噪声是影响CMOS图像传感器性能的关键因素，直接决定了传感器的灵敏度和动态范围。本章将系统介绍CMOS传感器中的各种噪声源，建立完整的噪声模型，并探讨实用的噪声抑制技术。通过深入理解噪声机理和优化方法，读者将能够设计出高信噪比的图像传感器系统。
CMOS传感器中的噪声具有随机性，需要用统计方法描述。理解噪声的统计特性是进行噪声分析和优化的基础。噪声不是确定性信号，而是具有随机涨落的物理现象，因此必须用概率论和随机过程理论来描述。
均值与方差： 噪声的一阶和二阶统计矩是最基本的描述参数：
对于零均值噪声（大多数情况），RMS值直接反映噪声强度。在CMOS传感器中，噪声通常以电子数（e⁻）为单位表示，这样可以直接与信号电子数比较。
概率密度函数： 噪声的概率分布决定了其统计特性。大多数噪声源遵循高斯分布（正态分布）：
p(n) = (1/√(2πσ²)) * exp(-n²/(2σ²))
高斯分布的重要性在于中心极限定理：多个独立随机变量的和趋向于高斯分布。这解释了为什么传感器中多种噪声源叠加后通常呈现高斯特性。然而，某些噪声源如RTN、热像素等可能偏离高斯分布，需要用其他分布模型描述。
功率谱密度（PSD）： PSD描述噪声功率在频域的分布，是噪声频率特性的关键表征：
PSD的积分给出总噪声功率：σ² = ∫S_n(f)df。通过PSD分析可以识别主导噪声源并设计相应的滤波策略。
自相关函数与功率谱的关系： 维纳-辛钦定理建立了时域和频域的联系：
S_n(f) = ∫R_n(τ)e^(-j2πfτ)dτ
R_n(τ) = E[n(t)n(t+τ)]
白噪声的自相关函数为δ函数，表示不同时刻的噪声值完全不相关。
CMOS传感器的噪声可从多个维度分类，每种分类方法都有助于理解和解决特定的噪声问题。
按时空特性分类：
时间噪声（Temporal Noise）：
空间噪声（Spatial Noise/FPN）：
按物理机制分类：
基本噪声源：
器件噪声源：
按频率特性分类：
白噪声：
有色噪声：
按相关性分类：
不相关噪声：
相关噪声：
噪声在信号链中的传递遵循特定规律，理解这些规律对于系统级噪声优化至关重要。
线性系统的噪声传递：
对于线性时不变系统，噪声功率的传递遵循：
σ²_out = ∫S_in(f)|H(f)|²df
其中H(f)是系统传递函数，S_in(f)是输入噪声功率谱密度。
多级级联系统的总噪声：
σ²_total = σ²_n1 × G²_total + σ²_n2 × G²_2···n + ... + σ²_nn
噪声系数与噪声温度：
Friis公式描述级联系统的噪声系数：
F_total = F₁ + (F₂-1)/G₁ + (F₃-1)/(G₁G₂) + ...
等效噪声温度：
T_e = T₀(F - 1)
其中T₀ = 290K（标准温度）
相关双采样的噪声传递：
CDS是CMOS传感器中最重要的噪声抑制技术，其传递函数为：
H_CDS(f) = 2|sin(πfT_s)|
CDS对不同噪声的效果：
数字滤波器的噪声传递：
移动平均滤波器：
H_MA(f) = sin(πfNT_s)/(N×sin(πfT_s))
噪声降低因子：1/√N（对白噪声）
带通滤波器的噪声带宽：
B_n = ∫|H(f)|²df / |H_max|²
等效噪声带宽决定了通过的总噪声功率。
建立准确的噪声模型是传感器设计和优化的基础。不同的建模方法适用于不同的设计阶段和分析需求。
解析模型：
基于物理机理的数学模型提供了噪声的理论基础：
基本噪声叠加模型：
σ²_total = σ²_readout + σ²_shot + σ²_dark + σ²_FPN + σ²_quant
考虑相关性的完整模型：
σ²_total = σ²_temporal + σ²_spatial + 2ρ×σ_temporal×σ_spatial
其中ρ是相关系数，通常情况下时间噪声和空间噪声不相关（ρ=0）。
光子转移曲线（PTC）模型：
σ²(S) = σ²_read + g×S + (g×σ_dark×t_int)²
信噪比模型：
SNR = S/√(σ²_read + S + D×t_int)
此模型可用于优化曝光时间和增益设置。
仿真模型：
电路级仿真提供详细的噪声分析：
SPICE噪声分析：
MOS晶体管噪声模型：
热噪声：i²_d = 4kTγg_m Δf
