📚 课程目录第3章读出噪声

3. 读出噪声：复位噪声、源跟随器噪声、量化噪声、读出噪声的统计特性与测量方法

读出噪声，说白了就是像素里的信号在变成数字码值之前，被电路“污染”掉的那部分噪声。我经常跟团队里的新人讲：读出噪声决定了你传感器的底噪水平，它直接卡死了暗光下的信噪比天花板。

这一节我们拆开来看。读出噪声不是单一来源，它由三个主要成分叠加而成：复位噪声、源跟随器噪声、量化噪声。再加上它们的统计特性和测量方法，基本就把读出链路讲透了。

3.1 复位噪声（kTC噪声）

复位噪声，也叫kTC噪声。名字就暴露了它的本质——跟电容和温度有关。

先看物理过程。像素里的光电二极管或浮置扩散区（FD），在每次曝光前需要复位到一个已知电位。复位开关导通时，沟道电阻的热噪声会通过开关管，在电容上产生一个随机电压波动。开关断开后，这个波动就被“冻结”在电容上了。

公式很简单：

V_n² = kT / C

其中k是玻尔兹曼常数，T是温度，C是复位节点总电容。

举个例子。FD电容典型值在1~10 fF之间。室温下（300K），1 fF电容对应的复位噪声均方根值约为64 μV。换算成电子数：

n_e = sqrt(kTC) / q ≈ 40 e⁻ rms（C=1 fF时）

40个电子！这个数字在暗光下非常可观。我做过一个项目，客户要求读出噪声低于2 e⁻ rms，结果复位噪声一项就超标20倍。怎么办？

关键认知：复位噪声是读出链路中最大的单点噪声源之一。不处理它，后面所有优化都是白费。

解决方案是相关双采样（CDS）。原理很简单：在复位后和信号读出后各采一次样，两次相减，复位噪声因为是低频相关噪声，被大幅抵消。CDS能把复位噪声从几十个电子压到几个电子甚至更低。

我的经验：CDS不是万能的。如果复位开关存在电荷注入或时钟馈通，CDS反而会引入新的固定模式噪声。我曾经在0.18 μm工艺上踩过这个坑——CDS后图像上出现明显的行方向条纹，排查了两周才发现是复位管尺寸不对称导致的注入失配。

3.2 源跟随器噪声

源跟随器（Source Follower, SF）是像素内的第一级缓冲放大器。它的作用是低阻抗输出，把FD上的电压信号传给列总线。

源跟随器的噪声主要来自两个方面：

热噪声：沟道电阻产生的宽带噪声，与跨导gm成反比。噪声谱密度约为 4kTγ/gm，γ是工艺相关的噪声因子（长沟道器件约2/3，短沟道器件更大）。
1/f噪声：低频段的闪烁噪声，与栅氧化层界面陷阱密度相关。噪声谱密度近似为 Kf/(Cox·W·L·f)，Kf是工艺参数。

源跟随器噪声的等效输入参考公式：

Vn_SF² = ∫ [4kTγ/gm + Kf/(Cox·W·L·f)] · |H(f)|² df

其中H(f)是读出链路的带宽传递函数。带宽越宽，积分进来的热噪声越多；带宽越窄，1/f噪声的低频成分被保留。

实际设计中，源跟随器噪声通常在10~30 μV rms量级。换算成电子数，取决于转换增益（CG）。CG越高，同样电压噪声对应的电子数越少。

参数	典型值	对噪声的影响
SF跨导 gm	50~200 μS	gm越大，热噪声越小
SF偏置电流	1~10 μA	电流越大，gm越大，但功耗增加
SF尺寸 W/L	几μm / 几μm	面积越大，1/f噪声越小，但寄生电容增大
转换增益 CG	50~200 μV/e⁻	CG越高，等效输入噪声电子数越低

注意：源跟随器噪声与复位噪声不同，它不能被CDS完全消除。CDS主要消除低频相关噪声，而源跟随器的宽带热噪声在两次采样之间是不相关的。所以CDS后，源跟随器热噪声反而会以sqrt(2)倍增加（因为两次采样噪声功率相加）。

3.3 量化噪声

量化噪声是ADC带来的。模拟信号变成数字码值时，必然存在量化误差。

理想ADC的量化噪声均方根值为：

Vn_ADC = LSB / sqrt(12)

LSB = Vref / 2^N，N是ADC位数。

举个例子。12位ADC，参考电压2.8V，LSB ≈ 683 μV。量化噪声 ≈ 197 μV rms。这个值看起来不小，但注意：量化噪声是均匀分布在0~fs/2频带内的，而读出链路的带宽通常远小于采样率，所以实际影响要折合带宽比。

