简介 对比度信噪比是指相机通过比较平均对比度与其标准差（对比度分辨率）来分离对比度的能力。换句话说，它描述了相机在不同条件下重现和分离场景中各种物体的能力。IEEE-P2020 工作组*开发了该指标，以更好地理解对汽车和自动驾驶相机系统至关重要的图像质量关键性能指标 (KPI)。图 1：ADAS 应用程序必须能够区分对比度。IEEE-P2020 之所以成立，是因为当消费者安全受到威胁时，需要一个行业标准来评估汽车和自动驾驶系统的性能。在开发过程中，该小组意识到需要建立新的 KPI 来反映自动驾驶的动态性质。我们不能再依赖使用标准光源和测试目标进行的传统相机测试。我们需要 KPI 来深入了解相机在不断变化的环境（例如自动驾驶车辆预期运行的环境）中如何表现。这些新的 KPI 侧重于汽车系统在场景中识别和分离物体并对车辆进行必要调整的能力。KPI 包括对比度传输精度 (CTA)、调制光缓解概率 (MMP)、高动态范围 (HDR) 和对比度信噪比 (CSNR)。CSNR 与 CTA 的区别 CSNR 和 CTA 在检查相机系统检测和测量场景中对比度的能力方面相似。例如，物体的对比度形成于场景的背景。CTA 评估系统对比度记录的准确性，而 CSNR 检查补丁分离。CTA 是测量到的对比度落在定义阈值内的概率。评估员根据相机系统的具体要求和置信区间确定阈值 (IEEE-P2020 建议 Michaelson 作为默认值)。¹ 测试后，我们可以确定对比度重现的强度以及与既定可接受阈值相比的下降情况。同时，CSNR 不受预定值的限制，通过评估未饱和的补丁分离来更全面地观察对比度重现。高 CSNR 值表示良好的对比度分离，而低值则表示补丁分离和对比度检测不佳。¹ CTA 和 CSNR 都是了解自动驾驶相机系统性能的关键 KPI。图 2：CSNR 测试结果（黄色区域表示强对比度检测）。图 3：CTA 测试结果（黄色区域表示强对比度检测）。CSNR 与对比度噪声比 (CNR) 对比度噪声比 (CNR) 在 P2020 指标中用于描述动态范围测试。它通常使用带有灰度补丁的测试目标进行测量。这些补丁具有不同的对比度值和相似的信号分离，可能不会随强度变化而移动。² 因此，此测量可能对相机系统在不同光照强度下解释和分离物体提出挑战。例如，自动驾驶应用程序必须能够在弱光场景中区分物体，以正确检测物体并进行必要的调整。经典的用例是行人穿过黑暗的街道。相机能否区分人与例如中央隔离带、路标等？这一挑战使得拥有 CSNR 和 CNR 等描述更动态场景的 KPI 变得至关重要。CSNR 使用对比度分布的标准差来描述噪声，并将场景中的对比度与噪声分离。图 4：CSNR 测试结果（黄色区域表示强对比度检测）。图 5：CNR 测试结果（黄色区域表示强对比度检测）。CSNR 和信噪比 (SNR) CSNR 和 SNR（信噪比）相似之处在于，高值表示与噪声水平相比补丁分离良好，而低值则表示相反。它们的区别在于 KPI 的测量方式。SNR 值通常可以通过使用灰度 Test Charts 和标准光源的传统测试程序得出。然而，这些测试同样无法复制实际场景，例如自动驾驶系统必须在其中运行的场景。这些环境非常动态，需要独特的测试方法来建立真实世界环境。当对比度降低导致噪声降低且不影响平均值（或信号）时，它们会有所不同。结果，SNR 通过对汽车和其他机器视觉应用有害的影响得到改善。同时，CSNR 不是通过将平均值除以噪声来计算的，而是通过两个定义的补丁之间的对比度来计算的。如何测试 CSNR 在 IEEE-P2020 标准的开发过程中，很明显需要新的测试方法和设备才能准确测试为汽车相机系统新建立的 KPI。由于我们的许多工程师都是 P2020 工作组的成员，我们开始开发一个动态系统，能够在测试实验室中轻松测试多个 P2020 KPI。多功能照明系统 (VLS) 多功能照明系统 (VLS) 为包括 CSNR 测量在内的多种 IEEE-P2020 测量提供了解决方案。