📚 课程目录第3章动态范围与信噪比的关系

3. 动态范围与信噪比的关系：SNR定义、动态范围与SNR的数学关联、实际系统权衡

动态范围和信噪比，这两个参数在成像系统里就像一对双胞胎。很多人以为它们是一回事，其实不然。我刚开始做传感器选型时也犯过这个错——拿着高动态范围的 sensor 就以为信噪比一定好，结果在暗光场景下被噪声打得措手不及。

这一节，我们就把这两个概念彻底理清楚。它们之间到底怎么换算？为什么系统设计时总要在这两者之间做取舍？

信噪比（Signal-to-Noise Ratio, SNR），说白了就是信号功率和噪声功率的比值。在成像系统里，我们通常用分贝（dB）来表示：

SNR = 20 * log10(Signal / Noise)   [dB]

这里的 Signal 是像素输出的有效信号电子数，Noise 是所有噪声源的总均方根值。我个人习惯把 SNR 看作「图像干净程度」的量化指标。SNR 越高，图像越干净，细节越清晰。

举个例子：

经验之谈： 我在做安防相机项目时，客户要求最低可接受 SNR 为 35 dB。低于这个值，夜间监控画面就没办法做智能分析——人形检测算法会频繁误报。

动态范围（DR）的定义是：满阱容量（FWC）与读出噪声（Read Noise）的比值。而 SNR 的最大值，恰好也受限于满阱容量和总噪声。

它们之间的数学关系，可以用下面这张图来理解：

从数学上看，当信号达到满阱时，SNR 的最大值约等于动态范围。但实际场景中，信号很少能刚好填满整个阱。你想想看，在暗光环境下，信号可能只有满阱的 1%，这时候 SNR 就远低于 DR 了。

核心公式：

DR = 20·log₁₀(FWC / N_read)

SNR_max = 20·log₁₀(FWC / √(FWC + N_read² + N_dark²))

当 FWC >> N_read 且忽略暗电流时：SNR_max ≈ DR

做实际系统设计时，你会发现动态范围和信噪比往往不能兼得。为什么？因为它们的优化方向是相反的。

优化目标	做法	对 DR 的影响	对 SNR 的影响
提高动态范围	增大满阱容量	↑ 提升	↓ 可能下降（读出噪声增加）
提高信噪比	降低读出噪声	↑ 提升	↑ 提升
提高信噪比	增加曝光时间	→ 不变	↑ 提升（但可能饱和）
提高动态范围	多帧合成（HDR）	↑ 大幅提升	↓ 可能下降（帧间噪声）
提高信噪比	像素合并（binning）	↓ 下降	↑ 提升

这张表我建议你收藏。每次做系统设计时拿出来对照一下，就知道当前调整会带来什么副作用。

我在项目中遇到过好几次这样的场景：客户既要高动态范围（比如 120 dB），又要高信噪比（比如 45 dB）。这两个要求放在一起，其实很难同时满足。

我的做法是分场景处理：

避坑指南： 我曾经在一个车载摄像头项目中，为了追求 120 dB 的动态范围，采用了 3 次曝光 HDR 方案。结果在隧道出入口场景下，运动物体出现了严重的鬼影。后来我改用双斜率读出 + 单帧 HDR，虽然动态范围降到 100 dB，但信噪比和运动清晰度都好了很多。

在实际系统设计中，我常用一个简单的权衡模型来评估：

系统质量评分 = α · SNR + β · DR

其中：
α = 场景权重（暗光场景 α 大）
β = 场景权重（强光场景 β 大）
α + β = 1

这个模型虽然简单，但能帮你快速判断当前设计是否合理。比如在安防监控中，夜间场景占 70%，我会设 α = 0.7, β = 0.3，然后优先优化 SNR。

我的习惯： 每次做系统设计前，先画一张「场景-权重」表。把典型使用场景列出来，给每个场景分配 SNR 和 DR 的权重。这样设计出来的系统才不会偏科。

动态范围和信噪比，一个是系统的「广度」，一个是系统的「纯净度」。它们之间不是简单的正比关系，而是需要在具体场景下做取舍。

记住三点：