企业官网建设流程全解析

简介：这份行业调研 PDF 面向关注半导体与图像传感赛道的从业者、投资研究人员及产业分析学习者，系统梳理 CMOS 数字图像传感器的市场现状与未来趋势，可用于快速建立行业认知、辅助选题与竞品研究。全文以全球市场为主线，按销量与收入回顾 2017—2021 年数据并展望 2022—2028 年，同时对比中国、美国、欧洲、日韩及东南亚等区域市场，拆解前照式、背照式技术路线与手机、安防监控、车载电子等应用场景。竞争格局部分覆盖 Sony、Samsung、Omnivision、Galaxycore、SK Hynix 等主要厂商，并讨论市场份额、梯队划分、产能分布及产业链上中下游关系，目录还包含进出口、价格趋势与政策机遇挑战等模块。资源包仅含 1 个 PDF 文件，大小约 413KB，轻量便于检索与传阅；已有 72 人学习。适合需要一份结构化行业框架、快速定位关键企业与细分市场的研究者参考。

1. 一颗像素的读出时序：CMOS 数字图像传感器凭什么把 CCD 挤下牌桌

反直觉的结论是：CMOS 数字图像传感器赢得这场替代，靠的不是画质更好，而是它把“搬运电荷”改成了“读出电压”。CCD 必须把整行电荷一个包一个包推到输出节点，任何一级转移效率不满 100%，电荷就一路丢；CMOS 在像素里就地把电荷转成电压，用源极跟随器驱动列线，剩下的放大、比较、量化、校正全是标准逻辑工艺擅长的事。这一改动让图像传感器第一次能跟着标准 CMOS 工艺一起缩放，也让“像素”和“电路”能在同一套设计规则里谈成本。做行业分析时这一点很关键：几乎所有关于份额、单价、技术类型拆分的结论，最后都能追回这颗像素的读出方式和版图结构。搞懂这条链路，再读一份 CMOS 数字图像传感器市场调研，看到的就不再是一堆百分号，而是一组能被验证的物理约束。

2. 像素单元与读出链路：一个光子怎么变成 12 bit 数字码

从光子到数字码，中间要过三道关：电荷在哪里积分、电压由谁驱动、量化在哪儿完成。这三道关决定了像素能做到多小、噪声能压到多低、一帧要读多久，也决定了后面所有市场和成本的讨论边界。先把这条链路拆开看。

2.1 3T 与 4T：复位管、源极跟随器为什么一个都不能省

最早的 3T 像素只有复位管、源极跟随器和行选管，光电二极管直接接在源极跟随器的栅极上。这套结构能工作，但有一个大问题：积分和读出耦合在同一个节点上。你读信号之前必须先把节点复位，而复位本身会引入 kTC 噪声；等信号读完再复位，噪声已经和信号混在一起，没有第二次采样的机会去减掉它。这就是 3T 像素噪声压不下去的根本原因，也是它在低照度场景里吃亏的地方。

源极跟随器不能省，理由很实在：浮空扩散节点上的电荷量只有几千到几万个电子，对应的电压摆幅极小，而这个节点要驱动的是一条横跨几千列、寄生电容在皮法量级的列线。如果没有阻抗变换直接接出去，RC 时间常数会大到根本没法在一个行周期内建立。源极跟随器把“电荷→电压”的高阻抗节点和“驱动列线”的低阻抗节点隔开，代价是它的阈值电压存在随机失配——这是固定图案噪声的主要来源之一。

复位管同样不能省。电压域读出的本质是“读一个差值”，每次读出前把浮空扩散复位到一个已知电平，最终输出的是信号电平减复位电平。没有这个基准，直流工作点会漂，相关双采样也就无从谈起。到了 4T，多出来的那个转移栅把“积分”和“读出”在时间上彻底分开：光电二极管一直积分，只在读出瞬间把电荷一次性倒进浮空扩散。这一步解耦是相关双采样成立的前提，也是后面双转换增益、片上 HDR、全局快门方案的地基。

转换增益等于电荷量除以浮空扩散电容。电容越小，一个电子给出的电压越大，低照度越有利；但电容小，满阱容量就小，高光容易饱和。这是模拟前端最根本的一对矛盾。常见的解法是双转换增益：像素里多放一个电容和一个开关，暗光时断开走高低转换增益，亮光时接入走低转换增益，两帧合成出高动态范围。

2.2 列并行 ADC 与相关双采样：噪声预算到底花在哪

量化环节绝大多数设计选的是列并行单斜 ADC：每一列一个比较器，全局共享一条斜坡电压，比较器翻转时锁存计数器值。选它的原因很朴素——N 位精度只要 2^N 个时钟周期，而每一列只需要一个比较器加一组锁存器，面积小、功耗低，速度靠“列数多”而不是“单列快”。算一笔账：3000 行、30 帧，每行只有约 11 微秒，12 bit 要 4096 个周期，折算下来时钟频率要三百多兆赫兹。这就是为什么高速传感器要么增加并行度，要么干脆在像素层做多次采样。

相关双采样的时序是固定的：先采样复位电平，再打开转移栅把电荷倒进浮空扩散，然后采样信号电平，最后两值相减。相减可以在模拟域用开关电容做，也可以在数字域用两个码值减。数字域做的好处是不需要精密模拟减法器，坏处是比较器失调和斜坡非线性不是共模量，减不掉，只能靠逐列数字校正补。

