学习抑制，而非完全依赖预处理。