基于SPAD的单光子3D与反射率成像：Matlab仿真与光子高效计算

第一次把单光子探测器的直方图数据导出到Matlab里，直接画出深度图的时候，我有点不太敢相信：每像素平均只有几个光子，居然能重建出清晰的3-D轮廓和反射率图。后来想明白了，单光子探测器（SPAD）这套系统里，真正值钱的技术已经不是“探测器有多灵敏”，而是后面的光子高效计算——用极少的光子事件把三维信息和材质信息都抠出来。

这篇内容不是从探测器手册抄的，而是沿着我仿真和实验的完整思路展开：先讲清楚为什么SPAD可以做低光子成像，再给一套用Matlab从零搭建的单光子3-D与反射成像仿真代码，然后聊算法里真正影响效果的部分，最后是我实测中踩过的几个坑。适合正在接触单光子雷达、时间相关单光子计数（TCSPC）或者想做低通量成像仿真验证的工程师和学生。

1. 为什么单光子探测器偏要用“少光子”做成像

1.1 从像素积分到飞行时间：SPAD和普通相机的本质区别

普通相机成像的逻辑是“积分”：每个像素在曝光时间内累积光子数量，最后输出一个与光子数成正比的灰度值。要得到一张信噪比可用的图，往往需要成千上万甚至上百万个光子。这就带来一个天然的矛盾——目标越暗、距离越远，回波光子越少，你越是需要更长曝光时间，然后运动模糊、背景噪声、动态范围问题一起涌上来。

SPAD的工作方式完全不同。它工作在盖革模式，一个光子触发雪崩后，会产生一个数字脉冲，所以它天然输出的是“事件”而不是“灰度”。这意味着我们能记录的不只是“有没有光子回来”，还能精确记录“这个光子是什么时候回来的”。这个时间信息，就是单光子3-D成像的核心。

把两种成像方式放在一起看更清楚：

所以说，单光子成像并不是用更少的像素去看东西，而是把信息从“强度幅度”搬到“时间分布”上。你看到的不是一张图，而是一堆时间戳，计算的目标就是从这些时间戳里把物理量还原出来。

1.2 光子高效计算的真实含义：信息藏在时间维度里

“光子高效”这个词我第一次听的时候也觉得是个营销术语，但用信息论的视角看确实站得住。

一个回波光子携带的信息可以拆成两路：

• 到达时间：由目标距离和系统时延决定，对应的是深度信息；
• 是否被探测到：由目标反射率、距离、系统效率共同决定，对应的是反射率信息。

所以一次单光子探测事件，同时给深度估计和反射率估计做出了贡献。问题就变成了：给定N个光子事件，如何用统计模型把时延参数和强度参数都估出来？这本质上是一个参数估计问题，而不是“图像是不是够亮”的问题。这也解释了为什么光子很少时依然有可能成像——只要每像素平均有几个光子，统计上就足以支撑几个参数的估计。

我实测中见过很多第一次接触SPAD的人，下意识会把所有精力都放在“如何增加回波光子数”上，比如提高激光功率、加大曝光时间。但真正有效的玩法往往是反过来：把单脉冲能量降下去，用算法把每个光子的时间信息用足，然后靠重复积累和空间正则化把质量提上来。这也是“光子高效计算”和传统“堆光子”思路最大的区别。

1.3 深度和反射率对应什么样的估计量

如果只从直方图角度看，SPAD输出的是一个时间直方图：横轴是时间bin，纵轴是该时间范围内触发的光子数。

深度信息体现在“直方图峰值出现在哪个时间bin”，反射率信息体现在“目标对应的bin附近总共积累了多少光子”。

于是整个成像任务就拆成两步：

1. 估计时间峰值位置，再乘以光速除以2，得到深度；
2. 估计目标信号的光子数，经过距离和系统效率补偿，得到反射率。

在传统的强脉冲激光雷达里，这两个估计都很容易，因为直方图峰值非常明显。但在光子预算低到每像素只有几个光子时，直方图会非常稀疏，很多bin是0，直接找峰值很容易被噪声带偏。这个时候就要引入正则化、先验信息和邻域约束，把空间相关性用起来。

