1. 夜景成像的物理基础与算法挑战

各位同学，咱们这门课讲的是实时夜景算法在移动端的硬件加速。第一节课，得先把底子打好——夜景成像到底难在哪？

说白了，夜景就是低光照。你想想看，光线少了，传感器能捕获的信息自然就少了。但问题远不止这么简单。我做了这么多年移动端图像算法，可以负责任地告诉你：夜景的难点，本质上是物理定律决定的，不是靠堆算法就能绕过去的。

1.1 低光照环境下的信噪比模型

先聊信噪比（SNR）。这是衡量图像质量最核心的指标。

在理想情况下，传感器捕获的光子数服从泊松分布。信号强度正比于光子数，噪声则是光子数的平方根。所以：

SNR = 信号 / 噪声 = N / sqrt(N) = sqrt(N)

这里 N 是每个像素收集到的光子数。白天光线充足，N 可能上万，SNR 轻松上百。但到了夜景，N 可能只有几十甚至几个——SNR 直接掉到个位数。

我在项目中遇到过一款夜视监控芯片，标称 0.001 lux 照度。结果实测下来，SNR 不到 5，图像全是噪点。后来发现是光学系统通光量不够，传感器前端就输了。

1.2 动态范围与色调映射

动态范围（DR）是另一个硬骨头。它描述的是场景中最亮和最暗区域的比值。

真实夜景场景的动态范围有多大？我举个例子：

• 月光下的阴影区域：约 0.001 cd/m²
• 路灯直射区域：约 100 cd/m²
• 车灯或霓虹灯：可达 10000 cd/m²

算下来，一个典型夜景场景的动态范围轻松超过 100dB。而普通手机传感器的单帧动态范围呢？

传感器类型	典型动态范围	能否覆盖夜景
普通 CMOS（12bit）	60-66 dB	❌ 差得远
高动态 CMOS（HDR）	80-90 dB	⚠️ 勉强覆盖
专业级 CCD	90-100 dB	✅ 基本覆盖

所以你看，移动端传感器天生就吃不下夜景的动态范围。那怎么办？

答案是色调映射（Tone Mapping）。把高动态范围压缩到显示设备能呈现的低动态范围（通常是 8bit，256 级）。

常用的色调映射方法有：

1. 全局映射：整张图用一个映射曲线。简单，但暗部细节容易丢失。
2. 局部映射：根据像素邻域自适应调整。效果好，但计算量大，移动端跑起来吃力。
3. 基于 Retinex 理论：把图像分解为光照分量和反射分量，分别处理。我比较喜欢这种方法，物理意义清晰。

1.3 夜景中的噪声类型

噪声是夜景算法的头号敌人。而且它不是一种噪声，是多种噪声的混合体。我习惯把它们分成三类：

1.3.1 高斯噪声

高斯噪声主要来自传感器读出电路和放大器。它的特点是：

• 幅度服从高斯分布（正态分布）
• 与信号强度无关——暗区和亮区噪声水平差不多
• 在频域上均匀分布（白噪声）

嗯，这里要注意：高斯噪声虽然叫「高斯」，但实际在移动端传感器里，它往往不是纯高斯。因为读出电路有 1/f 噪声和热噪声的混合，分布会带点拖尾。

1.3.2 泊松噪声（散粒噪声）

泊松噪声来自光子到达的随机性。光子是离散的，到达传感器的时间是随机的。这就导致：

• 噪声方差 = 信号强度（光子数）
• 信号越强，噪声值越大，但信噪比反而越高
• 信号越弱，噪声值虽小，但信噪比急剧恶化

这就是为什么夜景暗部全是噪点——不是因为噪声变大了，而是信号太弱了。

1.3.3 散粒噪声（Shot Noise）

散粒噪声和泊松噪声其实是一回事，只是从不同角度描述。严格来说：

• 光子到达的随机性 → 光子散粒噪声
• 暗电流产生的随机性 → 暗电流散粒噪声
• 复位晶体管的热噪声 → 复位噪声（KTC 噪声）

我曾经调试过一款夜视算法，发现暗部噪点怎么都去不掉。折腾了两周，最后发现是传感器暗电流太大，散粒噪声占了主导。换了个低暗电流的传感器，问题直接解决。所以啊，算法不是万能的，硬件底子很重要。

1.4 本章知识体系

下面这张图把本章的核心逻辑串起来了。你看一遍，应该能对夜景成像的物理基础有个整体认识。

这张图把三个核心挑战串起来了。你看，低光照环境是根因，它同时影响了信噪比、动态范围和噪声特性。这三个问题不是独立的——信噪比低会让噪声更明显，动态范围不足会加剧暗部噪声的可见度，噪声本身又会限制色调映射的效果。

所以做夜景算法，不能头痛医头脚痛医脚。你得从物理层面理解问题本质，才能设计出真正有效的方案。后面几章，我们会逐一深入这些话题，并讨论如何在移动端硬件上加速实现。