1/f噪声：i²_f = (K_f×I_d^(a_f))/(C_ox×W×L×f) Δf
系统级仿真：
经验模型：
基于大量测试数据的拟合模型：
多项式拟合模型：
σ_total = a₀ + a₁×√S + a₂×S + a₃×T + a₄×t_int
通过最小二乘法确定系数。
分段线性模型：
σ = {
σ_read, S < S_threshold1
√(σ²_read + K₁×S), S_threshold1 ≤ S < S_threshold2
K₂×√S, S ≥ S_threshold2
}
机器学习模型：
混合建模方法：
结合物理模型和经验数据：
参数化物理模型：
σ²_total = σ²_0(T) + α(V)×S + β(f)×S²
其中温度、电压、频率依赖性通过测量确定。
校准因子修正：
σ_actual = σ_model × CF(conditions)
CF是基于实测数据的校准因子。
分层建模：
理解时域噪声和空间噪声的特性对于传感器设计至关重要。时域噪声决定了传感器的检测极限，而空间噪声影响图像均匀性。两者的产生机理、表现形式和抑制方法都有显著差异。
热噪声（Thermal Noise/Johnson-Nyquist Noise）：
热噪声是电阻中载流子随机热运动产生的基本噪声，在CMOS传感器中主要表现为kT/C噪声。
物理机理：
v²_n = 4kTRΔf （电阻热噪声）
σ_kTC = √(kT/C) （采样电容噪声）
在CMOS像素中的表现：
典型值分析：
C = 5fF: σ_kTC ≈ 29e⁻ @ 300K
C = 10fF: σ_kTC ≈ 20e⁻ @ 300K
C = 20fF: σ_kTC ≈ 14e⁻ @ 300K
温度依赖性：σ_kTC ∝ √T，降温可以减小热噪声，但实际应用受限。
散粒噪声（Shot Noise）：
散粒噪声源于电荷载流子的离散性和随机到达特性，遵循泊松统计。
基本公式：
σ_shot = √(N)
不同情况下的散粒噪声：
信号依赖特性：
1/f噪声（Flicker Noise）：
1/f噪声主要来源于Si-SiO₂界面的陷阱态，在低频段显著。
MOSFET中的1/f噪声：
S_vn(f) = K_f/(C_ox×W×L×f^α)
v²_n = K_f×ln(f_H/f_L)/(C_ox×W×L)
影响因素：
转角频率：
f_c = g_m×K_f/(4kT×C_ox×W×L)
f_c以下1/f噪声主导，以上热噪声主导，典型值1kHz-1MHz。
量化噪声（Quantization Noise）：
ADC的有限分辨率引入的固有噪声：
均匀量化器：
σ_q = LSB/√12 = V_FS/(2^n×√12)
非均匀量化的影响：
过采样降低量化噪声：
σ_q,eff = σ_q/√(OSR)
OSR：过采样率
随机电报噪声（RTN）：
RTN是单个缺陷引起的双稳态噪声，在小尺寸器件中显著。
特征：
详细分析见7.4节。
暗信号不均匀性（DSNU）： 像素间暗电流的差异：
DSNU = σ(Dark_signal) / mean(Dark_signal)
主要原因：
光响应不均匀性（PRNU）： 像素间光响应的差异：
PRNU = σ(Response) / mean(Response) × 100%
典型值：< 1% @ 50% saturation
列固定模式噪声（Column FPN）： 列读出电路的失配造成：
暗电流噪声：
I_dark(T) = I_dark(T₀) × 2^((T-T₀)/T_doubling)
T_doubling ≈ 6-8°C（暗电流翻倍温度）
热噪声：
σ_thermal ∝ √T
1/f噪声： 温度依赖性较弱，但低温下可能增加
总噪声与积分时间的关系：
σ_total² = σ_read² + (q_e × I_ph + I_dark) × t_int
信噪比优化：
SNR = (I_ph × t_int) / σ_total
存在最优积分时间，取决于场景亮度和噪声水平。
像素级FPN来源：
列级FPN来源：
FPN的频谱特性：
垂直FPN：主要集中在低频
水平FPN：包含行频的谐波
2D FPN：具有特定的空间频率分布
两点校正法：
Y_corrected = (X - D) × G
多点校正： 使用分段线性或多项式拟合：
Y = a₀ + a₁X + a₂X² + ...
