???????????????????????????????????????? 理解 Pix Binning

在CMOS 攝像頭的Skipping 和 Binning 模式博文中，我們提到過Pix Binning可以提高sensor的信噪比。但是這種技術(shù)究竟是如何提高sensor的信噪比的，我們可以通過這篇博文的定性分析詳細(xì)的了解到提高sensor信噪比的原因。

在談及binning如何工作之前，我們必須首先了解sensor中的噪聲。

我們?cè)诖苏劶暗脑肼暿且粋€(gè)在幀與幀之間，像素與像素之間的隨機(jī)的像素亮度值。下圖我們可以更加直觀的了解到噪聲對(duì)圖像的影響。

較少噪聲 較大噪聲

?

度量圖像噪聲情況如何并不僅僅是看噪聲的大小，更重要的是噪聲相對(duì)于圖像亮度的大小。這就是我們經(jīng)常說的信噪比----SNR。舉例來說，假如圖像大部分亮度分布在200，而噪聲散布與195到205之間，我們就可以說圖像的信噪比大小為40（200/5=40）.

那么，圖像中的噪聲從哪來的呢？我們主要從三個(gè)源頭加以考慮。

散粒噪聲。這種典型的噪聲是由于每個(gè)像素檢測(cè)到的光子的數(shù)量在每一幀每一個(gè)像素之間都很隨機(jī)。想象一下，當(dāng)下雨時(shí)，你有方法可以計(jì)算每一秒雨點(diǎn)進(jìn)入到容器的數(shù)量。當(dāng)降雨穩(wěn)定的時(shí)候，如果你每一秒鐘計(jì)算掉入到容器中雨滴的數(shù)量，每一秒鐘所獲的到的雨滴大小并不是一樣的。在某一時(shí)刻你可能計(jì)算的到20，另一個(gè)時(shí)刻可能是21,19,22,18,17,23等等。這些自然的變量即為散粒噪聲。有意思的是，散粒噪聲的大小等于被檢測(cè)到光子數(shù)量的平方根。

讀出噪聲。讀出噪聲除妖是由于sensor的模擬數(shù)據(jù)轉(zhuǎn)換為數(shù)字?jǐn)?shù)據(jù)時(shí)所帶入的噪聲。讀出噪聲是圖像傳感器本身的特性。一些sensor的讀出噪聲高于另一些sensor的讀出噪聲。在 當(dāng)前所使用的CMOS sensor中，其讀出噪聲一般都比CCD sensor讀出噪聲小。

熱噪。sensor本身的熱量所散發(fā)出電子。sensor檢測(cè)到自身所散發(fā)的電子當(dāng)做光的一部分。曝光時(shí)間越長(zhǎng)熱噪越多，曝光時(shí)間較短是熱噪可以忽略不計(jì)。降溫可以在一定程度上減少熱噪。

?

讓我們例舉一個(gè)具體的例子。以IMX178為例，我們?cè)O(shè)置一個(gè)比較小的增益。設(shè)置好之后，我們可能得到以下具體的數(shù)值：

Gain（e/ADU）：0.25

讀出噪聲（e-RMS）：1.7

Exposure：0.1s

?

如果我們有一個(gè)灰度值為200(ADU)的像素,即表示sensor檢測(cè)到50個(gè)光子（Gain乘以ADU）。

檢測(cè)到的50個(gè)光子告訴我們其散粒噪聲大小為50的開方根，即大概為七個(gè)電子。由于曝光時(shí)間比較短，其熱噪可以忽略不計(jì)，此外，讀出噪聲為1.7個(gè)電子。

因此，總的噪聲為7e+0e+1.7e

?

實(shí)際上，噪聲總和并不是直接相加為8.7e。當(dāng)我們計(jì)算噪聲的總和時(shí)，不僅僅是直接把其各個(gè)噪聲相加，而是把每一個(gè)噪聲平方相加之后再開方。除非噪聲之間互相相關(guān)，否則一般噪聲的總和是把每一個(gè)噪聲平方相加之后再開方。

因此，根據(jù)以上噪聲信息，我們得到7.2e

根據(jù)噪聲信息和增益大小，我們可以得到噪聲大概為29ADU。

?

Ok,到此為止，我們了解到每一個(gè)像素都有一定噪聲，其主要有三個(gè)來源。現(xiàn)在我們會(huì)到之前的例子，200像素大小時(shí)計(jì)算出噪聲為29ADU。會(huì)到我們之前定義的信噪比定義中，我們得到SNR=200/29=6.89。那么，讓我們看看Binning之后將會(huì)發(fā)生什么！

假設(shè)我們以2*2 binning，我們選取四個(gè)像素為一個(gè)宏像素，每一個(gè)像素有200ADU和29ADU的噪聲。我們將其相加作為一個(gè)像素之后：

Binned Value= 200+200+200+200=800

那么，對(duì)于Binned像素而言其噪聲應(yīng)該怎么計(jì)算了？回到之前我們談及到的，當(dāng)噪聲之間不相相關(guān)的時(shí)候，我們使用加法求積的形式計(jì)算其噪聲的大小。即平方每個(gè)噪聲相加之后再開方：

Binned noise =

我們發(fā)現(xiàn)，binnned之后像素的大小增大了四倍，但是其噪聲的大小只是增大了兩倍。計(jì)算biinned 像素之后的值為：

SNR=800/58 =13.8左右

Binning之后，SNR大概是原來的2倍。這即是binning百分之九十的秘密：像素值相加，但是噪聲通過加性相乘提高了SNR

?

如上所述，binnning通過四個(gè)像素灰度值相加binned得到800。這是一種常用的binning技術(shù)，這種方式得到的Binned像素將是原來的四倍亮度，對(duì)展現(xiàn)細(xì)節(jié)非常有用。這種技術(shù)有個(gè)問題是，如果像素值大小最大為255，binned之后我們將得不到800，而是截取之后得到255。實(shí)際上binned之前的相鄰像素大小為64或者64以上，我們都將得到255.

另外一種Binnning方式是把四個(gè)像素值相加之后求其平均值。那么，這種方式下有時(shí)如何影響到SNR的呢？

?

我們分兩步計(jì)算其SNR。首先相加。把binned之前四個(gè)像素值相加：

Sum= 200+200+200+200=800

Noise on Sum =58

?

然后我們除以binned size大小。

Average= 800/4 = 200

Noise on Sum = 58/4=14.5

?

SNR = 200/14.5=13.8

?

因此，不管是相加的binning形式還是平均的Binning形式，都能增加sensor的信噪比提高sensor獲取圖像的性能。

?

因此，我們總結(jié)如下：

Binning 增加了圖形的信噪比

CMOS N*N binning增加信噪比是原來的N倍。即如果以2*2 binning，信噪比將提高2倍，以3*3 binning，信噪比將提高3倍。

相加形式的binnning和平均形式的binning有相同的信噪比大小。

參考：https://forums.sharpcap.co.uk/viewtopic.php?f=35&t=262

總結(jié)

以上是生活随笔為你收集整理的理解 Pix Binning的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。