Saltar al contenido principal

Generador de Píxeles Defectuosos, Agrupaciones y Defectos de Sensor

1. Identificación y Propósito General​

  • Identificador en rotEngine: defective-pixels
  • Módulo / Directorio Fuente: ImageQA_Defective_Pixel_Suite_v1
  • Versión: 1.0.0
  • Propósito: Generador determinista de píxeles anómalos y agrupaciones de defectos de sensor con catálogo exhaustivo de posiciones, naturaleza física y efecto observable por fotograma, para verificar y validar detectores automáticos de píxeles defectuosos en ImageQA.
  • Rol en la Suite ImageQA: Inyecta defectos analíticamente conocidos en escenas planas, degradados, tableros o fotografías reales aportadas por el usuario, exportando la verdad terreno (ground truth) en máscaras binarias espaciales, catálogos en CSV y resúmenes metrológicos en JSON sin reutilizar algoritmos de detección.

2. Fundamento Científico y Modelado Matemático​

2.1. Taxonomía Física de Defectos en Sensores CMOS/CCD​

La suite implementa modelos analíticos y fenomenológicos para diez familias de defectos:

  1. Píxeles Muertos (dead):
    • Modo zero: Código digital estrictamente nulo (DN=0\text{DN} = 0).
    • Modo photosensitivity: Ausencia de respuesta fotónica; el píxel solo conserva la corriente oscura y el nivel de negro del ADC.
  2. Píxeles Atascados (stuck): Salida digital fija e invariable (DN=Vfixed\text{DN} = V_{\text{fixed}}) en saturación o nivel intermedio, inmune al flujo fotónico entrante.
  3. Píxeles Calientes (hot):
    • Modo directo add_dn: Incremento aditivo constante de código digital.
    • Modo de corriente oscura física (dark_current): Exceso anómalo de portadores térmicos acumulados durante el tiempo de exposición texpt_{\text{exp}}, gobernado por distribuciones estadísticas de cola pesada (Log-normal o Gamma).
  4. Píxeles Fríos (cold): Fotosensibilidad anormalmente reducida respecto al promedio (grel<1.0g_{\text{rel}} < 1.0).
  5. Píxeles Hipersensibles (hypersensitive): Ganancia fotoeléctrica superior a la nominal (grel>1.0g_{\text{rel}} > 1.0).
  6. Sensibilidad Genérica (sensitivity): Ganancia relativa arbitraria grel∈[gmin⁡,gmax⁡]g_{\text{rel}} \in [g_{\min}, g_{\max}].
  7. Ruido Telegráfico Aleatorio (rts - Random Telegraph Signal): Defecto biestable generado por captura y emisión de portadores individuales en trampas cuánticas del óxido de puerta. Se modela mediante una cadena de Markov homogénea discreta de dos estados con matriz de transición: P=(1−p01p01p101−p10)P = \begin{pmatrix} 1 - p_{01} & p_{01} \\ p_{10} & 1 - p_{10} \end{pmatrix} En el estado activo, se suma una amplitud ΔDNrts\Delta \text{DN}_{\text{rts}}.
  8. Agrupaciones de Defectos (cluster): Coagulación espacial de defectos (microarañazos o dislocaciones del silicio) dispersados según una distribución normal bivariada alrededor de centros geométricos.
  9. Líneas y Segmentos Defectuosos (line): Desperfectos en buses de columna, líneas de reset o decodificadores de dirección que alteran un segmento continuo de fila o columna sumando un offset ΔDNline\Delta \text{DN}_{\text{line}}.
  10. Eventos Transitorios Impulsivos (transient): Perturbaciones estocásticas de un solo fotograma (impactos de partículas o descargas) sin correlación temporal.

2.2. Modelo Físico de Cadena de Señal del Sensor​

Cuando se activa el motor de simulación de captor (simulation.model = "sensor"), el proceso de formación de señal sigue la física estándar de transferencia de carga en semiconductores:

  1. Generación Fotoeléctrica y Ruido de Disparo (Shot Noise): Nphoto∼Poisson(μphoto)N_{\text{photo}} \sim \text{Poisson}\left(\mu_{\text{photo}}\right)
  2. Generación Térmica (Corriente Oscura) con dependencia térmica: Idark(T)=Idark(T0)⋅2T−T0ΔTdoubleI_{\text{dark}}(T) = I_{\text{dark}}(T_0) \cdot 2^{\frac{T - T_0}{\Delta T_{\text{double}}}} Ndark∼Poisson(Idark(T)⋅texp)N_{\text{dark}} \sim \text{Poisson}\left(I_{\text{dark}}(T) \cdot t_{\text{exp}}\right) Para píxeles calientes, la tasa anómala se muestrea de una distribución Log-normal: ln⁡(rhot)∼N(μln⁡,σln⁡2)\ln(r_{\text{hot}}) \sim \mathcal{N}(\mu_{\ln}, \sigma_{\ln}^2)
  3. Capacidad de Saturación (Full Well Capacity): Nelectrons=min⁡(Nphoto⋅grel+Ndark+Nhot, Nfull_well)N_{\text{electrons}} = \min\left(N_{\text{photo}} \cdot g_{\text{rel}} + N_{\text{dark}} + N_{\text{hot}}, \, N_{\text{full\_well}}\right)
  4. Ruido Electrónico de Lectura (Read Noise): Ntotal=Nelectrons+N(0,σread2)N_{\text{total}} = N_{\text{electrons}} + \mathcal{N}\left(0, \sigma_{\text{read}}^2\right)
  5. Ganancia del Sistema y Digitalización ADC: DNfloat=Ntotal⋅Gsystem+Pedestalblack\text{DN}_{\text{float}} = N_{\text{total}} \cdot G_{\text{system}} + \text{Pedestal}_{\text{black}} DNADC=clip(round(DNfloat), 0, 2Nadc−1)\text{DN}_{\text{ADC}} = \text{clip}\left(\text{round}(\text{DN}_{\text{float}}), \, 0, \, 2^{N_{\text{adc}}} - 1\right)