该解决方案由使用直流技术创建高稳定性光源的 Vega 光源组成。将这些光源与专门设计的灰度步进测试目标相结合，为 CSNR 测量和曝光时间非常短的应用创建了出色的解决方案。它可以执行标准中描述的空间和时间记录测量。图 6：用于 IEEE-P2020 KPI 测量的 VLS。VLS 是一个由多达六个 Vega 设备组成的系统，连接到独立的移动臂。所有 Vega 都通过臂连接到三脚架，提供高度的适应性。臂的灵活性允许每个 Vega 手动移动，以便在测试期间快速生成随机设置和角度，从而创建动态测试场景。VLS 具有控制软件，使您能够创建测试序列并增加或减少 CSNR 测量的亮度。此外，VLS 评估软件允许您评估测试结果。我们在 iQ-Lab 中使用 VLS 测试系统的 CSNR、CTA 和 MMP 性能。结论 对比度信噪比 (CSNR) 是指相机通过比较平均对比度与其标准差来分离对比度的能力。换句话说，它描述了相机在不同条件下重现和分离场景中各种物体的能力。IEEE-P2020 工作组建立了此 KPI，以考虑自动驾驶的动态特性，以及其他汽车级相机应成功运行的预期。虽然传统的对比度噪声比 (CNR) 和信噪比 (SNR) 测量通常足以确定噪声分离性能，但它们依赖于固定测试设置中的标准灰度 Test Charts。因此，它们无法涵盖相机系统正在进行生死攸关调整的动态场景的全部范围。
因此，我们的团队根据 IEEE-P2020 标准开发了多功能照明系统 (VLS)，以便在测试实验室中轻松创建更动态的测试场景。我们在 iQ-Lab 中使用 VLS 测试 P2020 KPI，包括 CSNR、对比度传输精度 (CTA) 和调制光缓解概率 (MMP)。
*免责声明：IEEE-P2020 工作组中的意见仅代表该工作组的观点，不一定代表 IEEE 或 IEEE 标准协会的立场。
简介
对比度信噪比是指相机通过比较平均对比度与其标准差来分离对比度的能力。换句话说，它描述了相机在不同条件下重现和分离场景中各种物体的能力。IEEE-P2020 工作组*开发了该指标，以更好地理解对汽车和自动驾驶相机系统至关重要的图像质量关键性能指标 (KPI)。
图 1：ADAS 应用必须能够区分对比度。
IEEE-P2020 之所以成立，是因为当消费者安全受到威胁时，需要一个行业标准来评估汽车和自动驾驶系统的性能。在开发过程中，该小组意识到需要建立新的 KPI 来反映自动驾驶的动态性质。我们不能再依赖使用标准光源和测试目标进行的传统相机测试。我们需要 KPI 来深入了解相机在不断变化的环境（例如自动驾驶车辆预期运行的环境）中如何表现。
这些新的 KPI 侧重于汽车系统在场景中识别和分离物体并对车辆进行必要调整的能力。KPI 包括对比度传输精度 (CTA)、调制光缓解概率 (MMP)、高动态范围 (HDR) 和对比度信噪比 (CSNR)。
CSNR 与 CTA 的区别
CSNR 和 CTA 在检查相机系统检测和测量场景中对比度的能力方面相似。例如，物体的对比度形成于场景的背景。CTA 评估系统对比度记录的准确性，而 CSNR 检查补丁分离。
CTA 是测量到的对比度落在定义阈值内的概率。评估员根据相机系统的具体要求和置信区间确定阈值 (IEEE-P2020 建议 Michaelson 作为默认值)。¹ 测试后，我们可以确定对比度重现的强度以及与既定可接受阈值相比的下降情况。
同时，CSNR 不受预定值的限制，通过评估未饱和的补丁分离来更全面地观察对比度重现。高 CSNR 值表示良好的对比度分离，而低值则表示补丁分离和对比度检测不佳。¹
CTA 和 CSNR 都是了解自动驾驶相机系统性能的关键 KPI。
图 2：CSNR 测试结果（黄色区域表示强对比度检测）。
图 3：CTA 测试结果（黄色区域表示强对比度检测）。
