做计算成像这几年，我越来越觉得“标定”这个词被严重低估了。很多人拿到一台相机，第一反应是拍棋盘格、跑一遍脚本、拿到内参和畸变系数，然后就当完事；等到算法在低光照下突然崩掉，或者重建出来的三维点云在边缘处成片扭曲，才会回头补课：原来传感器输出的每一个灰度值，都不是一个确定性的数，而是一个带方差的观测值。相机噪声模型与标定，就是把“这个观测值有多可信”和“这个观测值是从哪条几何路径来的”这两件事一起解决掉的功课。
这篇文章对应我计算成像系列的第6讲，核心三块：泊松噪声的物理来源与数学模型、光子转移曲线（PTC）的实测与参数提取、张正友标定法的原理拆解与实操纪律。讲完之后，我会把这三块串回同一条流水线，说说噪声模型怎么反过来影响几何标定的精度，以及我这两年在实际项目里攒下的踩坑记录。
适合谁？在校学生做课程项目之前应该读，视觉算法工程师准备自建相机评测流程之前应该读，甚至只是想知道“相机里面的噪声到底能不能测出来”的硬件爱好者也可以读。读完你应该能自己动手搭一套 PTC 标定流程，并且能解释清楚，为什么同一个传感器在暗光下标出来的棋盘格角点位置会飘。
1. 信号链全景：光子、电子、电压、灰度，噪声插在每一环
1.1 为什么标定之前先要理解噪声
计算成像的前提是：你拿到的每一张图像，都是一组物理量的测量结果。测量就一定有不确定度，这是物理决定的，不是算法能绕过去的。很多刚接触成像的同学会把传感器输出的 DN（Digital Number，灰度值）当成一个“精确的读数”，然后直接拿去做反演、重建、匹配。这种假设在高亮、长曝光、低增益的条件下勉强能撑住，一旦进入暗光、短曝光、高增益，模型的输出就开始剧烈振荡，而且你很难分辨到底是算法错了，还是输入数据本身就不靠谱。
所以我的习惯是：动几何标定之前，先把噪声模型搞清楚。原因很朴素——只有知道每一步观测值有多大方差，你才知道哪些像素值得信任、哪些像素只是巧合。而光子转移曲线就是干这件事的：它能把传感器的增益（每个 DN 对应多少电子）、读出噪声、满阱容量一次性标出来。有了这套参数，你再去看泊松噪声、去设计去噪算法、去评估角点检测精度，都会有一个统一的度量单位，而不是停留在“噪声大不大”这种模糊感觉上。
1.2 从光子到灰度：每个环节的噪声来源
一条典型的 CMOS 成像信号链可以拆成六段：入射光子 → 光电转换产生电子 → 电荷在势阱中积累 → 读出电路把电荷转成电压 → 放大器 → ADC 量化为 DN。每一段都会往信号里掺入自己的不确定性。
第一段是光子本身的随机性。光子到达传感器表面的过程可以看成独立随机事件，单位时间内到达的数量服从泊松分布，这是泊松噪声的根源，也是本讲最重要的一个噪声项。第二段是光电转换效率（QE，量子效率），它决定有多少光子最终变成电子。即使 QE 是 1，电子数仍然是泊松随机的；QE 小于 1 只会等比例降低信号均值，不改变“方差等于均值”这个性质。第三段是暗电流，即使完全遮光，半导体内部热激发也会产生电子，这部分电子同样服从泊松分布，而且随温度指数增长。第四到第六段是读出链，主要贡献读出噪声（近似高斯）、固定模式噪声（像素间增益与暗电平不一致）和 ADC 量化噪声。
我把主要噪声源整理成一张表，方便对照着看：
| 噪声来源 | 产生环节 | 统计特性 | 主要对策 |
|---|---|---|---|
| 光子散粒噪声 | 光电转换 | 泊松，方差=均值（电子数） | 增加曝光或采用多帧平均 |
| 暗电流噪声 | 暗电子热激发 | 泊松，随温度升高 | 制冷、暗帧扣除 |
| 读出噪声 | 读出放大链路 | 近似高斯，与曝光无关 | 慢速读出、相关双采样 |
| 固定模式噪声 | 像素工艺差异 | 空间固定，随光照线性/偏置变化 | 平场校正、暗帧扣除 |
| ADC 量化噪声 | 模数转换 | 均匀分布，幅度约 1/√12 LSB | 提高位深 |