2. 从光子事件到TCSPC直方图的测量模型

2.1 直接飞行时间测量的基本原理

单光子3-D成像大多采用直接飞行时间法，公式很简单：

code复制d = c * t / 2

激光器发出一个短脉冲，光打到目标后返回，SPAD记录光子的到达时刻t，距离d就是光在往返路径上花费时间所对应的长度。除以2是因为光走了一个来回。

实际系统里不是测单个光子的绝对时间，而是把时间轴切成很多等宽的小bin，记录光子落在哪个bin里。bin宽度直接决定了距离分辨率：

code复制Δd = c * Δt / 2

如果时间bin宽度是100 ps，距离分辨率就是约1.5 cm；bin宽度压缩到10 ps，距离分辨率可以到1.5 mm。这个分辨率是量化极限，实际还要叠加探测器时间抖动、激光脉宽等系统响应，所以最终有效分辨率会差一些。

2.2 从单个光子到TCSPC直方图

SPAD不可能单次脉冲就积累足够光子。实际工作方式是用高重复频率激光脉冲照射目标，每个脉冲周期内最多只记录第一个光子的到达时间，然后把这些时间计数累到对应bin里。这个过程叫时间相关单光子计数，缩写TCSPC。

用大家熟悉的场景类比：每个激光脉冲就像往目标“投一个球”，回弹时间被记在一个大型计时表上。投几千次、几万次后，表上每个时间段累积的次数就构成了直方图。目标越近、反射率越高，直方图的峰就越早、越高。

TCSPC的好处是把“每脉冲平均不到1个光子”的弱信号，通过大量重复脉冲累计出统计分布。这也是为什么单光子3-D成像能在极低回波光子数下干活——系统不追求单次脉冲数，而是追求多次脉冲的统计一致性。

2.3 SPAD非理想特性：死时间、暗计数和时间抖动

实际SPAD并不是理想探测器，三个特性对成像影响最大：

死时间。一个光子触发雪崩后，探测器需要一段时间恢复偏压，期间无法探测新的光子。这意味着在死时间内到达的光子会丢失。光子通量很高时，死时间会造成计数率饱和，导致高反射率目标被低估。

暗计数。没有光子入射时，探测器也会因为热噪声等原因产生假触发。暗计数等价于在直方图所有bin上叠加一个背景底噪。

时间抖动。光子实际到达时刻和探测器输出脉冲时刻之间，存在随机偏差。这个偏差会让直方图上的理想冲激响应展宽成一个钟形曲线，称为仪器响应函数（IRF）。

在仿真和算法里，这三个效应都必须显式建模，否则从仿真到硬件会严重对不上。我给出的代码里把抖动建模成高斯展宽，把暗计数建模成每个bin上的背景泊松噪声，对死时间则通过限制“每个脉冲周期最多记录一次事件”来体现。

3. Matlab仿真：低光子预算下的3-D与反射率联合估计

这一节给出完整可运行的Matlab代码。目标很明确：在每像素平均只有几个到十几个光子的条件下，同时估计深度图和反射率图，并对比去噪前后的效果。

3.1 场景设计：把深度图与反射率图合成SPAD测量

我先构造一个简单的合成场景：背景是一个固定深度的平面，前方有两个矩形目标，一个距离更近且反射率较高，另一个中间距离但反射率较低。这样深度差异和反射率差异同时存在，能直观看到算法在两类估计上的表现。

代码第一步是系统参数和场景定义：

matlab复制%% 1. 系统参数
c = 3e8;                        % 光速 m/s
tBin = 100e-12;                 % 时间bin宽度 100 ps
maxRange = 5;                   % 最大成像距离 5 m
numBins = ceil(2 * maxRange / (c * tBin)) + 1;
tAxis = (0:numBins-1) * tBin;   % 时间轴
rAxis = tAxis * c / 2;          % 距离轴

