CPI的定义
对比度是区分物体与环境的重要基础条件。对比度表现指标（Contrast Performance Indicators，简称 CPI）是用于评估成像系统的对比度再现能力的测试指标，主要有两种：对比度传递准确率（CTA/CDP）和对比度信噪比（CSNR）。
对比度传递准确率（CTA）：等同于术语对比度检测概率（Contrast Detection Probability,CDP），用于计算在给定成像条件下，场景对比度在指定容差范围内被准确再现的逐像素概率。
对比度信噪比（CSNR）：用于在给定成像条件下，通过比较平均对比度与其标准偏差来估计信号分离的质量。

传统方法（SNR + 全局色调曲线）在汽车场景下评估相机对比度记录能力存在局限：强眩光场景中，噪声分布非单调，SNR 无法反映对比度真实损失；高动态范围（HDR）场景下，SNR 仅描述信号噪声比，无法量化不同亮度区间的对比度再现能力。因此，针对车载相机面临的复杂光照条件挑战，需引入对比度表现指标（CPI），以精准评估成像设备对场景对比度的真实再现能力。

如左图，浓雾导致交通标识的局部对比度降低。 右图，挡风玻璃上的杂光导致汽车的探测能力下降。

KPIs计算原理
对比度传递准确率（Contrast Transfer Accuracy, CTA）
CTA 是描述成像系统的输出对比度对输入亮度对比度(场景特定区域) 真实复现的能力的指标，用于计算在给定成像条件下，场景对比度在指定容差范围内被准确再现的逐像素概率。
其计算流程如下：
(1) 数据线性化与输入对比度计算
先通过光电转换函数（OECF）的逆函数，将图像的数字值（DN）转换为线性输入单位（亮度或辐射亮度），建立相机响应曲线，消除系统非线性对后续计算的影响。

线性化后，对于所选的patches（输入亮度（或辐射亮度）最高的亮色块、输入亮度（或辐射亮度）最低的暗色块），计算平均输入亮度$(L_{in})$：
$(L_{in})=(L_{max}+L_{min})/2$
式中：$L_{in}$为平均输入亮度; $L_{max}$为最亮色块的亮度； $L_{min}$为最暗色块的亮度。

针对测试色块（亮块$L_{max} $、暗块$L_{min}$ ），基于已知亮度值使用韦伯对比度或米歇尔森对比度的公式计算输入对比度，分别记为$C_{W}$或$C_{M}$：
采用韦伯对比度公式：
$C_{W}=\frac{L_{max}}{L_{min}}-1$
式中：$C_{W}$定义的是韦伯对比度；$L_{max} $为最亮色块的亮度；$L_{min}$为最暗色块的亮度。
$C_{W}$是一个无界函数，$L_{min}$ 趋近于 0 的情况在低光场景中很常见。

采用米歇尔森对比度公式：
$C_{M}=\frac{L_{max}-L_{min}}{L_{max}+L_{min}}$ 米歇尔森对比度的范围在 0 到 1 之间，当Lmin 趋近于 0 时，其值趋近于 1。

(2) 概率密度函数
对比度度量的计算通过从线性化数据中为给定的图块对构建测量对比度的概率分布来进行。需针对$L_{max}$、$L_{min}$之间的单个像素至少进行10,000 种像素组合，计算测量对比度$C_{M}$,得到测量对比度的归一化概率密度函数$C_{\text{PDF}}$。若有n个图块，将产生$\frac{n(n-1)}{2}$个测量对比度分布。

(3) 计算对比度传递准确率（CTA）
定义为测量对比度${C_{mean}}$落在由所选对比度边界${\delta}$和输入对比度$C_{in}$决定的指定区间内的概率P，公式为：
$CTA_{C_{\text{in}}} = P\left[(C_{\text{in}} - \delta_- \times C_{\text{in}}) \leq C_{\text{meas}} \leq (C_{\text{in}} + \delta_+ \times C_{\text{in}})\right]$
式中：
$C_{\text{meas}} $：从线性化后的图像中提取的图块对实际测量对比度；
$\delta_- 、\delta_+ $：分别为误差区间的下限和上限增量（默认均为 10%，即允许测量对比度与输入对比度的偏差在 \( \pm 10\% \) 以内）；
$ P $：满足上述区间条件的像素（或样本）占比（概率）。
推荐的默认对比度定义为米歇尔森对比度。

