为什么传统夜视在极暗环境下变黑白？

导读：很多人注意到，夜视画面往往是绿色或黑白的。为什么不是彩色的？今天从物理原理讲清楚这个问题，以及行业正在如何突破。

先说结论

传统夜视技术在极暗环境下输出黑白或绿色画面，不是因为"设计选择"，而是因为物理限制。

色彩信息需要的光子数量比亮度信息多得多。当光照低于某个阈值时，色彩信号太弱，被噪声淹没，系统只能输出单色画面来保留"能看到东西"的基本能力。

从光子到像素：图像是怎么形成的？

要理解这个问题，我们需要从最基本的物理过程说起：

第一步：光子到达传感器

光线本质上是光子流。物体反射或发射的光子，打到图像传感器（CMOS 或 CCD）上。

第二步：光电转换

传感器上的每个像素都是一个"光阱"——光子打进来，产生对应数量的电子。这叫光电效应。

光子越多，产生的电子越多，信号越强。

第三步：信号读取

这些电子被收集、放大、转换为数字信号，最终形成图像。

问题出在哪里？

亮度 vs 色彩的信号差异

这里有一个关键的物理事实：

• 亮度信号（Luminance）：只需要知道"总共有多少光子"，所有波长的光子都算数
• 色彩信号（Chrominance）：需要区分"不同波长的光子各有多少"

打个比方：

想象你站在雨中，手里有两个桶。

• 亮度桶：收集所有雨水，看总共接了多少——这很简单
• 色彩桶：要把雨水按温度分成"冷水"和"热水"——这需要更精细的测量，误差也更大

在光照充足时，"雨水"很多，两种测量都很准确。

但在极暗环境下，"雨水"极少：

• 亮度桶还能接到一点水，大致知道"有多少"
• 色彩桶接到的水太少，分不出冷暖了——色彩信息丢失

传统解决方案的局限

面对这个问题，行业有几种传统处理方式：

方案 1：增加增益（ISO）

把信号放大，但噪声也跟着放大。画面变亮了，但噪点也多了，色彩依然不可靠。

方案 2：延长曝光时间

让传感器收集更多光子。但运动物体会模糊，实时视频场景不适用。

方案 3：放弃色彩，输出单色

既然色彩信号不可靠，干脆只保留亮度信息。这就是为什么传统夜视画面是黑白或绿色的。

绿色画面是微光像增强管（Image Intensifier）的特征——磷光屏把电子转换为绿色荧光。

黑白画面是数字夜视的常见做法——去掉色彩滤波器（Bayer Filter），让所有像素都收集全波段光子，提高灵敏度但丧失色彩。

方案 4：主动补光

用红外 LED 或白光 LED 照射场景。但这就不是"被动夜视"了，而且主动照明可能暴露位置（军事场景）、惊扰动物（生态场景）、或在某些场景不允许使用（如易燃易爆环境）。

行业正在如何突破？

实现极暗环境下的全彩色夜视，需要从三个层面协同优化：

1. 探测器层面：提高单像素集光能力

• 增大像素尺寸（如从 2μm 增加到 13μm）
• 提高量子效率（更多光子转化为电子）
• 降低暗电流（减少热噪声干扰）

2. 电路层面：极低噪声信号链

• 低噪声模拟前端设计
• 高精度 ADC
• 优化的电源管理（减少电源噪声耦合）

3. 算法层面：AI 驱动的信号恢复

这是近年来最重要的突破方向。

传统降噪算法（如时域滤波、空域滤波）会在去噪的同时模糊细节。

基于深度学习的 AI ISP 可以：

• 学习噪声的统计特征
• 在极低信噪比下恢复出真实信号
• 重建色彩信息（即使原始信号中色彩被噪声淹没）

AetoSight 夜视机芯搭载的 PixelClean AI ISP，就是基于这个思路。

全彩夜视的应用价值

为什么全彩色这么重要？因为在很多场景下，颜色是关键信息：

写在最后

"夜视变黑白"不是设计选择，是物理限制下的妥协。

随着探测器技术、低噪声电路和 AI 算法的进步，这个限制正在被突破。

全彩夜视不是遥远的未来——它已经在发生。