% 探测效率（含光学效率、SPAD探测效率）
eta = 0.3;
% 平均每像素回波光子数：光子预算，针对最高反射率区域
photonsPerPixel = 10;
% 每个时间bin的背景/暗计数期望
bgRate = 0.01;

%% 2. 合成场景：深度图 + 反射率图
N = 64;
depthTrue = ones(N) * 1.2;
depthTrue(18:40, 18:40) = 2.2;   % 近处的高反射率方块
depthTrue(18:40, 48:60) = 1.6;   % 中间距离的低反射率方块

reflectTrue = ones(N) * 0.3;
reflectTrue(18:40, 18:40) = 0.9;
reflectTrue(18:40, 48:60) = 0.15;

这里有两个值得解释的设计点。

场景里photonsPerPixel是“针对最高反射率目标的平均回波光子数”，不是每个像素都一样。低反射率像素得到的平均光子数会按比例降低，比如反射率0.15的区域平均只有大约 10 * 0.15 / 0.9 * 0.3 = 0.5 个光子。这个数字已经非常低，很多像素可能一个光子都没有。这正是“光子高效计算”要处理的典型情况。

反射率图本身没有绝对的物理单位，我用归一化的相对值。但在实际系统中，反射率和光子数的关系还受距离平方影响，这里为了演示算法，把距离和反射率的影响分开建模，更直观。

3.2 生成SPAD测量直方图：泊松光子事件进入时间bin

核心测量模型分两步：先按反射率决定期望光子数，再让每个光子的到达时间服从“真实深度对应时延+系统抖动”的分布。

matlab复制%% 3. 生成SPAD直方图
Hist = zeros(N, N, numBins);
for i = 1:N
    for j = 1:N
        % 反射率决定平均回波光子数
        mu = photonsPerPixel * reflectTrue(i,j) / max(reflectTrue(:)) * eta;
        nPhotons = poissrnd(mu);
        if nPhotons > 0
            % 真实深度对应的时间bin
            delayBin = round(2 * depthTrue(i,j) / (c * tBin)) + 1;
            % 系统抖动：激光脉宽+SPAD抖动，近似为高斯
            irfSigma = 1.8;
            arrIdx = round(delayBin + irfSigma * randn(nPhotons, 1));
            arrIdx = max(min(arrIdx, numBins), 1);
            for k = 1:nPhotons
                Hist(i, j, arrIdx(k)) = Hist(i, j, arrIdx(k)) + 1;
            end
        end
        % 暗计数/背景泊松噪声
        Hist(i, j, :) = squeeze(Hist(i, j, :)) + poissrnd(bgRate, numBins, 1);
    end
end

这段代码的思路是把每个像素当作一个独立泊松源，nPhotons从泊松分布中抽样，再用高斯抖动分配光子到达的时间bin。真实SPAD系统里，激光脉冲的重复激发和TCSPC积累本质上就是这种泊松计数过程，所以这个仿真模型已经能覆盖大部分物理行为。

注意这里我用了poissrnd，需要Statistics and Machine Learning Toolbox。如果没有统计工具箱，可以自己写一个简单的泊松采样函数，原理是利用指数分布的间隔累加，这里不展开，但建议有条件的同学还是用统计工具箱，读取和调试都方便。

