⚠ Fixed pattern brus (FPN) är ett vanligt problem i bildsensorer, särskilt i CMOS- och CCD-tekniker. Denna oönskade artefakt manifesterar sig som ett konsekvent, icke-slumpmässigt mönster av pixelvariationer över den tagna bilden, även under enhetlig belysning. Att förstå de bakomliggande orsakerna till fast mönsterbrus är avgörande för att utveckla effektiva begränsningsstrategier och förbättra den övergripande bildkvaliteten.
Förstå fasta mönsterbrus
Fast mönsterbrus avser en specifik typ av brus som förblir konstant från bild till bild. Det är inte slumpmässigt som andra brustyper, som skottljud eller termiskt brus. Istället är det ett systematiskt fel relaterat till variationer i tillverknings- och funktionsegenskaperna för enskilda pixlar inom sensorgruppen.
Synligheten av fasta mönsterbrus är ofta mer uttalad i svagt ljus. Detta beror på att signal-brusförhållandet är lägre. De subtila variationerna blir mer påtagliga när signalen är svag.
Orsaker till fasta mönsterbrus
Flera faktorer bidrar till utvecklingen av fast mönsterbrus i bildsensorer. Dessa faktorer relaterar till tillverkningsfel, temperaturvariationer och inneboende begränsningar i sensorteknik.
🔍 Pixel olikformighet
Variationer i de fysiska och elektriska egenskaperna hos enskilda pixlar är en primär orsak. Tillverkningsprocesser är inte perfekta, och små skillnader i pixelstorlek, dopningsnivåer och transistoregenskaper uppstår oundvikligen.
Dessa skillnader leder till variationer i hur varje pixel reagerar på ljus, vilket resulterar i olikformighet i deras utsignaler. Även under identiska ljusförhållanden kommer vissa pixlar att producera något högre eller lägre värden än andra.
🔍 Mörk strömvariationer
Mörkström är den lilla elektriska ström som flyter genom en pixel även när det inte finns något ljus. Denna ström är mycket temperaturberoende och varierar från pixel till pixel.
Variationer i mörkström bidrar avsevärt till fast mönsterbrus. Vissa pixlar kan uppvisa högre mörkström än andra. Detta leder till en konsekvent offset i deras uteffektvärden, oavsett den faktiska ljusnivån.
🔍 Offsetvariationer
Offsetvariationer avser skillnaderna i baslinjens utspänning eller ström för varje pixel när den inte utsätts för ljus. Dessa variationer kan uppstå från skillnader i transistortröskelspänningar eller andra kretsparametrar inom varje pixel.
Dessa offsetvariationer bidrar direkt till fast mönsterbrus. De skapar ett statiskt mönster av ljusare eller mörkare pixlar i bilden.
🔍 Gain Variationer
Förstärkningsvariationer hänvisar till skillnaderna i förstärkningsfaktorn för varje pixel. Dessa variationer kan uppstå från skillnader i transistorkarakteristika eller andra kretsparametrar inom varje pixel.
Dessa förstärkningsvariationer bidrar direkt till fast mönsterbrus genom att förstärka effekterna av andra olikformigheter. Detta resulterar i ett mer uttalat fast mönsterbrus.
🔍 Temperaturkänslighet
Bildsensorernas prestanda är mycket känslig för temperaturförändringar. När temperaturen ökar ökar också mörkström, och variationerna i mörkström blir mer uttalade.
Denna temperaturkänslighet förvärrar fast mönsterbrus, särskilt i okylda sensorer som arbetar i varma miljöer. Temperaturgradienter över sensorn kan också bidra till olikformiga brusmönster.
Typer av fasta mönsterbrus
Fast mönsterbrus kan brett klassificeras i två huvudtyper baserat på dess egenskaper:
- Offset FPN: Denna typ av FPN orsakas av variationer i mörkström och offsetnivåer för enskilda pixlar. Det visas som en konstant offset i pixelvärdena, oavsett ljusintensiteten.
- Förstärkning FPN: Denna typ av FPN orsakas av variationer i förstärkningen eller känsligheten för enskilda pixlar. Det visar sig som skillnader i pixelvärdena som är proportionella mot ljusintensiteten.
Begränsande tekniker
Flera tekniker kan användas för att mildra effekterna av fasta mönsterbrus. Dessa tekniker sträcker sig från hårdvarubaserade lösningar till mjukvarubaserade bildbehandlingsalgoritmer.
🔎 Sensorkalibrering
Sensorkalibrering är en vanlig metod för att reducera fasta mönsterbrus. Detta innebär att mäta mörkströms- och offsetnivåerna för varje pixel i sensorgruppen. Mätningarna görs under kontrollerade förhållanden.
