車用圖像傳感器參數(shù)小議——動態(tài)范圍

圖像傳感器的動態(tài)范圍是汽車成像中的一個關鍵指標。什么是動態(tài)范圍？維基百科定義，動態(tài)范圍（Dynamic Range）是可變化信號（例如聲音或光）最大值和最小值的比值。

         可變化的信號S有多種，對一幀圖像而言，S的最小值為1，最大值受限于數(shù)據(jù)帶寬，即數(shù)據(jù)能夠存儲的最大值。一張8位的灰度圖，最大值255，此時理論上的動態(tài)范圍就是48dB，10位圖像動態(tài)范圍可到60dB，20位圖像動態(tài)范圍120dB。

         實際上，動態(tài)范圍是一個通用的概念，不同的信號或者變量S都可以定義自己的動態(tài)范圍，圖像傳感器有動態(tài)范圍，顯示器，投影機，打印機等等都有自己的動態(tài)范圍。我們甚至可以定義一個人的動態(tài)范圍，如果這個人條件艱苦時能吃苦，條件優(yōu)渥時會享受，既能將就也會講究，這就是個高動態(tài)范圍的狠人。

         圖像的動態(tài)范圍和場景的動態(tài)范圍，大多數(shù)情況是不一致的。

         場景的信號S不是圖像的灰度值，它是場景發(fā)射光線的亮度?？梢岳斫鉃镾最大值是場景中最亮部分的亮度，S的最小值是場景中最黑部分的亮度。它與圖像動態(tài)范圍相關但不相等。同時圖像的后處理通常會把線性數(shù)據(jù)壓縮為非線性輸出，這也會放大圖像數(shù)值和場景動態(tài)范圍的差異。

Figure 1寬動態(tài)典型場景

         如果把場景的亮度作為橫坐標，圖像傳感器輸出的數(shù)據(jù)作為縱坐標，我們就得到圖2所示的sensor輸出和場景的動態(tài)范圍映射關系。圖像傳感器把一定亮度范圍的場景采集并映射為自己的輸出，如圖中紅框所示。

Figure 2 場景到sensor的動態(tài)范圍映射

         圖像傳感器實際動態(tài)范圍通常比場景的動態(tài)范圍低，傳感器的能力只能采集紅框對應橫坐標內場景的亮度范圍。紅框的位置需要動態(tài)調整移動，以適應場景亮度的變化，這是成像算法中自動曝光(auto exposure)模塊的任務。

         對汽車高動態(tài)范圍的場景，會有同一場景中極亮和極暗部分同時出現(xiàn)的情況，例如夜間街道，既有車大燈也有街道的暗角，此時移動紅框已經無法同時看清楚兩個部分，必須把紅框做大，這就是汽車上用到的高動態(tài)范圍圖像傳感器。

         從原理上講，紅框尺寸受限于傳感器的像素勢阱容量，受限于尺寸，很難簡單做大，車用圖像傳感器的高動態(tài)范圍技術是行業(yè)面臨的共同挑戰(zhàn)。過去二十年來，車載圖像傳感器的高動態(tài)范圍大致有如下四大技術流派。

         第一個是動態(tài)改變像素的靈敏度擴充動態(tài)范圍。如圖3所示，圖像傳感器對場景亮度的映射變成非線性，隨著環(huán)境亮度增加，像素靈敏度逐漸下降，靈敏度從亮度的線性函數(shù)變成分段函數(shù)。如下圖所示，電荷積累分成三段，亮度低時靈敏度高，對應黑色電荷，然后亮度中等靈敏度也中等，對應藍色電荷，最后亮度最高靈敏度最低。從坐標圖中可以看到，此時像素的勢阱容量即縱坐標不增加，但映射的場景亮度范圍即橫坐標可以明顯加大，實現(xiàn)了增大動態(tài)范圍的目標。

         安森美(onsemi)的車用圖像傳感器產品線早期推出過30萬像素的可變靈敏度sensor，就是基于此類技術，這個技術的最大挑戰(zhàn)在于它改變了像素的靈敏度特性，讓線性特性的靈敏度變成非線性，而這個折線的形狀對電壓、溫度和曝光時長敏感，一致性差，動態(tài)范圍擴展能力有限，只能勉強用于大尺寸像素黑白圖像的傳感器。目前這類技術已經逐漸被市場淘汰。

Figure 3 非線性化擴充動態(tài)范圍

         第二個高動態(tài)范圍技術是時分多次曝光。這個是目前主流車用圖像傳感器所采用的技術。做法就是圖像傳感器改變曝光時間連續(xù)多次曝光得到多幀圖像，然后從中選擇合適像素合并成一幀圖像。如圖4示意，傳感器改變曝光時間，相當于自帶自動曝光功能，對場景不同亮度分別采樣，得到多個紅框，然后把動態(tài)范圍拼接起來。這個技術的優(yōu)點在于：像素勢阱容量不用額外做大，只需把數(shù)據(jù)帶寬做大；每個曝光的時長控制可以很精確，最終擬合的圖像亮度線性特性好；動態(tài)范圍擴展容易，僅用時分技術就能做到140dB的動態(tài)范圍。

         時分多次曝光技術有一個難以克服的問題，由于sensor的連續(xù)曝光時間上是依次滯后的，當場景中有快速移動物體或光照劇烈變化例如LED頻閃情況下，多幀圖像擬合后會出現(xiàn)運動物體偽影和色彩噪聲。ADAS算法需要針對性地訓練這類噪聲。