181、噪声与动态范围评价：SNR、DR与视觉噪声模型的工程应用上周在调试一款车载环视摄像头时，遇到了一个让人抓狂的问题：夜间停车场场景下，图像暗部区域出现了明显的“闪烁感”，但SNR（信噪比）指标测出来却有42dB，按照规格书标准完全合格。产线那边的测试报告也显示所有模组都通过了验收。可实际装车后，算法团队反馈说夜间泊车时视觉感知的置信度波动很大，有时能识别车位线，有时就丢帧。这个案例让我意识到，单纯用SNR和DR（动态范围）这两个指标来评价影像系统，在工程实践中远远不够。它们就像体检报告上的身高体重——能说明一些问题，但无法告诉你这个人跑马拉松会不会猝死。SNR的陷阱：你测的噪声可能根本不是噪声先说说SNR。很多工程师习惯用“均值/标准差”来算SNR，对着灰阶卡拍一张图，取一块均匀区域，算一下。这个做法在实验室里勉强能用，但到了真实场景就漏洞百出。我见过最典型的翻车案例：某手机厂商在暗光场景下，SNR测出来有35dB，但用户拍出来的照片噪点明显。问题出在哪里？他们用的是单帧静态场景测试，而用户拍摄时手会抖，ISP的降噪算法在时域上做了多帧融合。实验室里相机固定在三脚架上，多帧融合效果极好，SNR自然高。但手持拍摄时，帧间存在微小位移，融合算法反而引入了鬼影和残差噪声——这些噪声在SNR指标里根本体现不出来。更隐蔽的问题是：SNR计算时默认噪声是高斯白噪声，但实际影像系统的噪声模型复杂得多。暗电流噪声、光子散粒噪声、读出噪声、量化噪声，每种噪声的统计特性都不一样。你用标准差去算，等于把所有噪声都当成了同一类，这就像把苹果