CSNR 与对比度噪声比 (CNR)
对比度噪声比 (CNR) 在 P2020 指标中用于描述动态范围测试。它通常使用带有灰度补丁的测试目标进行测量。这些补丁具有不同的对比度值和相似的信号分离，可能不会随强度变化而移动。² 因此，此测量可能对相机系统在不同光照强度下解释和分离物体提出挑战。例如，自动驾驶应用程序必须能够在弱光场景中区分物体，以正确检测物体并进行必要的调整。经典的用例是行人穿过黑暗的街道。相机能否区分人与例如中央隔离带、路标等？
这一挑战使得拥有 CSNR 和 CNR 等描述更动态场景的 KPI 变得至关重要。CSNR 使用对比度分布的标准差来描述噪声，并将场景中的对比度与噪声分离。
图 4：CSNR 测试结果（黄色区域表示强对比度检测）。
图 5：CNR 测试结果（黄色区域表示强对比度检测）。
CSNR 和信噪比 (SNR)
CSNR 和 SNR（信噪比）相似之处在于，高值表示与噪声水平相比补丁分离良好，而低值则表示相反。它们的区别在于 KPI 的测量方式。SNR 值通常可以通过使用灰度 Test Charts 和标准光源的传统测试程序得出。然而，这些测试同样无法复制实际场景，例如自动驾驶系统必须在其中运行的场景。这些环境非常动态，需要独特的测试方法来建立真实世界环境。
当对比度降低导致噪声降低且不影响平均值（或信号）时，它们会有所不同。结果，SNR 通过对汽车和其他机器视觉应用有害的影响得到改善。同时，CSNR 不是通过将平均值除以噪声来计算的，而是通过两个定义的补丁之间的对比度来计算的。
如何测试 CSNR
在 IEEE-P2020 标准的开发过程中，很明显需要新的测试方法和设备才能准确测试为汽车相机系统新建立的 KPI。由于我们的许多工程师都是 P2020 工作组的成员，我们开始开发一个动态系统，能够在测试实验室中轻松测试多个 P2020 KPI。
多功能照明系统 (VLS)
多功能照明系统 (VLS) 为包括 CSNR 测量在内的多种 IEEE-P2020 测量提供了解决方案。该解决方案由使用直流技术创建高稳定性光源的 Vega 光源组成。将这些光源与专门设计的灰度步进测试目标相结合，为 CSNR 测量和曝光时间非常短的应用创建了出色的解决方案。它可以执行标准中描述的空间和时间记录测量。
图 6：用于 IEEE-P2020 KPI 测量的 VLS。
VLS 是一个由多达六个 Vega 设备组成的系统，连接到独立的移动臂。所有 Vegas 都通过臂连接到三脚架，提供高度的适应性。臂的灵活性允许每个 Vega 手动移动，以便在测试期间快速生成随机设置和角度，从而创建动态测试场景。VLS 具有控制软件，使您能够创建测试序列并增加或减少 CSNR 测量的亮度。此外，VLS 评估软件允许您评估测试结果。
我们在 iQ-Lab 中使用 VLS 测试系统的 CSNR、CTA 和 MMP 性能。
结论
对比度信噪比 (CSNR) 是指相机通过比较平均对比度与其标准差来分离对比度的能力。换句话说，它描述了相机在不同条件下重现和分离场景中各种物体的能力。IEEE-P2020 工作组建立了此 KPI，以考虑自动驾驶的动态特性，以及其他汽车级相机应成功运行的预期。
虽然传统的对比度噪声比 (CNR) 和信噪比 (SNR) 测量通常足以确定噪声分离性能，但它们依赖于固定测试设置中的标准灰度 Test Charts。因此，它们无法涵盖相机系统正在进行生死攸关调整的动态场景的全部范围。
因此，我们的团队根据 IEEE-P2020 标准开发了多功能照明系统 (VLS)，以便在测试实验室中轻松创建更动态的测试场景。我们在 iQ-Lab 中使用 VLS 测试 P2020 KPI，包括 CSNR、对比度传输精度 (CTA) 和调制光缓解概率 (MMP)。
*免责声明：IEEE-P2020 工作组中的意见仅代表该工作组的观点，不一定代表 IEEE 或 IEEE 标准协会的立场。