3. Inventario Completo de Parámetros de Entrada​

3.1. Bloque image (Propiedades del Lienzo)​

ParámetroTipoOpciones / DominioDefaultUnidadesSignificado Técnico
widthint8…120008 \dots 12000640píxelesAnchura del sensor simulado.
heightint8…120008 \dots 12000426píxelesAltura del sensor simulado.
bit_depthint8, 1616bits/canalProfundidad de bits de la imagen generada.
backgroundstr'uniform', 'gradient', 'checker', 'natural''uniform'topologíaEstímulo base sobre el que se inyectan las perturbaciones.
gray_levelfloat[0.0,1.0][0.0, 1.0]0.45normalizadoNivel de intensidad base para fondo uniforme.

3.2. Bloque simulation (Modelo de Simulación)​

ParámetroTipoOpciones / RangoDefaultUnidadesSignificado Técnico
seedint≥0\ge 012345semillaSemilla del generador determinista.
framesint1…1281 \dots 1281fotogramasNúmero de fotogramas temporales consecutivos a simular.
modelstr'digital', 'sensor''digital'modeloInyección directa sobre códigos digitales ('digital') o simulación física completa ('sensor').

3.3. Lista de Defectos (defects)​

Cada elemento de la lista define un grupo de defectos con la siguiente estructura:

ClaveTipoOpciones / RangoSignificado Técnico
typestr'dead', 'stuck', 'hot', 'cold', 'hypersensitive', 'rts', 'cluster', 'line', 'transient'Tipología física o fenomenológica del defecto.
countint≥1\ge 1Cantidad de instancias a instanciar para esta tipología.
paramsdictSegún tipologíaParámetros específicos (ej. value_dn para stuck, add_dn para hot, matriz p01/p10 para RTS).
placement.modestr'uniform', 'grid', 'gaussian', 'edge'Distribución espacial sobre la superficie del sensor.

4. Configuración JSON en rotEngine​

Esquema JSON por defecto cargado en la aplicación web:

{
"test_id": "P_WEB",
"image": {
"width": 640,
"height": 426,
"bit_depth": 16,
"background": "uniform",
"gray_level": 0.45
},
"simulation": {
"seed": 12345,
"frames": 1,
"model": "digital"
},
"defects": [
{
"type": "stuck",
"count": 30,
"params": {
"value_dn": 32768
},
"placement": {
"mode": "uniform"
}
}
]
}

5. Productos de Salida y Metadatos de Respuesta​

Al ejecutarse, el generador produce:

  1. Archivo de Imagen (.png o .tiff): Imagen con los defectos simulados. En modo 16 bits RGB, también genera una previsualización PNG para visualización inmediata en navegadores.
  2. catalog.csv: Inventario exhaustivo de todos los defectos inyectados con sus coordenadas exactas (x,y)(x, y), canal afectado, tipo físico y parámetros nominales.
  3. truth_frame_XXXX.csv: Estado efectivo observable en cada fotograma particular (crucial para defectos dinámicos como RTS o transitorios).
  4. Máscaras Binarias (mask_*.png o .npz): Planos booleanos donde el valor 1 indica la presencia inequívoca de un defecto.
  5. reference.json: Manifiesto con estadísticas globales y hash SHA-256 de integridad.

6. Licencias, Derechos de Autor y Atribuciones​

  • Licencia: Licencia permisiva ImageQA · Marcas registradas por sus respectivos titulares.
  • Copyright: Copyright © 2026 ImageQA Synthetic Validation Suite contributors.
  • Atribuciones Técnicas: Modelos de generación de corriente oscura y simulación de defectos inspirados en el simulador de detectores espaciales ESA / Pyxel y en las investigaciones de Baer (2006).

7. Citas Bibliográficas y Normativas​

  1. EMVA 1288 Standard (Release 4.0 Linear). Standard for Characterization of Image Sensors and Cameras. European Machine Vision Association. https://www.emva.org/standards-technology/emva-1288/.
  2. ISO 15739:2023. Photography — Electronic still picture imaging — Noise measurements. International Organization for Standardization.
  3. Baer, R. L. (2006). A model for dark current characterization and simulation in CMOS image sensors. In Proc. SPIE 6068, Sensors and Camera Systems for Scientific, Industrial, and Digital Photography Applications VII, 606804.
  4. ESA Pyxel Development Team (2020). Pyxel: The open-source detector simulation framework. European Space Agency.