📚 课程目录第3章 CMOS Sensor关键参数

3. CMOS Sensor关键参数

CMOS图像传感器（CIS）是Camera系统的“视网膜”，它将入射光子转换为电信号，其性能直接决定了成像质量的物理上限。ISP（图像信号处理器）只能对Sensor输出的原始数据进行修复和增强，却无法凭空创造Sensor未能捕获的信息。因此，理解Sensor的关键参数，是进行Camera硬件架构设计、选型评估以及后续图像调试（Tuning）的基础。本章将深入剖析像素尺寸、量子效率、满阱容量、动态范围、信噪比、暗电流等核心参数，从物理原理到工程实践，帮助您建立对Sensor性能的量化认知体系。

上图展示了Sensor关键参数之间的逻辑关系：入射光子经过像素单元的光电转换，产生电信号；量子效率决定了光电转换的效率，满阱容量决定了电荷存储的上限，暗电流和读出噪声构成了噪声底；这些参数共同推导出动态范围和信噪比两个综合性指标，最终约束了ISP的输入质量。下面我们将逐一深入解析每个参数。

3.1 像素尺寸（Pixel Size）与灵敏度

核心原理：像素尺寸是指单个像素（含光电二极管及外围晶体管）的物理边长，常见规格为0.7μm、1.0μm、1.4μm、2.0μm等。像素尺寸直接决定了像素的感光面积（Fill Factor，填充因子），在相同工艺和量子效率下，感光面积越大，收集光子的能力越强，灵敏度越高。然而，像素尺寸的缩小是分辨率提升的必然代价，需要在灵敏度与分辨率之间做出权衡。

判断方法：评估像素尺寸时，不能只看标称值，还需关注“有效感光面积”与“微透镜效率”。例如，两个同为1.0μm的Sensor，若A的填充因子为70%，B为60%，则A的灵敏度理论上高出约16%。此外，背照式（BSI）工艺相比前照式（FSI）能显著提升填充因子，在相同像素尺寸下灵敏度更高。

像素尺寸	典型应用	灵敏度表现	分辨率上限（1/1.7"）
2.0μm	旗舰手机主摄	高（单像素进光量大）	约2000万像素
1.4μm	中高端手机主摄	中高	约4000万像素
1.0μm	高像素副摄/主摄	中等（需像素合并）	约8000万像素
0.7μm	超薄机型/长焦	较低（依赖算法）	约1亿像素

实战场景：某项目需要在一款1/1.5"的Sensor上实现5000万像素输出，同时要求暗光（10 lux）下预览画面干净。若选择0.7μm像素，虽然分辨率达标，但单像素面积仅0.49μm²，暗光下信噪比极差。工程上通常采用“四合一（Binning）”模式，将4个像素合并为1个1.4μm等效像素，输出1250万像素，以获得可接受的灵敏度。此时，像素尺寸参数决定了Sensor在“高分辨率模式”和“高灵敏度模式”之间的切换能力。

常见误区：盲目追求高像素而忽略像素尺寸的物理限制。在相同光学格式下，像素尺寸越小，衍射极限和串扰问题越严重，导致画质下降。选型时应先明确目标场景的照度范围，再反推所需像素尺寸。

3.2 量子效率（Quantum Efficiency, QE）

核心原理：量子效率定义为Sensor将入射光子转换为电子的概率，通常以百分比表示。QE是波长的函数，不同波长的光在硅材料中的穿透深度不同，因此QE曲线呈现波长依赖性。例如，蓝光（450nm）在硅表面附近被吸收，绿光（550nm）穿透较深，红光（650nm）更深。现代BSI工艺通过优化光电二极管深度和微透镜设计，可将峰值QE提升至80%以上。

判断方法：查看Sensor datasheet中的QE曲线时，应关注三个关键点：峰值QE值、QE>50%的波长范围、以及近红外（NIR）波段的响应。对于安防监控或车载应用，NIR响应尤为重要，因为这类场景常配合红外补光。若QE在850nm处低于20%，则夜视效果会大打折扣。

