4、线性化基础：传感器响应模型、光子转移曲线、线性度的定义与测量

好，我们进入第四章。前面聊了黑电平，那是图像质量的“地基”。现在要聊的线性化，是地基上的第一层钢筋。说白了，传感器到底怎么把光变成电信号的？这个转换过程有多“诚实”？这就是本章要解决的问题。

我个人习惯，在调任何ISP pipeline之前，第一件事就是先把传感器的线性响应摸清楚。为什么？因为后面所有的增益、校正、色彩矩阵，全都建立在“输入和输出是线性关系”这个假设上。如果传感器本身就不线性，后面再怎么调也是白搭。

4.1 传感器响应模型：从光子到数字

一个典型的CMOS图像传感器，它的响应过程可以拆成三步：

光子收集：入射光子打到光电二极管，产生电子-空穴对。
电荷积累：电子被收集在势阱里，曝光时间越长，积累的电子越多。
电压转换与量化：积累的电荷被转换成电压，再经过ADC变成数字码值。

这个过程的理想模型，就是一条直线：

Digital_Code = G × (Photo_Electrons + Dark_Signal) + Offset

其中：

G 是转换增益（Conversion Gain），单位是 [DN/e⁻]
Photo_Electrons 是光生电子数
Dark_Signal 是暗电流产生的电子数
Offset 是黑电平偏移

嗯，这里要注意。实际传感器里，这个模型只在“线性区”成立。到了接近满阱的时候，曲线会开始弯曲，这就是饱和。我在项目中遇到过一款传感器，标称满阱容量是10000e⁻，结果在8000e⁻就开始明显非线性了。所以，别太相信数据手册上的数字。

核心要点：传感器响应模型的核心假设是“光生电子数与入射光子数成正比”。这个假设一旦被打破，线性化就无从谈起。

4.2 光子转移曲线：测量传感器特性的金标准

怎么测量传感器的真实响应？业界标准方法就是光子转移曲线（Photon Transfer Curve, PTC）。你想想看，这其实是个很聪明的办法——利用光子散粒噪声的统计特性来反推传感器的参数。

PTC的测量步骤很简单：

用均匀光源照射传感器，拍一系列不同亮度的平场图像。
对每张图像，计算平均信号值（Mean）和方差（Variance）。
以Mean为横轴，Variance为纵轴，画曲线。

在理想情况下，这条曲线分为三个区域：

区域	特征	主导噪声
读出噪声区	方差基本不变	读出噪声、量化噪声
散粒噪声区	方差与信号成正比（斜率=1）	光子散粒噪声
固定噪声区	方差与信号平方成正比（斜率=2）	像素响应非均匀性（PRNU）

从PTC上，我们可以直接读出几个关键参数：

转换增益：散粒噪声区斜率的倒数
满阱容量：曲线开始偏离线性时的信号值
读出噪声：信号为0时的方差
动态范围：满阱容量除以读出噪声

实战技巧：我建议在测量PTC时，至少采集20个不同亮度等级，每个等级拍10帧以上取平均。我曾经偷懒只拍了5帧，结果方差波动大得根本没法拟合。

下面这张图展示了典型的光子转移曲线结构：

4.3 线性度的定义：到底多直才算“直”？

线性度，说白了就是传感器的输出信号与输入光强之间的吻合程度。我们通常用两个指标来衡量：

1. 积分非线性（INL, Integral Non-Linearity）

这是最常用的指标。它测量的是实际响应曲线与理想直线之间的最大偏差，通常用满量程的百分比表示：

INL = max(|实际值 - 理想值|) / 满量程 × 100%

2. 微分非线性（DNL, Differential Non-Linearity）

这个指标更精细，它测量的是相邻两个码值之间的步长是否均匀。对于理想传感器，每增加一个光子，输出应该增加固定的码值。如果步长忽大忽小，DNL就会超标。

避坑指南：我曾经在一个项目中，INL测出来只有0.5%，看起来很好。但实际图像上出现了明显的条纹噪声。后来一查，是DNL在某个区间跳了2个LSB。所以，INL好不代表DNL好，两个都要看。

工业界对线性度的要求因应用而异：

应用场景	典型INL要求	典型DNL要求
消费电子（手机）	< 1%	< 0.5 LSB
工业机器视觉	< 0.5%	< 0.3 LSB
科学/医疗成像	< 0.1%	< 0.1 LSB

4.4 线性度的测量方法：动手做一遍

好了，理论说完了，咱们来点实际的。怎么在实验室里测线性度？我一般按这个流程走：

准备均匀光源：积分球或者均匀背光板，保证传感器整个靶面照度均匀。
设置曝光时间：固定光圈和增益，只改变曝光时间或光源亮度。
采集数据：从暗场开始，逐步增加亮度，直到传感器饱和。每个亮度拍10帧。
计算平均值：对每帧图像，取中心区域（避开边缘暗角）的像素平均值。
减去黑电平：用暗场图像的平均值作为黑电平，从所有数据中减去。
拟合直线：用最小二乘法拟合信号值与曝光量的关系。
计算残差：计算每个数据点与拟合直线的偏差，取最大偏差除以满量程。

下面是一个简单的Python示例，演示如何计算INL：

import numpy as np

def calculate_inl(signal, exposure):
    """
    计算积分非线性（INL）
    signal: 传感器输出信号（已减黑电平）
    exposure: 曝光时间或光源亮度
    """
    # 最小二乘拟合
    coeffs = np.polyfit(exposure, signal, 1)
    ideal = coeffs[0] * exposure + coeffs[1]
    
    # 计算偏差
    deviation = np.abs(signal - ideal)
    inl = np.max(deviation) / np.max(signal) * 100
    
    return inl, ideal

# 示例数据
exposure = np.array([0, 10, 20, 30, 40, 50, 60, 70, 80, 90, 100])
signal = np.array([0, 98, 201, 305, 402, 498, 601, 698, 795, 890, 980])

inl, ideal = calculate_inl(signal, exposure)
print(f"INL = {inl:.2f}%")

个人经验：测量时一定要确保光源的稳定性。我见过有人用LED灯直接测，结果LED本身就有温度漂移，测出来的非线性其实是光源的非线性。建议用卤素灯或经过稳流的LED光源。

最后，我想强调一点。线性度不是越高越好。对于某些应用，比如HDR合成，我们甚至需要传感器在接近饱和区时有一个平滑的“软饱和”曲线，这样反而更容易做多帧融合。所以，理解线性度的本质，比死记硬背指标更重要。

📚 课程目录

4、线性化基础：传感器响应模型、光子转移曲线、线性度的定义与测量

4.1 传感器响应模型：从光子到数字

4.2 光子转移曲线：测量传感器特性的金标准

4.3 线性度的定义：到底多直才算“直”？

4.4 线性度的测量方法：动手做一遍