对比度信噪比（CSNR）
CSNR 是描述对比度与对比度噪声比值的指标，可基于米歇尔森对比度（Michelson Contrast）或韦伯对比度（Weber Contrast）计算，用于评估在给定成像条件下对比度信号的分离质量。
以米歇尔森对比度为例，计算公式如下：
$CSNR = \frac{\bar{C}}{\sigma_{C_{\text{PDF}}}}$
式中：$\bar{C}$为测试图块的平均对比度； $\sigma_{C_{\text{PDF}}}$为对比度的标准偏差。

KPIs应用考虑：
（1）CTA 和 CSNR 是互补指标，单一指标无法全面表征系统对比度性能。
当对比度分布落在指定边界内时，CTA 的最大值为 1；当对比度分布进一步收窄时，CTA 仍保持为 1。相反，随着对比度分布收窄，CSNR 会继续上升，此时 CSNR 和 CTA 的值将开始出现差异。
（2）在低光水平下，噪声分布可能不是高斯分布，因此 CSNR 所采用的对比度分布的均值和标准差可能无法完全描述噪声过程。因此，需在不同亮度区间（如暗区、中区、亮区）分别计算 CTA 和 CSNR，评估系统在全动态范围内的对比度再现能力。
（3）CTA 是输入参考的，因此计算 CTA 时线性化是必须的；CSNR 可以在不进行线性化的情况下计算，这在存在非线性过程且色调曲线无法反转的场景中，可用于测试图像信号处理器（ISP）的性能。
（4）需注意指标的边界情况：如果任一亮度色块出现饱和，则 CSNR 和 CTA 均应视为未定义。如果输出对比度与输入对比度差异（过低或过高）很大，则 CTA 为零，而 CSNR 不为零。局部色调映射可能会在色块上或色块过渡区域引入局部梯度,可能导致误导性的结果。

测试要求
照明要求：
（1）环境控制：数据采集需在可控照明环境下进行，确保无意外光源照射被测设备（DUT）或测试目标；需消除杂散光，必要时使用遮光板；建议使用暗室，测量前检查图块上的杂散光或反射。 （2）光源均匀性：测试光源产生的亮度应尽可能均匀，平均亮度和均匀性均需记录。 （3）杂光消除：优先消除 DUT 视场之外光源产生的杂散光。

相机设置：
曝光增益控制：当需要多帧采集数据（如时间域记录）时，应对相机进行控制，确保曝光、增益及其他影响图像输出的功能无明显变化。使用时间域记录时，相机的自动功能应全部关闭。
对焦控制：采用空间域记录时，DUT 应聚焦于测试目标。若因温度或焦点漂移导致明显失焦，允许重新对焦，且对焦变化应记录。良好的对焦有助于确保图像中的感兴趣区域（ROI）可与输入图块关联，且 ROI 边缘不会因图像模糊而失真。更大的 ROI 尺寸可容忍更多失焦。

测试目标：
数据记录分为两种方法：空间域记录和时间域记录。
时间域：允许每次曝光向 DUT 呈现单个亮度，可排除眩光影响。
空间域：通过空间排列多个色块，实现单次曝光采集，测试效率更高。
混合方式：结合空间和时间域可减少曝光次数，或增加计算可用数据量。
亮度：根据应用选择指定亮度，亮度步长数量和范围定义测试覆盖范围，少步数用于快速评估关键强度 / 对比度范围，多步数用于详细评估更大范围。
ROI 要求：需足够大以产生有用统计信息；建议每个 ROI 每颜色通道在最终图像中超过 10×10 像素。

研鼎设备支持：
MLB-HMC ADAS摄像头综测仪 MLB-HMC ADAS摄像头综测仪是一套专门面向自动驾驶辅助系统(ADAS)图像质量评估的解决方案，通过后部的4个透射式灯箱，再搭配4张不同密度的灰阶图卡，通过光源设定相关参数，得到高动态范围下不同的亮度图块分布，以测量成像系统的CPI。

RT-CFT ADAS摄像头综合测试仪

RT-CFT可用于 ADAS 摄像头系统的CPI \ Flicker测试和分析，含有150个灰阶块，动态范围可支持140db；灰阶图卡可自动调整角度,以抵消广角摄像头畸变；RIQA分析软件，支持CDP、FMI，FDI,MMP等参数曲线。

RIQA-ADAS图像质量分析-ADAS模块
RIQA-ADAS是一款专为自动驾驶与车载摄像头开发的专业图像质量分析软件。其CPI模块的算法依据IEEE 2020-2024标准，可量化摄像头模组对比度再现能力。