Datan används sedan för att skapa en korrigeringskarta, som appliceras på varje tagna bild för att kompensera för pixel-till-pixel-variationerna. Kalibrering kan utföras på fabriken eller på fältet.
🔎 Korrelerad dubbelsampling (CDS)
Korrelerad dubbelsampling är en teknik som används i CCD-sensorer för att minska effekterna av återställningsbrus och fastmönsterbrus. Det innebär att mäta pixelspänningen två gånger: en gång före och en gång efter att pixeln har återställts.
Skillnaden mellan de två mätningarna används sedan som pixelvärde, vilket effektivt eliminerar återställningsbruset och en betydande del av det fasta mönsterbruset.
🔎 Subtraktion av mörk ram
Dark frame subtraktion är en enkel men effektiv metod för att ta bort fast mönsterbrus. En mörk ram är en bild som tagits med linsen täckt och samma exponeringstid och ISO-inställningar som den faktiska bilden.
Denna mörka ram innehåller det fasta mönsterbruset och andra sensorartefakter. Att subtrahera den mörka ramen från den faktiska bilden tar bort det fasta mönsterbruset.
🔎 Plattfältskorrigering
Plattfältskorrigering adresserar variationer i pixelkänslighet och linsskuggning. En bild med platt fält fångas genom att avbilda en jämnt upplyst yta.
Den här bilden avslöjar variationer i pixelrespons och linsavfall. Att dividera den tagna bilden med den normaliserade plattfältsbilden korrigerar för dessa variationer, vilket minskar fast mönsterbrus och förbättrar bildens enhetlighet.
🔎 Genomsnitt av flera ramar
Genomsnitt av flera bildrutor är en annan teknik för att minska brus, inklusive FPN. Genom att ta flera bilder av samma scen och ta ett medelvärde av dem tillsammans tenderar slumpmässiga bruskomponenter att ta bort, medan det fasta mönsterbruset förblir konsekvent.
Den genomsnittliga bilden har ett högre signal-brusförhållande och reducerad FPN. Denna metod är särskilt effektiv när den kombineras med subtraktion av mörka ramar.
🔎 Avancerade bildbehandlingsalgoritmer
Mer sofistikerade bildbehandlingsalgoritmer kan användas för att uppskatta och ta bort fast mönsterbrus. Dessa algoritmer involverar ofta rumsliga filtreringstekniker som identifierar och jämnar ut de konsekventa mönstren i bilden.
Wavelet-transformationer och andra avancerade metoder kan också användas för att separera bruskomponenterna från de faktiska bilddata, vilket möjliggör en mer effektiv brusreducering.
Slutsats
Fast mönsterbrus är en inneboende egenskap hos bildsensorer, som härrör från tillverkningsvariationer och temperaturkänsligheter. Att förstå orsakerna och egenskaperna hos FPN är avgörande för att utveckla effektiva begränsningsstrategier.
Genom att använda sensorkalibrering, korrelerad dubbelsampling, subtraktion av mörk bild och avancerad bildbehandlingsteknik kan påverkan av fastmönsterbrus reduceras avsevärt, vilket leder till förbättrad bildkvalitet och mer exakt datainsamling. Fortsatta framsteg inom sensorteknologi och bildbehandlingsalgoritmer kommer att ytterligare minimera effekterna av FPN i framtida bildsystem.
FAQ
Vad exakt är fast mönsterbrus (FPN)?
Fast mönsterbrus är en typ av brus i bildsensorer som visas som ett konsekvent, icke-slumpmässigt mönster över hela bilden. Det orsakas av variationer i pixelegenskaper och förblir konstant från bild till bild.
Vilka är de primära orsakerna till FPN i sensorer?
De främsta orsakerna inkluderar olikformighet i pixlar på grund av tillverkningsvariationer, mörkströmsvariationer, offsetvariationer, förstärkningsvariationer och temperaturkänslighet.
Hur påverkar temperaturen fast mönsterbrus?
Temperaturen ökar mörkström i sensorer, och variationer i mörkström blir mer uttalade. Detta förvärrar fast mönsterbrus, särskilt i okylda sensorer.
Vad är subtraktion av mörk ram och hur hjälper det till att minska FPN?
Dark frame subtraktion innebär att man tar en bild med linsen täckt (en mörk ram) och subtraherar den från den faktiska bilden. Detta tar bort det fasta mönsterbruset och andra sensorartefakter som finns i den mörka ramen.
Kan mjukvarubaserad bildbehandling minska fast mönsterbrus?
Ja, avancerade bildbehandlingsalgoritmer, såsom spatial filtrering och wavelet-transformeringar, kan användas för att uppskatta och ta bort fast mönsterbrus genom att identifiera och jämna ut konsekventa mönster i bilden.