这张表里最容易被忽略的是暗电流。我做低光照项目时吃过好几次亏：晚上实验室空调关了，传感器温度从 25℃ 升到 35℃，PTC 标出来的读出噪声倒没变多少，但暗电流翻了一两倍，导致所有长曝光暗场全是“假信号”。所以后面我会反复强调：标定噪声参数时，温度是必须记录的环境变量。
1.3 时间噪声与空间噪声，先分清再测
噪声从“帧与帧之间”和“空间分布”两个维度看，性质完全不同。时间噪声是指同一像素在不同帧之间的随机涨落，包括散粒噪声、暗电流随机部分和读出噪声；空间噪声则是固定的，比如某个像素天生偏亮或偏暗，每一帧都在同一个位置出现同样的纹路，这就是固定模式噪声（FPN），它内部又分为暗信号非均匀性（DSNU）和光响应非均匀性（PRNU）。
这个区分对测量至关重要。如果你只拍一张均匀亮场图，直接计算整幅图的方差，你得到的是“时间噪声 + 空间噪声”的混合值。在均匀光源下，PRNU 引起的方差往往比散粒噪声还大，这时候你算出来的曲线斜率就会偏离真实增益。解决办法非常朴素：同一个曝光条件下连拍两张，两张相减，固定模式噪声在差分中精确抵消，剩下的方差是两倍的时间噪声，除以 2 就还原成单帧时间噪声方差。我在下一节讲 PTC 时会默认采用这个配对差分的做法，这是整条测量流程的地基。
2. 泊松噪声的数学本质：为什么光子数是随机变量
2.1 泊松分布是怎么来的
理解泊松噪声，先要从光子到达的物理过程说起。假设一束稳定光打在传感器上，单位时间内到达某个像素的光子平均数是 λ。光子与光子之间是相互独立的——上一个光子到达后，下一个光子的“到达概率”不会因此变大或变小。在这样一个“独立、稀疏、速率恒定”的随机过程中，任意时间窗口内到达的光子数会服从泊松分布：
P(k) = λ^k · e^(-λ) / k!
这个分布最漂亮的性质是：均值等于方差，都等于 λ。也就是说，如果你测了 100 次曝光，平均每次收到 100 个光子，那么单次接收到的光子数并不是稳定的 100，而是围绕 100 上下波动，标准差是 √100 = 10 个光子。这种波动不是测量误差，而是光本身的粒子性带来的，你再怎么优化电路也消不掉。
我经常用一个雨滴的类比给学生讲：想象一块平整的瓷砖地面，雨下得很均匀，每块瓷砖平均每秒落 10 滴雨。但你数任意一块瓷砖的真实雨滴数，会发现有的 7 滴、有的 13 滴，这种差异不是哪块瓷砖有问题，而是雨滴本身就按泊松规律随机降落。相机传感器就是那片瓷砖。
2.2 SNR 与 √N 定律
泊松分布直接给出一个残酷的标尺：信噪比 SNR = λ / √λ = √λ。这里的 λ 是光子数（或者电子数，二者定量关系只差一个量子效率系数）。换句话说，信号涨 4 倍，信噪比才涨 2 倍；要想把 SNR 从 10 提到 20，光子数要变成原来的 4 倍；提到 100，光子数要变成原来的 100 倍。
这个“√N 定律”解释了计算成像里几乎所有关于曝光的经验法则。为什么暗光下图像看起来“糊”？不是因为镜头不锐，而是因为每个像素收到的光子太少，散粒噪声直接把信号细节淹没了。为什么天文摄影动辄单帧曝光十几分钟？因为要积累光子数，把 λ 堆上去，才能让暗弱天体的 SNR 压过读出噪声。为什么像素合并（binning）能在暗光下改善图像？因为合并 N 个像素，等效λ变成 Nλ，SNR 提升 √N 倍，代价是分辨率下降。
下面这张表可以帮你建立直觉：
| 平均光子数 λ | 散粒噪声标准差 √λ | SNR（线性） | 相对噪声（%） |
|---|---|---|---|
| 10 | 3.16 | 3.16 | 31.6 |
| 100 | 10 | 10 | 10 |
| 1000 | 31.6 | 31.6 | 3.16 |
| 10000 | 100 | 100 | 1 |
所以当你看到一张平均亮度只有 100 个电子/像素的图时，请记住：哪怕传感器本身零瑕疵、电路零噪声，这张图的理论极限信噪比也只有 20dB。这就是为什么低光照成像的关键永远是“多收光子”，而不是“多加增益”——增益只是把噪声和信号一起放大，并不能提高 SNR。
