2. 图像传感器与噪声模型：光子散粒噪声、读出噪声、暗电流噪声

各位同学，咱们今天聊点实在的。做低光照自动对焦，你绕不开一个东西——噪声。

我刚开始接触这个领域时，总觉得算法调参是万能的。直到有一次，在0.1 lux的暗光场景下，AF评价函数曲线抖得像心电图，我才意识到：不懂噪声，你连评价函数为什么失效都搞不清楚。

这一节，我们就来拆解图像传感器里的三大噪声：光子散粒噪声、读出噪声、暗电流噪声。我会结合项目中的实际案例，告诉你它们怎么影响AF评价函数。

2.1 三大噪声的物理来源

先看一张总览图，理清它们的关系。

2.2 光子散粒噪声

这是最根本的噪声，物理上无法消除。

光子的到达是随机的，服从泊松分布。你想想看，一个像素接收到的光子数N，它的标准差就是√N。信号越弱，信噪比越低。

我在项目中遇到过一款手机摄像头，在10 lux以下，散粒噪声直接让AF评价函数的峰值信噪比从30dB掉到12dB。评价函数曲线不再是单峰，而是出现大量毛刺。

2.3 读出噪声

读出噪声来自像素电荷转换、放大、ADC量化等电路环节。它与信号强度无关，是一个固定基底。

说白了，就算你把镜头盖住，读出电路也会产生噪声。这个噪声在低光照下特别致命——信号本来就弱，再叠加上固定噪声，对比度信息就被淹没了。

噪声类型	典型值（e-）	与信号关系	低光照影响
光子散粒噪声	√N	随信号增大	主导噪声源
读出噪声	2~10 e-	固定	限制信噪比下限
暗电流噪声	0.1~10 e-/s	随时间线性	长曝光时严重

2.4 暗电流噪声

暗电流是热激发产生的电子-空穴对。温度每升高6-8°C，暗电流翻倍。长曝光时，暗电流会积累大量电荷，形成固定的背景偏移。

嗯，这里要注意：暗电流噪声包含两部分——固定部分（可以通过暗场校正去除）和散粒噪声部分（无法去除）。

对于AF算法来说，暗电流噪声会导致评价函数的基线漂移。如果算法没有做动态阈值处理，可能会把暗电流噪声误判为图像细节，产生假峰值。

2.5 噪声对AF评价函数的影响

我们常用的AF评价函数，比如Tenengrad、Laplacian、Brenner，本质上都是高频能量检测器。噪声本身就是高频信号，它会污染评价函数的输出。

具体影响有三点：

1. 峰值抖动：噪声导致评价函数曲线出现多个局部极值，对焦位置不稳定。
2. 对比度下降：噪声淹没了真实边缘的高频分量，评价函数的最大值降低。
3. 峰值偏移：当噪声分布不均匀时，评价函数的全局最大值可能偏离真实对焦位置。

2.6 噪声建模与仿真代码

为了验证噪声对AF的影响，我习惯在仿真阶段就加入噪声模型。下面是一个简单的Python代码片段，模拟三种噪声对图像的影响。

import numpy as np
import cv2

def add_noise_model(image, gain=1.0, read_noise=2.0, dark_current=0.5, exposure_time=1.0):
    """
    模拟图像传感器噪声
    :param image: 输入图像 (0-255 uint8)
    :param gain: 模拟增益
    :param read_noise: 读出噪声标准差 (e-)
    :param dark_current: 暗电流速率 (e-/s)
    :param exposure_time: 曝光时间 (s)
    :return: 含噪声图像
    """
    # 转换为电子数（假设满阱容量为30000 e-）
    electrons = image.astype(np.float32) / 255.0 * 30000.0
    
    # 1. 光子散粒噪声
    shot_noise = np.random.poisson(electrons).astype(np.float32) - electrons
    
    # 2. 暗电流噪声
    dark_electrons = dark_current * exposure_time
    dark_shot = np.random.poisson(dark_electrons).astype(np.float32) - dark_electrons
    
    # 3. 读出噪声
    read_noise_arr = np.random.normal(0, read_noise, electrons.shape).astype(np.float32)
    
    # 叠加噪声
    noisy_electrons = electrons + shot_noise + dark_shot + read_noise_arr
    
    # 应用增益并量化
    noisy_image = np.clip(noisy_electrons / 30000.0 * 255.0 * gain, 0, 255).astype(np.uint8)
    
    return noisy_image

# 使用示例
img = cv2.imread('test_pattern.png', 0)
noisy_img = add_noise_model(img, gain=4.0, read_noise=3.0, dark_current=1.0, exposure_time=0.5)

2.7 本章小结

记住三句话：

• 光子散粒噪声是低光照下的头号敌人，它决定了信噪比的理论上限。
• 读出噪声是固定基底，限制了AF评价函数在极暗场景下的灵敏度。
• 暗电流噪声在长曝光时不可忽视，会导致评价函数基线漂移和假峰值。