3.3 从直方图估计深度和反射率：峰值附近质心法

估计部分我选了“峰值附近质心法”，这是工程上最常用也最稳的初估方法。它和直接取最大bin的区别在于：直接取最大bin只能达到时间bin分辨率，而质心法可以在少量光子条件下逼近亚bin精度。

matlab复制%% 4. 从直方图估计深度和反射率
depthEst = zeros(N, N);
reflectEst = zeros(N, N);
halfWin = 3;   % 峰值附近取窗半径，单位：bin

for i = 1:N
    for j = 1:N
        h = squeeze(Hist(i, j, :));
        % 背景扣除
        hBg = h - bgRate;
        hBg(hBg < 0) = 0;

        total = sum(hBg);
        reflectEst(i, j) = total;

        if total >= 1
            [~, peakIdx] = max(hBg);
            lo = max(peakIdx - halfWin, 1);
            hi = min(peakIdx + halfWin, numBins);
            tEst = sum(tAxis(lo:hi) .* hBg(lo:hi)) / sum(hBg(lo:hi));
            depthEst(i, j) = tEst * c / 2;
        else
            depthEst(i, j) = NaN;   % 没有足够光子
        end
    end
end

为什么用质心而不是简单的最大bin？原因很简单：泊松噪声会让最大bin的位置左右跳，但窗口内所有bin的加权平均能“平均掉”一部分随机波动。窗口宽度halfWin的选择有讲究，太窄平滑效果不足，太宽会把背景bin也拉进来，我一般取系统IRF半高的1到2倍。

对于完全没有光子的像素，我把深度设为NaN，后面再用邻域信息补。反射率初估就是背景扣除后的总光子数，这个量是相对反射率的直接反映。

3.4 深度图补洞和TV去噪

得到初始深度图后，先处理无光子像素，再做正则化去噪：

matlab复制%% 5. 对深度图做空洞填充和TV去噪
depthFilled = depthEst;
nanIdx = isnan(depthFilled);
depthFilled(nanIdx) = 1.2;      % 用场景平均深度填充

lambda = 2;
depthDen = tv_denoise(depthFilled, lambda, 100, 0.1);

reflectNorm = reflectEst / max(reflectEst(:));

这里的tv_denoise是一个简化版全变分去噪函数，利用梯度下降求解优化目标。核心思想是：既要让输出接近观测值，又要让图像在邻域内尽量平滑，同时保留边缘。

matlab复制function y = tv_denoise(x, lambda, numIter, step)
% 简化TV去噪：最小化 0.5*||y-x||^2 + lambda*TV(y)
% 梯度下降实现，适合教学演示；工程上建议用ADMM或现成TV库
y = x;
for it = 1:numIter
    [gx, gy] = gradient2d(y);
    mag = sqrt(gx.^2 + gy.^2 + 1e-10);

    tvGrad = zeros(size(y));
    tvGrad(:, 2:end-1) = tvGrad(:, 2:end-1) ...
        - gx(:, 1:end-2) ./ mag(:, 1:end-2) ...
        + gx(:, 2:end-1) ./ mag(:, 2:end-1);
    tvGrad(2:end-1, :) = tvGrad(2:end-1, :) ...
        - gy(1:end-2, :) ./ mag(1:end-2, :) ...
        + gy(2:end-1, :) ./ mag(2:end-1, :);

    y = y - step * ((y - x) + lambda * tvGrad);
end
end

function [gx, gy] = gradient2d(x)
gx = zeros(size(x));
gy = zeros(size(x));
gx(:, 1:end-1) = diff(x, 1, 2);
gy(1:end-1, :) = diff(x, 1, 1);
end

这个简化版梯度只是在边界位置做了近似，实际项目中我更推荐用ADMM求解TV问题，收敛更快、参数更稳。但作为理解原理的Demo，这个短函数足够用。

3.5 可视化与误差评估

最后把结果画出来，可以直观看到光子预算对成像质量的影响：

matlab复制%% 6. 可视化
figure; tiledlayout(2, 2);
nexttile; imagesc(depthTrue); colorbar; title('True Depth');
nexttile; imagesc(depthEst); colorbar; title('Initial Depth Est');
nexttile; imagesc(reflectTrue); colorbar; title('True Reflectance');
nexttile; imagesc(reflectNorm); colorbar; title('Reflectance Est');
colormap('jet');

figure; tiledlayout(1, 2);
nexttile; imagesc(depthFilled); colorbar; title('Filled Depth');
nexttile; imagesc(depthDen); colorbar; title('TV Denoised Depth');
colormap('jet');