QE评估清单：
1. 峰值QE：通常出现在500-550nm（绿光），应≥70%
2. 蓝光响应（450nm）：影响色彩还原，应≥50%
3. NIR响应（850nm）：影响夜视，应≥20%（安防/车载）
4. 微透镜效率：影响实际QE，需结合填充因子综合评估

经验提醒：QE与像素尺寸存在耦合关系。大像素（≥1.4μm）通常采用较深的光电二极管，QE曲线偏向红光；小像素（≤1.0μm）则需更浅的结深以控制串扰，蓝光响应相对更好。选型时需根据应用场景的光谱特性选择匹配的QE曲线。

3.3 满阱容量（Full Well Capacity, FWC）

核心原理：满阱容量是单个像素能够存储的最大电子数，单位通常为e⁻（电子数）。FWC决定了Sensor的高光表现——当入射光强超过FWC时，电子溢出产生高光拖影（Blooming）或高光截止（Clipping）。FWC与像素面积、光电二极管结电容、以及传输晶体管（TX）的设计有关。在相同工艺下，像素面积越大，FWC通常越高。

判断方法：FWC并非越大越好，需要与动态范围、灵敏度协同考虑。例如，一个FWC为30000e⁻的Sensor，若读出噪声为3e⁻，则动态范围为20log10(30000/3)≈80dB；若FWC提升至60000e⁻但读出噪声也增至6e⁻，动态范围不变。因此，评估FWC时应同时关注噪声底。

Sensor类型	典型FWC (e⁻)	读出噪声 (e⁻)	动态范围 (dB)
小像素 (0.8μm)	5000-8000	2-3	65-70
中像素 (1.4μm)	15000-25000	3-5	70-75
大像素 (2.0μm)	30000-50000	4-6	75-80
专业大靶面	80000-120000	5-8	80-85

案例拆解：某安防摄像头在白天强光场景下出现高光区域“死白”现象，即使ISP端降低增益也无法恢复细节。分析发现，Sensor的FWC仅为12000e⁻，在500 lux照度下，F/1.6镜头、曝光时间1/100s时，像素已饱和。解决方案：①更换FWC更大的Sensor（如25000e⁻）；②在ISP中启用多帧HDR，通过短曝光帧捕获高光细节。最终，高光区域的纹理恢复率达到85%以上。

3.4 动态范围（Dynamic Range, DR）

核心原理：动态范围是Sensor能同时捕获的最亮与最暗信号之比，计算公式为DR = 20log10(FWC / 噪声底)。噪声底通常取暗场下的总噪声（含读出噪声、暗电流噪声等）。DR决定了Sensor在逆光、夜景等大光比场景下的表现能力。人眼的动态范围约为100dB，而普通Sensor仅70-75dB，因此需要HDR技术扩展。

判断方法：评估DR时，需区分“单帧DR”和“多帧合成DR”。单帧DR受限于FWC和噪声底，多帧HDR通过不同曝光时间合成，可扩展至100dB以上，但会引入运动伪影。工程上，若目标场景光比超过80dB，应优先考虑支持多帧HDR或DCG（双转换增益）技术的Sensor。

风险提示：DCG技术通过切换光电二极管的转换增益，在高增益和低增益之间切换，以扩展单帧DR。但切换点附近的噪声和色彩一致性需要仔细调校，否则会出现亮度跳变或色偏。

3.5 信噪比（Signal-to-Noise Ratio, SNR）

核心原理：信噪比是信号功率与噪声功率之比，是衡量图像质量最直观的指标。Sensor的噪声源主要包括：散粒噪声（光子到达的随机性，服从泊松分布，其标准差为信号电子数的平方根）、读出噪声（像素复位和读出的电路噪声）、暗电流噪声（热激发产生的暗电子）以及固定模式噪声（FPN）。在低光条件下，读出噪声占主导；在高光条件下，散粒噪声占主导。

