1. 课程导入与onsemi图像传感器概览

在机器视觉、汽车ADAS、工业检测和医疗成像等场景中，图像质量的下限往往不是由分辨率或帧率决定，而是由噪声与坏点决定。一颗500万像素的传感器，如果暗场下随机噪声过大，或固定位置存在成簇的亮点、暗点，后端的ISP、算法和AI模型都会受到持续干扰。本课程围绕onsemi（安森美）图像传感器产品线，系统讲解噪声与坏点的来源、表征、测试、治理与量产落地方法。

学习目标

完成本课程后，你应当能够独立完成以下任务：

• 区分时间噪声（如读出噪声、散粒噪声）与空间噪声（如固定模式噪声FPN、列噪声），并说明它们在图像上的不同表现。
• 区分坏点（defect pixel）与噪声超限像素，理解坏点判定为何必须结合暗场、亮场与温度条件。
• 读懂onsemi数据手册中的噪声相关指标，例如读出噪声（e⁻）、暗电流（e⁻/s）、SNR、动态范围（dB）、坏点规格（ppm）。
• 使用暗场、平场、多帧平均、温度扫描等方法，定位噪声与坏点的主要来源。
• 针对不同产品线（AR、ARX、PYTHON、XGS等）选择合适的治理策略，包括像素级校正、列级校正、坏点替换与温度补偿。
• 建立从实验室测试到量产筛选的完整闭环，输出可复现的测试报告与校正参数。

噪声与坏点治理在onsemi产品线中的定位

onsemi的图像传感器覆盖消费、工业、汽车与医疗市场，不同产品线对噪声与坏点的容忍度差异很大。理解这种差异，是选择治理策略的前提。

可以看到，汽车与工业场景对坏点和噪声的要求远高于消费类。汽车传感器需要在-40℃到+105℃范围内保持稳定，暗电流随温度大约每升高6～8℃翻倍，因此高温坏点治理是AR系列的核心课题。工业全局快门传感器则更关注列FPN和读出噪声，因为它们直接影响检测精度。

整体课程框架

课程分为五个阶段，从基础概念逐步推进到量产落地：

1. 基础与表征：噪声分类、坏点定义、关键指标与测试条件。
2. 测试与诊断：暗场/平场采集、多帧统计、温度扫描、噪声分解。
3. 治理方法：像素级校正、列级校正、坏点替换、温度补偿、去噪算法。
4. 产品线实战：AR、ARX、PYTHON、XGS的差异化策略与寄存器配置。
5. 量产与复盘：标定流程、坏点表管理、良率分析、失效案例复盘。

每个阶段都会给出可执行的测试步骤、参数示例和判断依据，而不是停留在概念层面。

实战项目说明

课程贯穿一个实战项目：对一颗onsemi工业全局快门传感器进行噪声与坏点治理。项目分为四个可交付成果：

• 噪声诊断报告：在暗场与平场条件下，分别测量读出噪声、暗电流、列FPN和坏点数量。
• 坏点表：记录坏点坐标、类型（亮点/暗点/簇）、判定条件和温度点。
• 校正参数集：包括列增益校正、列偏移校正、坏点替换表和温度补偿系数。
• 验证报告：校正前后SNR、坏点数量、均匀性的对比，以及高温下的稳定性验证。

下面这张图展示了从原始图像到治理后图像的完整信号链与治理节点，帮助你建立全局视角。

图中上半部分是传感器的物理信号链，四个橙色框标出了主要噪声源；下半部分是治理节点，从暗场标定、平场标定到坏点检测与替换，最终输出治理后图像，并通过验证环节反馈迭代。这个结构将贯穿整个课程。

关键概念约定

为避免后续章节产生歧义，这里先约定几个基础定义：

• 暗场：镜头盖关闭、无光输入条件下的采集，用于测量暗电流和读出噪声。
• 平场：均匀光照条件下的采集，用于测量PRNU、列FPN和亮度均匀性。
• 坏点：在暗场或平场中，输出偏离正常分布超过设定阈值的像素。亮点在暗场中表现为高输出，暗点在平场中表现为低输出。
• 坏点簇：相邻坏点数量超过阈值（例如3×3窗口内超过3个），通常比孤立坏点更难校正。
• 温度系数：暗电流随温度变化的斜率，用于高温下的坏点预测与补偿。