线扫图像平场拉平与物理信噪比分析工作站

V2.0 (更新于：2026-05-27 08:30)

1. 导入评估图像文件

将两台相机的平场与原始图分别拖入对应虚线仓中，或点击虚线框进行手动文件点选。只导入 A 可评估单相机，双通道导入可进行同屏横评对比。

Camera A 评估通道

通道 A
🌅 平场图像 Flat

用于修正芯片Shading

未选择
📷 未校正 Raw

待测原始线扫图像

未选择

Camera B 评估通道 (可选)

通道 B
🌅 平场图像 Flat

用于修正芯片Shading

未选择
📷 未校正 Raw

待测原始线扫图像

未选择

2. 选型评估推荐与要点

🎯 相机成像分析主要结论

    3. 核心成像物理 KPI

    📊 平场 PRNU (非均匀性)
    A: -
    B: -
    越低越好。反映芯片固有感光像素响应的一致程度。
    🔊 原始未校正全局 SNR
    A: -
    B: -
    越高越好。包含 Shading 下的图像物理信噪比。
    ✨ 平场校正后全局 SNR
    A: -
    B: -
    平场除法乘拉伸在物理上无法提高局域物理信噪比。
    🌀 局域高频空间 SNR
    A: -
    B: -
    剔除了宏观低频光强 Shading 倾斜干扰的纯芯片噪底信噪比。

    4. 图像 1D 亮度剖面拉平对比与局域 SNR 空间变化曲线

    📈 1D 水平灰度剖面分布线 (Shading & Flatness)

    横向 100 等分区间灰度均值。直观拉平前后光照衰减的拉伸改善。

    📊 局域空间信噪比 (SNR) 空间分布对比

    对比拉平后左侧、中心、右侧三区的高频信噪比，向用户展现低频增益放大噪声物理现象。

    5. 完整成像质量指标定量对比表

    计算方法与半导体检测相机选型指南

    1. PRNU 估计 (Photo Response Non-Uniformity)

    PRNU = (Flat_Std / Flat_Mean) × 100%

    反映感光元器件（如 SiC 芯片像素）在相同光强照度下响应的均匀程度，PRNU 越低说明芯片本身的一致性越好，是芯片选型的黄金指标。

    2. 简易平场校正与噪底拉伸

    Pixel_FFC = (Pixel_Raw / Pixel_Flat) × Flat_Mean

    这里没有引入暗场图，主要通过纯乘法拉伸拉平响应。请注意，乘法增益会同比例放大噪底与信号，因此局域物理信噪比完全不改变。但边缘由于灰度被拉伸，虽然视觉上变亮了，但其物理噪底被同比例放大，边缘的 SNR 依然较低。

    3. 局域空间高频 SNR 剔除法

    我们将图像划分为若干个 32 × 32 像素的局域小块，计算各小块内的 Mean / Std 并取均值，最后转换为 dB 单位。由于小块内几乎不存在宏观光照 Shading 倾斜，此方法能更真实地评估物理纯噪底。

    4. 选型过曝警告 (Saturation Risk)

    根据位深上限（如 12bit 为 4095），若图像中像素值达到上限 99.5% 的像素占比超过 0.01%，则会被标记为“过曝风险”。在半导体高反光晶圆检测中，应当通过调整曝光时间或光源避免大面积饱和。