1. 课程导入与工程目标
在机器视觉、车载感知、安防监控、工业检测与医疗成像等应用中，图像传感器面临的共同挑战是：场景照度跨度极大，而传感器可用的线性响应区间有限。当环境光很弱时，画面被读出噪声与暗电流主导，暗部细节被淹没；当场景同时包含强光源与阴影区时，高光容易饱和成一片纯白，暗部又因量化位深不足而丢失层次。onsemi（安森美）的图像传感器产品线覆盖从消费级到车规级的多种像素架构，其低照度性能与动态范围（DR）优化，本质上是在光子数、转换增益、噪声、满阱容量与读出位深之间做系统级权衡。
本课程的目标不是罗列参数，而是建立一条从“指标定义”到“寄存器与算法落地”的工程路径。要理解这条路径，先要明确几个核心指标的真实含义。
核心指标：从物理量到可判读的工程参数
灵敏度（Responsivity）通常以 V/(lx·s) 或 e⁻/(lx·s) 表示，描述单位曝光量产生的信号响应。它决定了在给定照度下信号能否高于噪声底。与之紧密相关的是量子效率 QE，即入射光子转化为电子的比例，在近红外与蓝光波段差异显著，直接影响低照度下的信噪比。
读出噪声（Read Noise）以 e⁻ RMS 计量，是暗光下信噪比的下限。典型 CMOS 全局快门传感器读出噪声在 2～8 e⁻ 区间，而背照式（BSI）与堆栈式结构可进一步降低。低照度优化的第一原则是：信号必须显著大于读出噪声，否则后期增益只会同步放大噪声。
满阱容量（FWC）以 e⁻ 计量，决定单帧不饱和的最大信号。动态范围在单帧线性模式下近似为 DR = 20·log₁₀(FWC / Read Noise)。例如 FWC = 20000 e⁻、读出噪声 = 4 e⁻ 时，单帧 DR ≈ 74 dB。要突破这一上限，就需要多曝光合成、双转换增益（DCG）、分帧读出或对数/分段响应等手段。
信噪比（SNR）随曝光量变化，在光子散粒噪声主导区，SNR ∝ √N（N 为光电子数）。因此低照度下提升 SNR 的根本途径是增加有效光子收集，而非单纯提高模拟增益。
典型应用场景与指标优先级
不同场景对低照度与动态范围的诉求并不相同。车载前视与环视要求在 0.1～1 lx 的夜间照度下识别行人，同时要应对对向车灯造成的 100 dB 以上瞬时亮度差；安防球机强调 24 小时连续成像与宽动态（WDR），常以 120 dB 为目标；工业检测中的高速流水线则更关注短曝光下的运动模糊与信噪比平衡；医疗内窥镜受限于照明功率与探头尺寸，对 QE 与暗电流尤为敏感。
因此，课程中所有优化动作都应先回答一个问题：当前场景的瓶颈是噪声、满阱、位深，还是时序与带宽？只有定位瓶颈，后续的寄存器配置与算法选择才有意义。
课程任务地图与学习路径
本课程共 30 章，整体按“指标认知 → 器件与像素机理 → 曝光与增益控制 → 动态范围合成 → 噪声与暗部处理 → 系统验证与排障”推进。前段建立物理量与工程参数的对应关系；中段进入寄存器级配置，包括模拟增益、数字增益、曝光时间、DCG 切换与 HDR 多帧合成；后段聚焦实际调试中的噪声评估、暗电流补偿、坏点与闪烁抑制，以及用测试图卡与示波器/抓帧工具验证结果。
学习路径上，建议每章都带着一个可复现的小任务：例如用同一场景分别采集短曝光与长曝光帧，观察高光与暗部的取舍；或固定曝光、逐级提高模拟增益，记录噪声与饱和点的变化。这样，参数不再是孤立数字，而是可观察、可判断的工程变量。
从指标到动作：一个可复现的入门示例
假设使用一颗 onsemi 全局快门传感器，工作在 30 fps、10 bit 输出，读出噪声约 4 e⁻，满阱约 20000 e⁻。在夜间场景中，先以 1/30 s 曝光、最低模拟增益采集一帧，用抓帧工具读取目标区域灰度值。若目标区域均值仅约 20 DN（数字码值），而暗场噪声约 8 DN，则信号/噪声比不足 3，说明处于噪声受限区。
此时可先将曝光时间延长至 1/10 s（若运动允许），观察目标区域均值是否提升到 80 DN 以上；若仍不足，再逐级提高模拟增益，每级记录均值与噪声标准差。注意：模拟增益提高会同步放大读出噪声，因此 SNR 改善有限，真正有效的是增加光子收集。若场景同时存在高光，则需切换到 HDR 模式，用短曝光帧保护高光、长曝光帧保留暗部，再通过融合曲线合成。
本课程的学习方法建议
每章结束后，建议用一张“参数—现象—判断”记录表跟踪自己的调试过程：记录曝光时间、模拟增益、DCG 状态、帧率、目标区域均值与噪声，以及高光是否饱和、暗部是否有层次。这样在后续章节学习 HDR 合成与噪声抑制时，就能用真实数据验证算法效果，而不是停留在概念层面。
本课程后续将逐步展开像素结构、读出电路、寄存器配置、HDR 合成策略与系统验证方法。请始终带着一个具体场景和一个可测量的目标进入每一章，让每一次参数调整都能对应到画面上的可观察变化。