更实际的做法是把量化噪声折算到像素输入端：

n_e_ADC = Vn_ADC / CG

假设CG=100 μV/e⁻，则n_e_ADC ≈ 2 e⁻ rms。这个值在大多数应用中是可以接受的。

设计原则：量化噪声应该小于其他读出噪声总和的1/3到1/5，这样量化噪声对总噪声的贡献可以忽略。换句话说，ADC的分辨率要足够高，不能成为噪声瓶颈。

我见过一个失败的案例。某款安防相机传感器，像素噪声已经优化到3 e⁻ rms，但ADC只用了10位。量化噪声折算回来约8 e⁻ rms，直接把总噪声拉到9 e⁻ rms。客户抱怨暗光下噪点明显，最后不得不换12位ADC，总噪声才降到4 e⁻ rms。

3.4 读出噪声的统计特性

读出噪声的统计特性，决定了你怎么建模、怎么测量、怎么优化。

1. 概率分布

复位噪声和源跟随器热噪声都是高斯分布。量化噪声在LSB远小于噪声时也近似高斯。所以总读出噪声通常服从高斯分布。

但要注意：如果CDS后的残留噪声存在非对称性（比如电荷注入方向固定），分布会偏斜。我遇到过一款传感器，暗场直方图明显左偏，排查发现是复位管关断速度太慢导致的。

2. 时域特性

读出噪声在时间上是白噪声吗？不完全是。

复位噪声：低频相关，CDS后残留部分呈高通特性。
源跟随器1/f噪声：低频成分强，呈粉红噪声特性。
热噪声：宽带白噪声。
量化噪声：近似白噪声。

总读出噪声的功率谱密度是这些成分的叠加。低频段1/f噪声占主导，高频段热噪声占主导。

3. 空间特性

读出噪声在空间上是随机的，像素之间不相关。这是它与固定模式噪声（FPN）的本质区别。FPN是空间固定的，读出噪声是空间随机的。

这个特性很重要：读出噪声可以通过多帧平均来降低（降幅与帧数平方根成反比），而FPN不能。

3.5 读出噪声的测量方法

测量读出噪声，最常用的方法是暗场时序分析法。我把它总结成三步：

采集暗场数据：盖上镜头盖，或者用快门挡住光路。采集N帧（N≥100）全黑图像。
计算每像素的时序标准差：对每个像素，计算它在N帧中的灰度值标准差σ_pixel。这个σ_pixel包含了读出噪声和暗电流散粒噪声。
分离读出噪声：暗电流散粒噪声与曝光时间成正比。采集不同曝光时间下的暗场数据，做线性拟合，截距就是读出噪声的平方。

代码实现（Python伪代码）：

import numpy as np

# dark_frames: shape = (N_frames, height, width)
# 采集不同曝光时间 t_list 下的暗场数据

def measure_read_noise(dark_frames, t_list):
    results = []
    for t, frames in zip(t_list, dark_frames):
        # 计算每个像素的时序方差
        var_per_pixel = np.var(frames, axis=0)
        # 取所有像素的平均方差
        mean_var = np.mean(var_per_pixel)
        results.append((t, mean_var))
    
    # 线性拟合: var = read_noise² + dark_current * t
    t_array = np.array([r[0] for r in results])
    var_array = np.array([r[1] for r in results])
    coeffs = np.polyfit(t_array, var_array, 1)
    read_noise_sq = coeffs[1]  # 截距
    read_noise = np.sqrt(read_noise_sq)
    return read_noise

测量注意事项：

暗场环境必须黑暗。我曾经在实验室里测出读出噪声异常大，最后发现是机箱电源指示灯漏光。
帧数N要足够大。N=100时，测量不确定度约7%；N=400时降到3.5%。
注意温度控制。读出噪声与温度相关（kT/C中的T），温度波动会引入额外误差。

另一种方法是光子转移曲线（PTC）法。通过采集均匀光照下的不同光强图像，绘制方差-均值曲线。读出噪声对应曲线在零光强处的截距。这个方法的好处是同时可以标定转换增益CG。

3.6 知识结构图

下面这张图总结了读出噪声的组成、来源和测量方法：

3.7 小结

读出噪声是CMOS图像传感器最核心的性能指标之一。三个来源各有特点：

复位噪声靠CDS解决，但要注意电荷注入残留。
源跟随器噪声是设计权衡的结果，gm、面积、带宽要一起考虑。
量化噪声只要ADC位数够，通常不是瓶颈。

测量时，暗场时序法最直接，PTC法信息更丰富。我个人习惯两种方法都做，交叉验证。毕竟，噪声测量不准，后面所有优化都是盲人摸象。