% 误差统计
validMask = ~isnan(depthEst);
errBefore = nanmean(abs(depthEst(validMask) - depthTrue(validMask)));
errAfter = mean(abs(depthDen - depthTrue), 'all');
fprintf('去噪前平均绝对深度误差：%.3f m\n', errBefore);
fprintf('去噪后平均绝对深度误差：%.3f m\n', errAfter);

按我的参数跑下来，去噪前深度误差大约在2到5厘米量级，去噪后通常能压到1到2厘米左右。反射率图的光子数差异也能清楚分辨出0.9、0.3、0.15这三档。如果把photonsPerPixel降到1，初始估计会明显恶化，但TV去噪依然能在物体轮廓保持完整的条件下恢复到可用水平。

4. 光子高效重建的进阶策略：正则化与先验

4.1 为什么只靠单像素估计在低通量下不稳定

代码里的质心法已经是单像素层面的最优解之一了，但它有一个天花板：光子数越少，统计涨落越大。一个像素只有两三个光子时，质心的位置很容易被一两个噪声光子拉偏，特别是在有背景计数的情况下。

这就是为什么低通量成像必须引入空间先验。目标表面通常是连续的，除了物体边缘，深度不会突变。反射率图也有类似性质——同一材质区域内反射率变化平缓，但不同材质之间会出现跳变。这个先验信息在光子极少的场景下非常重要，相当于用邻居像素的光子来帮忙“凑统计量”。

4.2 全变分正则化为什么比高斯滤波好用

如果只是简单地对深度图做高斯滤波，边缘会被模糊掉，矩形物体的边界会变成斜坡，测距精度看起来提升了，但三维结构失真了。

全变分正则化（TV）的思路是建模成优化问题：

code复制minimize (1/2) * || y - x ||^2 + lambda * sum( sqrt(gx^2 + gy^2) )

第一项要求输出不要偏离原始观测太多，第二项要求图像梯度尽可能稀疏。稀疏梯度的含义是：图像大部分区域是平滑的，只在少数边缘位置产生突变。这正好吻合三维场景的结构特点。

lambda的值控制平滑强度：太大会把细小的结构也磨掉，太小又起不到去噪作用。我一般做一遍扫描，选择使深度误差最小的lambda，或者按场景距离范围做经验调整。上面的代码中lambda=2是我的经验起始值。

4.3 更进一步：泊松似然建模和空间一致性约束

质心法本身等价于高斯噪声假设下的最小二乘估计，但SPAD直方图本质是泊松计数，严格来说应该用泊松负对数似然。光子数极少时，高斯近似和泊松模型会有差异，尤其是在低计数bin上，高斯模型会给出不合理的负数估计。

更严谨的优化目标可以写成：

code复制minimize sum_p [ -n_p * log(mu_p(y,h)) + mu_p(y,h) ] + lambda * TV(y)

其中n_p是观测到的光子数，mu_p是模型预测的期望光子数，它由深度、反射率、系统响应共同决定。这个模型在极低通量下的估计偏差更小，代价是需要迭代求解，计算更重。

工程上还有一种更实用的做法：把反射率信息引入深度估计。高反射率区域的回波光子多，深度估计置信度高；低反射率区域光子少，需要更多依赖邻域平滑。可以用加权最小二乘或贝叶斯框架实现，让每个像素的“说话权”与其光子数成正比。这个技巧我在实际项目中用过多次，效果非常明显，比盲目加大lambda整体平滑更合理。

5. 实测与迁移中的常见坑

5.1 死时间造成的计数率饱和

仿真里如果光子预算很低，死时间几乎不会造成影响。但硬件上如果目标距离近、反射率高，回波光子通量会明显增加。光子到达速率一旦超过死时间限制，就会有一部分光子被漏记，直方图峰值不再与反射率线性相关，反射率估计会出现饱和偏差。