2.3 仿真：把泊松噪声加进一张理想图像
理解归理解，最好还是动手仿真一次。下面这段 Python 代码把“光子到达 → 光电转换 → 读出噪声 → 量化成 DN”的完整链路模拟出来，你可以调参观察散粒噪声的行为：
import numpy as np def simulate_exposure(photons, qe=0.6, gain=1.0, read_noise=2.0): """模拟一次曝光。 photons: 每个像素的入射光子数（二维数组） qe: 量子效率 gain: 系统增益，单位 e-/DN read_noise: 读出噪声，单位电子 返回 DN 图像 """ electrons = np.random.poisson(photons * qe) # 泊松散粒噪声 total_e = electrons + np.random.normal(0.0, read_noise, photons.shape) dn = np.clip(total_e / gain, 0, 65535) return dn, electrons # 均匀照明：每像素平均 100 光子 photons = np.full((256, 256), 100.0) dn, e = simulate_exposure(photons) print("电子均值:", e.mean().round(1), "电子标准差:", e.std().round(1))跑一次你会发现，标准差和均值几乎是同一个量级，这正是“方差等于均值”在数据上的体现。你还可以把 photons 换成一张真实的纹理图，分档设置平均光子数（10、100、1000），观察同一场景在不同光照下的噪声表现。做这个实验最大的收获是建立直觉：噪声的绝对大小随信号强度变化，暗部方差小但相对噪声大，亮部方差大但相对噪声小；这决定了任何“与灰度无关的固定高斯去噪”都是错的，去噪权重必须按像素亮度动态调整。
3. 光子转移曲线实测：半小时摸清传感器的家底
3.1 均值和方差之间的一条直线
光子转移曲线的名字听起来很学术，原理却只要一行公式。在 DN 单位下，单一像素的时间噪声方差可以写成：
Var(DN) = mean(DN) / K + σ_read²
其中 K 是系统增益，单位是 e-/DN，它描述了“平均多少个电子对应一个 DN”；σ_read² 是读出噪声方差，单位是 DN²。为什么方差里会有 mean(DN)/K 这一项？因为均值每增加 1 个 DN，实际增加的是 K 个电子，而电子数的泊松方差等于 K·mean(DN)，换算回 DN² 再除以 K²，正好得到 mean(DN)/K。
把不同曝光量下拍摄的平场图像，逐幅计算均值和方差，再以 log(mean) 为横轴、log(variance) 为纵轴画图，就得到经典的 PTC。曲线上有三个特征区段：低信号端，散粒噪声远小于读出噪声，方差是一条水平线，log-log 斜率为 0；中段，散粒噪声主导，方差与均值成正比，log-log 斜率为 1；高信号端接近满阱，电荷溢出导致方差回落，出现一个“膝盖”状拐点。很多传感器厂商会把这条曲线画在 datasheet 里，但自己实测一遍才是真的懂。
3.2 拍摄要点：平场、暗帧、配对差分
PTC 测量本身不复杂，但细节决定成败。我按固定顺序走下面的流程，供你照着抄：
- 关闭一切自动功能：自动曝光、自动白平衡、ISP 降噪、HDR 合成全部关掉，输出 raw 或未处理的 sensor 原始数据。JPEG 里藏了太多非线性处理，会直接毁掉线性方差关系。
- 准备均匀光源：首选积分球或用磨砂玻璃充分散射的 LED 面光源。光源要稳定，注意市电驱动的灯具有 100Hz/120Hz 频闪，两帧之间亮度波动会污染方差估计；最好用直流供电或高频 PWM 的 LED，点亮后预热 10 分钟再开拍。
- 记录暗场：盖上镜头盖，用最短曝光时间拍 1 张偏置帧，再用实际曝光时间拍 1 张暗场。后续所有平场都先减掉这张暗场，消除偏置电平和暗电流。