提高非线性区域的校正精度
动态FPN校正： 利用图像内容估计FPN：
相关双采样（CDS）：
基本CDS：V_out = V_sig - V_reset
有效抑制：
双增益读出：
高增益路径：用于低信号
低增益路径：用于高信号
切换点优化：基于噪声特性
列级失调消除：
版图匹配技术：
共质心布局（Common-centroid）
交叉耦合（Cross-coupling）
Dummy器件保护
梯度补偿
工艺优化：
电路设计考虑：
差分架构：抑制共模噪声
电流镜匹配：W/L比例优化
参考电压分布：星型连接
去耦电容：局部供电稳定
载流子俘获-释放模型：
俘获时间：τ_c = 1/(σ_n × v_th × n)
释放时间：τ_e = exp(E_t/kT) / (σ_n × v_th × N_c)
RTN的时域特征：
双稳态切换：ΔI = I_high - I_low
占空比：r = τ_low/(τ_low + τ_high)
频率特性：f_corner = 1/(2π(τ_c + τ_e))
幅度分布：
P(ΔI) ∝ exp(-ΔI/ΔI₀)
呈指数分布，大幅度RTN概率低
时间常数分布：
P(τ) ∝ 1/τ （在τ_min < τ < τ_max范围内）
对数均匀分布
像素RTN概率：
P_RTN = 1 - exp(-N_t × A)
器件尺寸效应：
σ_RTN ∝ 1/√(W×L)
器件缩小导致RTN增加
温度依赖性：
τ_e(T) = τ_e0 × exp(E_a/kT)
低温下RTN时间常数增大
偏置依赖性：
器件级优化：
增大晶体管面积：降低单个陷阱影响
优化栅氧工艺：减少界面态密度
选择低噪声工艺：如埋沟CCD
应力工程：减少晶格缺陷
电路级对策：
CDS/CMS：抑制低频RTN
动态偏置：避免RTN活跃区
冗余设计：多晶体管平均
自适应滤波：检测并补偿RTN
系统级处理：
大面积光电二极管：
优点：
- 更高的满阱容量
- 更好的光收集效率
- 降低散粒噪声相对影响
设计要点：
- 优化N-/P-掺杂分布
- 深度优化（BSI工艺）
- 隔离结构设计
埋沟传输：
优势：
- 完全电荷传输
- 降低界面态影响
- 抑制暗电流
关键参数：
- 沟道势垒高度：50-200mV
- 传输栅长度：0.5-1.5μm
- 驱动电压：2.8-3.3V
像素内增益：
LOFIC（Lateral Overflow Integration Capacitor）：
- 扩展动态范围
- 维持低噪声读出
像素级放大：
- 源跟随器优化
- 共源共栅结构
低噪声放大器设计：
噪声优化：
输入级晶体管：大W/L，低1/f噪声
偏置电流：折衷噪声与功耗
带宽限制：减少总积分噪声
关键指标：
等效输入噪声：< 100nV/√Hz @ 1MHz
噪声系数：< 1dB
增益带宽积：> 100MHz
相关多采样（CMS）：
基本原理：
V_out = Σ(V_sig[i] - V_ref[i])/N
噪声改善：
σ_CMS = σ_CDS/√N （白噪声）
1/f噪声抑制：> 20dB @ N=4
差分架构：
全差分信号路径：
- 抑制共模噪声
- 提高电源抑制比
- 降低偶次谐波
设计考虑：
- 共模反馈稳定性
- 差分对匹配
- 版图对称性
斜坡ADC降噪：
斜坡发生器优化：
- 低噪声DAC设计
- 温度补偿
- 抖动（Dither）技术
比较器设计：
- 自动调零
- 迟滞控制
- 亚稳态处理
Σ-Δ ADC应用：
优势：
- 本征噪声整形
- 高分辨率
- 简单模拟电路
设计参数：
- 过采样率：16-256
- 调制器阶数：1-3
- 量化器位数：1-5
数字滤波与降噪：
CDS in数字域：
Y[n] = X[n] - X[n-1]
噪声整形：
H(z) = (1 - z^-1)^M
最优滤波：
维纳滤波器设计
卡尔曼滤波应用
电源噪声抑制：
片上稳压器：
- LDO：高PSRR，低噪声
- 开关稳压器：高效率，需要滤波
去耦策略：
- 多级去耦电容
- 电源域隔离
- 敏感节点屏蔽
时钟噪声控制：
时钟抖动影响：
σ_jitter = dV/dt × σ_t
降低抖动：
- PLL/DLL优化
- 差分时钟分布
- 时钟门控
串扰抑制：
版图技术：
- 屏蔽线
- 增大间距
- 交错布线
电路技术：
- 差分信号
- 电流模式传输
- 时序优化
光子转移曲线（PTC）法：
测量步骤：
1. 不同曝光量下采集多帧
2. 计算均值和方差
3. 绘制方差-均值曲线
提取参数：
- 读出噪声：Y轴截距
- 转换增益：斜率倒数
- 满阱容量：曲线拐点
测量装置示意：
光源 → 积分球 → 传感器
↓ ↓ ↓
控制器 ← 采集卡 ← 数据处理
暗场测量：
暗电流噪声：
1. 完全遮光
2. 不同积分时间
3. 多帧统计分析