判断方法：SNR的计算公式为SNR = 20log10(S / √(S + N_read² + N_dark²))，其中S为信号电子数，N_read为读出噪声，N_dark为暗电流噪声。当S远大于噪声时，SNR≈10log10(S)，即信号每增加一倍，SNR提升3dB。工程上，通常以SNR=10dB作为可接受画质的底线，SNR=20dB为良好画质。

SNR估算示例（暗光场景）：
- 像素尺寸：1.4μm，QE=70%
- 入射光：10 lux，F/1.8，曝光时间1/30s
- 估算信号电子数：约300 e⁻
- 读出噪声：4 e⁻，暗电流噪声：2 e⁻
- 总噪声 = √(300 + 16 + 4) ≈ 17.9 e⁻
- SNR = 20log10(300/17.9) ≈ 24.5 dB → 画质良好

经验提醒：在低光下提升SNR的关键是降低读出噪声，而非单纯增大信号。例如，将读出噪声从4e⁻降至2e⁻，在信号为100e⁻时，SNR可从约20dB提升至23dB。因此，选型时应重点关注Sensor的“低噪声模式”参数。

3.6 暗电流（Dark Current）与热噪点

核心原理：暗电流是像素在无光照条件下，由于热激发产生的电子-空穴对形成的电流。暗电流随温度升高呈指数增长（通常每升高7-8°C翻倍），其不均匀性会导致固定模式噪声（DSNU），而随时间波动的部分则形成暗电流散粒噪声。暗电流的单位通常为e⁻/s或nA/cm²。

判断方法：评估暗电流时，应关注其在最高工作温度下的表现。例如，车载摄像头工作温度可达85°C，若暗电流在25°C时为10e⁻/s，在85°C时可能升至200e⁻/s，长曝光（如1s）下暗电流噪声将严重影响画质。工程上，可通过帧差法或暗场标定来校正固定模式暗电流，但随机噪声无法完全消除。

温度	暗电流 (e⁻/s)	1s曝光暗噪声 (e⁻)	对SNR的影响（信号100e⁻）
25°C	10	3.2	SNR下降0.5dB
50°C	40	6.3	SNR下降1.7dB
85°C	200	14.1	SNR下降4.3dB

实战场景：某工业相机在60°C环境温度下进行长曝光（2s）拍摄，发现图像出现明显的“热噪点”。通过分析暗场图像，发现热噪点位置固定，且亮度随温度变化。处理方案：①在Sensor附近增加TEC制冷片，将温度降至40°C，暗电流降低约60%；②在ISP中启用暗场减除（Dark Frame Subtraction），将固定模式噪声消除。最终，长曝光图像的SNR提升了约8dB。

常见误区：忽略暗电流的温度依赖性。在常温下测试达标的Sensor，在高温环境下可能性能急剧恶化。选型时必须确认Sensor在目标工作温度范围内的暗电流规格，而非仅看25°C的典型值。

3.7 参数间的权衡与选型策略

上述参数并非独立存在，它们之间存在复杂的耦合关系。像素尺寸增大，FWC和灵敏度提升，但分辨率下降；QE提升，低光性能改善，但可能影响高光溢出；暗电流降低，长曝光性能提升，但可能增加成本。在实际选型中，需要根据应用场景建立优先级矩阵。

应用场景	首要参数	次要参数	可妥协参数
手机主摄	像素尺寸/SNR	DR/QE	暗电流（短曝光）
安防夜视	QE(NIR)/暗电流	SNR	分辨率
车载摄像头	DR/暗电流(高温)	SNR	像素尺寸
工业检测	FWC/SNR	QE	DR（可控光源）

总结复盘：Sensor选型不是单一参数的比拼，而是多参数权衡的系统工程。建议建立“场景-参数”映射表，将目标场景的照度范围、光比、温度、运动速度等约束转化为具体的参数需求，再结合datasheet和实测数据做出决策。同时，务必关注参数之间的联动效应，例如提升QE可能牺牲高光性能，降低暗电流可能增加成本。