1. 课程导入与onsemi汽车图像技术全景
欢迎进入《onsemi汽车图像质量调试与性能优化》课程。在正式动手调参之前，我们需要先建立一张"全局地图"：onsemi（安森美）在车载图像领域提供哪些传感器、它们分别服务于什么场景、图像质量调试在ADAS与座舱监控中扮演什么角色，以及整个调试与优化工作大致沿着怎样的路径推进。只有把这张地图装进脑子里，后续每一节的具体操作才不会变成孤立的"调参数"。
为什么车载图像质量调试如此关键
消费类摄像头的目标通常是"拍得好看"，而车载摄像头的目标首先是"让机器看得准、看得稳"。一颗前视800万像素传感器输出的图像，会同时被用于车道线检测、车辆与行人识别、交通标志识别、自动紧急制动（AEB）触发判断等任务。如果图像在逆光下暗部细节丢失，或在隧道出入口出现剧烈亮度跳变，算法可能直接漏检目标。因此，图像质量调试的核心不是审美，而是在真实光照、温度、振动与长时间工作条件下，保证图像对下游算法始终"可用、可信、可复现"。
座舱监控（DMS/OMS）则对另一类指标敏感：近红外（NIR）响应、低照度噪声、全局快门带来的运动无畸变，以及宽动态下驾驶员面部与手部区域的稳定曝光。同一颗传感器在不同应用中的调试目标可能完全不同，这也是本课程反复强调"先明确应用场景，再谈参数"的原因。
onsemi车载图像传感器产品线概览
onsemi的车载图像产品大致可分为两大方向：面向ADAS与自动驾驶感知的AR系列（Automotive Reference，如AR0144、AR0233、AR0820等），以及面向座舱监控、环视与后视的AS系列（Automotive Sensor，如AS0140、AS0142等）。AR系列通常强调高动态范围（HDR）、LED闪烁抑制（LFM）、高分辨率与功能安全（ASIL）支持；AS系列则更侧重低功耗、小尺寸、低成本与NIR灵敏度。
以AR0820为例，它是一颗1/2英寸、3840×2160（约830万像素）的CMOS传感器，支持多曝光HDR合成与LFM，常用于前视与侧视感知。而AS0142常见于驾驶员监控，具备RGB-IR双模式能力，可在可见光与近红外之间切换。理解这些差异，是选择调试策略的前提。
图像质量调试在ADAS与座舱监控中的角色
在ADAS链路中，图像质量调试处于"传感器—ISP—算法"的中间位置。它要解决的核心矛盾是：传感器物理特性有限，而算法对输入一致性要求很高。例如，CMOS传感器的动态范围通常只有60~70dB，而真实道路场景从隧道口到阳光直射可能超过120dB。调试工作就是通过多曝光合成、色调映射、局部对比度增强等手段，把物理上"装不下"的场景压缩成算法能稳定处理的图像。
在座舱监控中，调试重点转向NIR补光下的信噪比、驾驶员眼镜反光的抑制、以及不同肤色与光照下的面部检测稳定性。这些目标与ADAS差异很大，因此同一套调试流程在不同应用中需要重新设定评价指标。
整体调试流程与性能优化框架
本课程将调试工作组织为五个阶段，它们并非严格线性，而是迭代推进：
- 场景定义：明确应用场景、目标算法、关键工况（如逆光、夜间、隧道、高温）。输出一份"调试需求清单"，列出必须通过的场景与量化指标。
- 硬件搭建：确认传感器模组、镜头、滤光片、补光方案、ISP平台与传输链路。记录镜头光圈、焦距、CRA匹配情况，这些会直接影响后续调试边界。
- 基础标定：完成黑电平、镜头阴影校正（LSC）、白平衡、色彩校正矩阵（CCM）、伽马等基础校准。这一步决定图像"底子"是否干净。
- 参数调优：针对HDR合成、降噪、锐化、局部色调映射、LFM等模块逐项优化，并在目标场景中反复验证。
- 验证固化：在高温、低温、长时间工作、振动等条件下验证稳定性，将参数固化为可量产配置，并建立回归测试基线。
性能优化框架则围绕三个维度展开：图像质量指标（SNR、动态范围、色彩误差、MTF）、系统资源（带宽、功耗、延迟、内存）、鲁棒性（温度漂移、老化、批次一致性）。三者往往互相制约，调试的本质就是在约束下寻找平衡点。
本课程的学习目标
完成本课程后，你应当能够：独立阅读onsemi传感器数据手册中的关键图像参数；搭建一套可复现的图像质量测试环境；使用标准测试卡与场景复现设备完成基础标定；针对HDR、LFM、降噪、色彩等模块制定调优策略；并能够用客观指标与主观评价结合的方式判断调试结果是否达标。更重要的是，你将建立一套"从场景出发、以指标收口"的工程化调试思维，而不是依赖零散经验。