- 平场序列：从最低曝光开始，每档曝光连拍 2 张（配对），然后逐步增加曝光时间，直到画面中心接近饱和。档位建议覆盖 8~12 个亮度级。
- 计算方差：取画面中央约 200×200 的区域避免边缘渐晕影响。对每一对图像，计算 diff = (im1 - im2) / √2，然后取 diff 的方差，作为该亮度下的时间噪声方差；同时用单帧图像的方差作为含固定模式噪声的总方差，两个值都记录下来，后面能对比看 PRNU 的贡献。
这里有个容易踩的坑：配对差分时除以 √2 经常被漏掉。两帧独立图像的差，方差是单帧的两倍，不除以 √2 直接当单帧方差用，K 值会翻倍偏大，满阱容量也跟着错。我见过不少从网上抄的代码漏掉这一步，结果标出来的增益和厂商手册对不上。
3.3 从曲线里读出 K、读出噪声、满阱容量
拿到均值和方差序列后，拟合直线提取参数。我习惯在散粒噪声主导的中段（避开低端读出噪声平台和高端饱和拐点）做线性拟合：
import numpy as np from numpy.polynomial import polynomial as P def ptc_fit(means, vars_, k_min, k_max): """在线性区拟合 Var = a * mean + b k_min/k_max: 拟合区间 [DN]，需要肉眼从曲线中段选 """ mask = (means > k_min) & (means < k_max) coeff, _ = P.polyfit(means[mask], vars_[mask], 1) a, b = coeff[1], coeff[0] # a=1/K, b=读出噪声方差(DN²) K = 1.0 / a # 系统增益, e-/DN read_noise = np.sqrt(b) * K # 读出噪声, 电子 return K, read_noise拟合结果按以下方式解读：
- K：系统增益，单位 e-/DN。K 越小，每个 DN 对应的电子越少，等效 ISO 增益越高，图像越“亮”但噪声也被放得越大。
- σ_read = √b × K：读出噪声的电子数。工业相机通常能做到 2~5 e-，消费级相机在 5~10 e-，高增益档位还会更高。
- 满阱容量（FWC）：在 log-log 曲线上找到方差开始回落的拐点对应的均值 DN，FWC = K × mean_DN_knee。这个值决定了一个像素最多能装多少电子，直接影响 HDR 设计的曝光分层策略。
- 交叉点：散粒噪声等于读出噪声的电子数 N_cross = σ_read²。比如读出噪声 3 e-，那平均信号只要到 9 个电子，散粒噪声就开始压过读出噪声。这个交叉点是选择曝光时间的下限依据。
如果你想去对标厂商手册，行业内普遍采用一套被简称为“1288”的评测规范，它的核心思想和这里完全一致，只是把测试条件、统计置信区间、坏点剔除规则标准化了。我第一次按 1288 的思路重跑了自己的 PTC 流程后，才发现之前用的单帧方差把 PRNU 也算进去了，导致 K 系统性偏小约 15%。从那以后，配对差分就成了我的默认动作。
4. 张正友标定法：从一块棋盘格里抠出相机几何
4.1 问题设定与单应矩阵
几何标定解决的是另一个问题：图像上的二维坐标和三维空间点之间是什么关系。针孔模型写出来是 s·x̃ = K·[R|t]·X，x̃ 是图像齐次坐标，X 是三维点，K 是内参矩阵（包含焦距 fx、fy 和主点 cx、cy），R 和 t 是相机相对标定板的外参。
张正友标定法的高明之处，在于用一个平面标定板替代了传统方法里昂贵的三维标定块。当标定板平面取 Z=0 时，模型简化为 s·x̃ = K·[r1 r2 t]·[X Y 1]ᵀ，这个 3×3 矩阵 H 就是单应矩阵。每一张棋盘格照片，通过角点检测和直接线性变换（DLT），都能求出一个 H。而 H 内部包含了两部分信息：一部分是内参 K，另一部分是这一姿态下的外参。接下来的关键问题是：如何从一堆 H 里把 K 单独剥出来。