因此做光子高效计算并不意味着可以完全忽略光强上限。我在实验中见过不少刚接触SPAD的人，因为担心光子不够，把激光功率调得很高，结果反而引入饱和，反射率图的高亮区域全部“平顶”。正确做法是先估算目标最大回波光子率，让最高反射率区域的光子率保持在死时间限制的10%以下，不足的部分用更多脉冲积累来补。

5.2 IRF展宽对深度精度的威胁

SPAD的时间抖动和激光脉冲宽度会共同决定IRF。IRF越宽，直方图上的峰越钝，质心估计的结果越容易受到抖动影响。仿真里我用irfSigma=1.8近似，实际上不同探测器差异很大，比如某些SiPM的时间抖动可以到几百皮秒，而一些定制SPAD能到几十皮秒。

所以在做系统设计时，一定先做IRF标定。典型做法是用一个近处漫反射白板，采集大量光子得到直方图，这个直方图就是系统的IRF。然后在深度估计时，用IRF做匹配滤波，或者对直方图做解卷积，把抖动展宽的影响降下来。仿真中不标定IRF还能接受，换到硬件上不标定就会直接体现在空间分辨率上。

5.3 背景扣除不能一刀切

把背景从直方图里减掉，是SPAD数据处理里非常基础的一步，但坑也不少。如果直接用全局背景均值减，遇到背景光不均匀的场景就会在局部留下正偏差或负偏差。负值如果不处理，直接参与质心计算，就会把时间估计往背景方向拉偏。

我的经验是分两步走：先估计每个像素各自的背景水平，取直方图远离目标信号的尾部bin均值；减去背景后，对负值区域的权重做“软截断”，不是简单置零，而是用一个小正数权值保留不确定度。这样在低光子区域不会产生系统性偏差。

5.4 Matlab仿真代码的性能瓶颈

前面给的代码为了教学清晰，用了三重循环来生成直方图和估计深度。像素从64放大到512时，运行时间会显著上升。工程上要做大像素阵列仿真时，建议向量化：所有像素的光子事件一次性生成，再用histcounts或accumarray按像素和时间bin分组统计。我实测过，同样512x512的场景，向量化版本比重循环快一到两个数量级。

如果要做参数扫描，比如“光子预算从1到50变化时深度误差怎么变”，更是必须向量化，否则一天都不一定跑得完。

5.5 从仿真到硬件验证的四个注意点

仿真跑通只是第一步，迁移到硬件时，我建议按下面这个顺序核对：

1. 激光器重复频率和最大无模糊距离是否匹配。重复频率越高，相邻脉冲之间时间间隔越短，如果目标距离太远，回波会落到下一个脉冲周期里，造成距离模糊。
2. 时间数字转换器的bin宽度是否和激光脉宽匹配。bin太宽浪费距离分辨率，bin太窄数据量爆炸且对IRF标定精度要求更高。
3. 光学系统的杂散光控制。SPAD灵敏度极高，光学平台上一片散射光都可能产生大量暗计数之外的“闪光计数”，直方图上会出现莫名其妙的小峰。
4. 对外触发同步的抖动。激光器和SPAD的时间转换器用的触发源如果抖动大，相当于又给IRF加了一层展宽，这个在前期选型时就要盯紧。

仿真里我们可以任意控制参数，硬件上每个环节都会引入自己的“暗坑”。所以在跑仿真时，不只是验证算法结果，更是在帮你提前建立对系统参数的直觉。

回到开头那个问题：光子高效计算到底高效在哪？本质是我们在用数学把每个光子事件的信息量尽可能榨干。我做这套仿真最大的体会是，先用Matlab把泊松测量模型和估计器跑通，再去碰硬件，能省很多来回调整的时间。如果你正打算做SPAD相关的3-D成像，建议第一步就从这里开始，把参数改一改，跑一遍，看看光子预算对误差的影响曲线，很多直觉会很快建立起来。