信噪比：SNR

信噪比SNR以分贝表示

式中的S是最亮时的视频电压Vmax和最暗时的视频电压Vmin之差

摄像头的最大输出电压Vmax取决于它能接受的最大未饱和入射光的能力，即在这一最大光照下，摄像头的视频输出电压还未饱和，尚能线性表达其亮度的变化；最小输出电压Vmin为摄像头接收最小光照的能力，即接收图像最暗区域的能力，它除了与图像传感器本身的材料、结构有关外（例如CCD还是CMOS摄像头），还和摄像头的噪音有关，噪音越大，可检出最暗图像的能力越差。

从公式5-1和5-2可以看出，S代表了摄像头能接受的光线的最亮和最暗之间的反差，而N是噪声，代表了影响视频信号表现灰度细微变化的能力，噪音N越大对图像灰度的微小变化的分辨越困难，同时，最小可接受的光照也越大，即灵敏度越差。所以信噪比综合反映了模拟视频信号的动态范围。

5-2  比特位数n

A/D转换将模拟视频信号转换成二进制数字信号，A/D转换后的数字视频的精度和动态范围取决于二进制比特位数n，例如8bits二进制数表达了0-255个灰度，而10bits为0-1023个灰度，位数n越高，视频灰度信号分得越细，越精密，也意味着动态范围越大，n个二进制值中的最小位值是A/D将灰度分得最细的单位，称作LSB。

5-3  信噪比与比特位数的关系：

选择了摄像头后,就能知道其信噪比的数值,将该模拟信号转换成数字信号应采用几位的A/D转换呢,为此我们讨论一下他们之间的关系。

由于视频信号中存在有噪音成分，比特位数n并不是越大越好，这是因为将视频量化时，n每增加1位，量化的精度提高一倍，当精细到LSB和噪音均方差σ相近时，LSB的数值已被噪音淹没，见图5-1，假设图中的视频信号f(t)在这一段时间内保持不变，图5-1表示，因为噪音的干扰，使原本恒定的f(t)上下随机波动。图5-1（a）假设噪音较大，噪音方差σ=LSB，再假设噪音为正态随机变量，噪音的绝对值大于σ的概率为0.32，大于2σ的概率为0.045。这就是说噪音在视频信号上的波动，大于2σ的概率才很小，基本上不会出现，跳动的噪音绝对值基本上小于2σ。因此当σ=LSB时，噪音在±2个LSB内跳动。这就是说当LSB=σ时，n个比特中的最低两个比特基本上是随着噪音而跳变的，这两个bits的有用视频f(t)成分被噪音淹没了。而在图5-1（b）中，当LSB=2σ时，噪音降低了一倍，视频f(t)因噪音只在一个LSB，即在±1个bit上跳变了。

如果同为8bits的A/D变换，当σ=LSB时，视频的有效灰度只有6bits，64个灰度等级；当2σ=LSB时，视频的有效灰度为7bits，128个灰度等级。

下面，用表格列出了不同信噪比和比特位的关系

从上面所述的LSB和σ的关系，以及表格所列的例子中可以看出，LSB和σ的关系反映了将模拟视频量化后，二进制数值动态范围的富裕程度，LSB与σ之比越大，富裕程度越小。例如当LSB=σ时有两个bits的富裕，而当LSB=2σ时，则有一个bit富裕。

在模拟视频信号的信噪比SNR和数字视频的比特位数n的关系中，另一个非常有用的规律是：当最小比特位的大小和噪音方差之比，LSB/σ确定后，SNR每增加6db，比特位需增加1个bit，为n+1。例如，当LSB=2σ，n=8时的SNR=54db，如果SNR增加6db，为60db时，n应为9bits。

从图5-1我们还可以看出，多次采集f(t)，并将结果累加取平均，随着采集的次数增加，随机噪音将逐步减少，趋向于真实的f(t)值。在有的应用领域，例如在特别暗的环境下，所获得的视频图像，所含的灰度噪音非常大，使用多帧累加平均的办法来抑止噪音，增加SNR。当然在累加期间，被摄物体应稳定不动。

用这种累积去噪的方法时，可以适当增加n值，只要累加次数足够，就能将最低bits位的视频从噪音中检测出来。

以上内容出自北京嘉恒中自图像技术有限公司（www.jhi.com.cn）编写的图书《机器视觉系统》，可以在官网免费申领