4.2 从约束到内参闭式解
单应矩阵本身给不出 K，但旋转矩阵的列向量是标准正交的，这个几何性质提供了额外约束。记 B = K⁻ᵀK⁻¹，B 是对称矩阵，只有 6 个独立未知数。每一张棋盘格姿态的旋转正交性能给出两个线性方程：
h1ᵀ·B·h2 = 0 h1ᵀ·B·h1 = h2ᵀ·B·h2
理论上 3 张姿态就能解出全部 6 个未知数（实际一般要求 3 张以上），解出 B 后通过 Cholesky 分解反推出内参 K，再逐姿态求出外参 R、t。这个闭式解的价值在于：它不需要任何非线性优化的初值猜测，直接用线性代数就能拿到一个足够好的起点。
拿到初值后，真正的精度来自最后的非线性优化。把所有角点残差堆起来，用列文伯格-马夸尔特法同时精化 K、畸变系数和每张图的外参，目标函数是：
Σᵢⱼ ‖ x_ij − x̂(K, d, R_i, t_i, X_j) ‖²
其中 x̂ 是把棋盘格角点 X_j 投影到图像上、再经过畸变模型扭曲后的预测坐标。径向畸变和切向畸变的标准形式如下（k1、k2 是径向，p1、p2 是切向）：
x_dist = x · (1 + k1·r² + k2·r⁴) + 2·p1·x·y + p2·(r² + 2x²) y_dist = y · (1 + k1·r² + k2·r⁴) + p1·(r² + 2y²) + 2·p2·x·y
其中 x、y 是归一化无畸变坐标，r² = x² + y²。这里有个细节：畸变模型作用在归一化坐标上，而不是像素坐标上。如果你自己实现，务必先把像素坐标减主点、除焦距，再套畸变公式，否则优化会不收敛或者收敛到错误的畸变参数。
4.3 采集纪律和验收标准
张正友标定法对数学的要求不高，对数据采集的要求相当高。方法本身再漂亮，喂进去烂数据也白搭。我给自己定了几条硬纪律：
- 数量：10~20 张有效姿态。少于 8 张，内参的置信区间会大得没法用；多于 20 张收益递减。
- 姿态多样性：棋盘格必须在俯仰（绕 x 轴）和偏航（绕 y 轴）方向都有明显倾斜，同时覆盖画面中心和四角。如果你只是把棋盘格放在不同距离、同一朝向平移，fx 和 fy 会互相牵连，标出来焦距天天变。
- 对焦与光圈：手动对焦锁死在实测工作距离，光圈收到中档（比如 f/5.6~f/8），保证倾斜时棋盘格整个幅面都足够锐利。大光圈浅景深会让倾斜姿态的半张棋盘格离焦，角点位置会系统性偏移。
- 光照：均匀明亮的照明，最低 ISO 拍摄。这里就和前面讲的噪声模型接上了——角点定位误差和噪声标准差成正比，暗光下角点检测的 jitter 会让每张图的单应矩阵都带随机扰动。
- 表面平整度：棋盘格必须贴在绝对平整的刚性板上，纸板微弯一点点，标出来的畸变参数就会带进弯曲量，而且这种误差是系统性的，多拍几张也平均不掉。
验收时不要只盯着总体 RMS 重投影误差。我会额外做两件事：第一，统计每张图各自的平均残差，如果某张图明显偏大，多半是这张姿态拍虚了或曝光不足，直接剔除重拍；第二，把残差画到图像坐标系热图上，如果四角残差系统性偏大，说明畸变模型和实际镜头不匹配，或者标定板没有覆盖到画面四角。合格的项目级标定，总体 RMS 应该压在 0.2~0.5 像素以内；差于 1 像素的标定，在后续三维重建里基本没法看。
5. 噪声与几何标定合流：一份我这两年攒下的实战清单
5.1 噪声如何悄悄污染角点检测
很多人标完内参就再也不看噪声参数了，这是不对的。角点检测的本质是在梯度方向找灰度跳变的位置，定位精度与信噪比直接挂钩。一个简化的误差模型可以写成：定位误差 ∝ 图像噪声标准差 / 局部梯度强度。也就是说，棋盘格角点越锐利、图像噪声越小，定位越准。