DSNU测量：
σ_DSNU = std(Dark_frame)
需要减去时间噪声贡献
频谱分析法：
FFT分析：
S(f) = |FFT(signal)|²
识别噪声类型：
- 白噪声：平坦谱
- 1/f噪声：-20dB/decade
- RTN：洛伦兹谱
读出噪声分离：
方法1：零曝光外推
σ_read = lim(σ_total) as Signal→0
方法2：CDS差分
σ_read = σ(Frame2 - Frame1)/√2
噪声成分分解：
总噪声模型：
σ²_total = σ²_read + σ²_shot + σ²_dark + σ²_FPN
分离方法：
- 多条件测量
- 最小二乘拟合
- 主成分分析
空间频率分析：
2D FFT：
F(u,v) = FFT2D(Image)
噪声功率谱：
PSD(u,v) = |F(u,v)|²
相关长度：
L_c = 1/(2πf_cutoff)
EMVA 1288标准：
测试条件：
- 温度：22±2°C
- 光源：均匀度>98%
- 采样：最少50帧
关键指标：
- 量子效率
- 时间噪声
- 暗电流
- DSNU/PRNU
- 线性度
- 动态范围
ISO 12232扩展：
噪声相关指标：
- 噪声等效曝光
- 信噪比曲线
- 动态范围
测试图卡：
- 灰阶卡
- 均匀场
- 分辨率板
统计分析工具：
# 噪声分析示例框架
def noise_analysis(frames):
mean = np.mean(frames, axis=0)
var = np.var(frames, axis=0)
# 时间噪声
temporal_noise = np.mean(np.std(frames, axis=0))
# 空间噪声
spatial_noise = np.std(mean)
# PTC拟合
gain = fit_ptc(mean, var)
return {
'temporal': temporal_noise,
'spatial': spatial_noise,
'gain': gain
}
噪声趋势分析：
温度扫描：
- 暗电流激活能
- 噪声温度系数
电压扫描：
- 电源灵敏度
- 最佳工作点
频率响应：
- 带宽限制
- 滤波器设计
可视化方法：
常用图表：
1. PTC曲线（log-log）
2. 噪声直方图
3. 空间噪声图
4. 频谱密度图
5. Allan方差图
本章系统介绍了CMOS图像传感器的噪声分析与优化技术：
核心概念：
主要噪声源：
关键公式：
总噪声模型：
σ²_total = σ²_read + σ²_shot + σ²_dark + σ²_FPN
光子转移曲线：
σ² = Read_noise² + Signal/Gain
相关双采样传递函数：
H_CDS(f) = 2|sin(πfT_s)|
暗电流温度依赖：
I_dark(T) = I_dark(T₀) × 2^((T-T₀)/T_doubling)
优化策略：
测量方法：
通过本章学习，读者应能够：
7.1 一个CMOS传感器像素的满阱容量为10,000 e⁻，读出噪声为5 e⁻。计算： a) 最大信噪比（SNR）是多少？ b) 动态范围（DR）是多少dB？ c) 在1000 e⁻信号水平时，SNR是多少dB？
Hint：SNR = Signal/Noise，散粒噪声σ_shot = √Signal
7.2 某像素采用相关双采样（CDS），采样间隔为1μs。计算CDS对以下噪声的传递函数值： a) DC偏移 b) 100 kHz噪声 c) 500 kHz噪声 d) 1 MHz噪声
| Hint：H_CDS(f) = 2 | sin(πfT_s) |
7.3 一个传感器在22°C时暗电流为10 e⁻/s，暗电流翻倍温度为7°C。求： a) 60°C时的暗电流 b) 要使暗电流降至1 e⁻/s，需要降温到多少度？
Hint：I_dark(T) = I_dark(T₀) × 2^((T-T₀)/T_doubling)
7.4 设计一个低噪声CMOS像素读出链路，要求：
讨论你的设计选择，包括： a) CDS/CMS策略 b) 放大器增益分配 c) ADC架构选择 d) 功耗估算
Hint：考虑kT/C噪声、放大器噪声、量化噪声的贡献
7.5 某传感器出现周期性条纹噪声，频率为行频的3倍。分析： a) 可能的噪声源 b) 如何通过测量确认 c) 提出至少3种抑制方案 d) 各方案的优缺点
Hint：考虑电源、时钟、串扰等因素
7.6 开放性思考：未来CMOS传感器降噪技术的发展方向是什么？讨论： a) 新材料和新结构的潜力 b) AI在噪声抑制中的应用 c) 量子极限的逼近 d) 系统级优化的机会
| ← 第6章：时序控制与接口电路 | 目录 | 第8章：图像质量优化 → |