我在同一台相机上对比过：ISO 100 时读出噪声约 2.5 e-，角点 jitter 大概 0.05 像素；开到 ISO 3200，读出噪声涨到 8 e-，同时散粒噪声也按 √N 增长，角点 jitter 直接翻到 0.15~0.2 像素。这 0.1 像素的差异，在单目测距和双目三角化中会被放大成厘米级的深度误差。所以我的原则是：几何标定永远在最高 SNR 的条件下做——最低 ISO、最强均匀光、保证标定板表面不反光。如果你必须在低照度下标定，至少先用 PTC 测出该条件下的噪声方差，把角点检测的阈值和子像素窗口按噪声水平调大。
5.2 把噪声方差变成权重
既然知道每个像素的噪声方差，几何标定里的重投影误差就不应该给所有角点同等的权重。噪声模型告诉我们，灰度值为 y_DN 的像素，其时间噪声方差近似是：
σ²(y) = max(y / K, 0) + σ_read²（DN²）
于是加权最小二乘的目标函数变成：
Σᵢⱼ w_ij · ‖ x_ij − x̂(…) ‖²，其中 w_ij = 1 / σ²(y_ij)
这等于在说：亮部角点定位更可信，给它更大的权重；暗部角点噪声大，别让它把优化结果往错误方向拖。实现起来并不难，主流标定工具大多支持传入权重矩阵，不支持的话手写一个列文伯格-马夸尔特也就半天功夫。类似的权重思路还可以用到双目三角化：把二维观测协方差通过雅可比矩阵前向传播到三维点协方差，得到一个带不确定度的三维坐标，而不是一个“假装精确”的点。对于做计量级三维重建的朋友，这一步是必需品，不是锦上添花。
5.3 踩坑记录
我这两年被各种标定问题折磨出来的经验，大部分都适合记录成一张“现象-根因-对策”表：
| 现象 | 根因 | 对策 |
|---|---|---|
| 夏天和冬天标出的 K 值对不上 | 暗电流随温度漂移，方差估计被污染 | 标定前热机 30 分钟，记录传感器温度，长曝光必须实时扣暗帧 |
| PTC 标出的增益比手册偏小 | 单帧方差混入了 PRNU | 用配对差分计算时间噪声方差 |
| 张正友标定的 fx/fy 反复横跳 | 棋盘格只有平移，缺少俯仰/偏航旋转 | 增加姿态多样性，覆盖俯仰±30° |
| 画面边缘畸变怎么标都不对 | 棋盘格有效覆盖只在中央区域 | 让标定板铺满四角，必要时用多尺寸板 |
| JPEG 标定数据全部偏一个方向 | 自动白平衡改变了颜色通道增益，角点位置随通道权重漂移 | 永远用 raw 输出，关掉一切 ISP |
| 标定和实际采集用不同 ISO，重建误差大 | 内参不随增益变化，但角点噪声和权重变了 | 标定环境和实测环境保持同一增益档 |
这张表里的每一条，都是我在真实项目里交过学费换来的。尤其是温度那条：我第一次发现 K 值漂移时还以为是代码 bug，排查了两天才意识到是下午实验室空调关了，传感器升温导致暗电流变化。从那以后，PTC 采集数据时我都会顺手在笔记本上记一栏传感器温度，哪怕只是“开机半小时/刚开机”这种粗略标记。
5.4 现在的固定流程
把噪声模型和几何标定串起来之后，我现在每到一个新项目，都会按下面的流程走一遍，半小时到一小时就能完成：
- 热机 30 分钟，让传感器温度稳定；选好镜头、光圈、焦距并锁定。
- 分别对常用 ISO 档位跑一遍 PTC，记录 K、读出噪声、满阱容量，写进项目配置表。
- 在最低 ISO、均匀强光下采集 15 组棋盘格，覆盖中心与四角、俯仰与偏航，跑张正友标定并验收。
- 把噪声模型写成权重，对重投影误差做加权优化（如果需要，再做协方差传播）。
- 每次外场测试前，花 5 分钟拍一组平场加一组暗帧，快速拟合一个 K 值，和配置表对比。偏差超过 10% 就重标。
最后再分享一个小习惯：我会把每次 PTC 的 log-log 曲线截图存成一个“传感器体检档案”，按日期命名。时间长了能看出传感器老化、污染、甚至镜头镀膜劣化的趋势。这本来是无心插柳，后来发现它比任何手册都有说服力——当曲线斜率在半年内漂移超过 5% 时，就该重新评估这台设备还能不能用于定量测量了。噪声模型和几何标定从来不是一次性的仪式，而是一套需要持续维护的度量体系。希望这篇第 6 讲能帮你在项目里少走点弯路，也让你下次看到满屏噪点的时候，知道它们到底是从哪来的。