// 4T 像素单行读出（列并行单斜 ADC）伪代码 // RS: 行选，RST: 复位，TX: 转移栅，SHR/SHS: 复位/信号采样保持 for (row = 0; row < H; row++) { pulse(RS, row); // 选中该行，源极跟随器接入列线 pulse(RST); // 复位浮空扩散 FD，建立读出基准 sample_and_hold(SHR, row); // 采样复位电平，含 kTC 噪声与阈值离散 pulse(TX); // 打开转移栅，PD 积分电荷全部倾倒进 FD sample_and_hold(SHS, row); // 采样信号电平 // 列并行单斜 ADC：两路电平分别与全局 ramp 比较，计数器值锁存 adc_convert_columnwise(row); // 数字域 CDS：相减抵消复位噪声与源极跟随器阈值失配 out[row][col] = code(SHS) - code(SHR); }

这段伪代码里，三个脉冲的先后顺序就是全部玄机。RST 必须在 SHR 之前，否则采到的是上一次残留；TX 必须在 SHR 之后、SHS 之前，否则复位电平里已经混进了信号，相减等于什么也没减。把 SHR 和 SHS 的顺序写反，是最常见的仿真翻车方式，出来的图看着正常，噪声底却莫名其妙高了三成。参数上，TX 的脉宽决定电荷转移是否彻底，转移不完全会留下滞后（图像上的拖影），脉宽拉长又会让暗电流多积一点，这两头要一起调。

2.3 滚动快门与全局快门：倾斜为什么改不掉

滚动快门的每一行曝光时长一致，但起始时刻被读出时间依次错开。结果是运动物体在帧内发生位移，几何上就一定能推出倾斜，这不是算法能修回来的，因为每一行的真实曝光时刻不同。要减小倾斜只有两条路：提高行并行度，让多行同时读出，代价是列级 ADC 的面积和功耗成倍增加；或者改用全局快门。

全局快门要求所有像素在同一时刻结束曝光，所以电荷必须有个地方暂存，等逐行慢慢读。这个暂存节点在硅片内部，遮光、面积大、暗电流高，像素里要塞下光电二极管、存储节点和五六个管子，像素尺寸就压不下去。这解释了为什么全局快门在舱内监测、工业检测里是硬需求，在手机主摄里却始终不划算——不同应用对同一项技术的定价完全不同，这一点在后面按应用拆分时会反复出现。

3. 前照式与背照式：一条金属走线为什么值一个世代

同一颗像素，改一下光从哪一面进来，外量子效率能差出十几个百分点，成本也能差出一大截。前照式和背照式的分野不是“新工艺替代旧工艺”这么简单，它是一条由版图几何决定的硬约束，也是这份调研把技术类型单独拆成一章的原因。

3.1 填充因子与量子效率：前照式的天花板在哪

前照式的结构从上到下依次是微透镜、彩色滤光片、多层介质与金属互连、光电二极管。金属层本来是用来把像素里的信号读出来的，但它正好长在进光路上。后果有两个：一是有效开口率下降，像素越小，金属占的比例越大；二是斜入射的光被金属层遮挡，边缘视场出现阴影和色彩串扰，相邻像素的滤光片错配就会串色。

工程上有缓解手段，比如微透镜逐像素偏移做主光线角补偿、金属层开孔跟着偏移、片上透镜优化。但这些手段本质上是拿版图在换光路，越往小像素调，设计规则越紧、良率越难看。所以前照式的像素下限大概卡在 1.1 到 1.4 微米这一带，再往下走，外量子效率和串扰会一起恶化。这里说的量子效率是外量子效率，含滤光片和开口率损失，不是硅本身的吸收效率，两者在数据表里经常被混着引用，看参数时务必确认。

3.2 背照式与堆栈式：把电路搬到另一片晶圆上换来什么

背照式的做法是把晶圆减薄到几微米，翻过来从背面进光，金属互连层跑到光电二极管背后。三个直接收益：开口率接近 100%，不再有金属遮挡；斜入射响应大幅改善，小像素的边缘也能收光；金属布线层数可以放开，因为不用再给光路让路——这一点常被忽略，但它才是堆栈式能成立的前提。

代价也是实打实的。晶圆减薄、背面钝化、抗反射层、承载晶圆键合，每一步都在增加工序和良率风险；减薄之后靠近表面的缺陷会直接抬高暗电流和白点，所以背面钝化和吸杂工艺是关键。深槽隔离在这个阶段变成标配，像素之间刻槽填充，抑制载流子横向扩散，串扰才压得住。

再往前一步是堆栈式：像素晶圆和逻辑晶圆用铜铜混合键合贴合，互连间距从硅通孔的几微米降到亚微米级，连接数可以做到每像素一个。于是像素层只留光电二极管、转移栅和一点复位电路，逻辑层放 ADC、图像处理器、DRAM 甚至加速器。片上多帧合成、无级减光、超高帧率这些功能能落地，不是因为算法突然变强，而是因为互连带宽足够。

3.3 技术类型拆分背后的成本逻辑

调研把技术类型单列一章，给的是 2021 和 2028 两个份额点。这两个点的差值，本质上是两个变量的合力：手机主摄的像素尺寸下探速度，以及成本敏感型应用在总量里的占比。像素继续往一微米以下走，前照式就顶不住；但安防、家电、扫码这些场景的像素本来就在两三微米，对价格极度敏感，前照式在那里有长期生存空间。所以前照式份额的变化方向，不能简单读成“技术升级”，得看是哪一端的量在变。

还有一个极易踩的口径问题：份额是按收入算还是按销量算。按销量算，前照式因为便宜、量大，份额会明显高于按收入算。这份报告的收入份额表和销量份额表是分开列的，两套数字必须对上同一套结论，否则后面所有派生测算都会歪。

4. 市场结构：为什么这个行业长成三梯队加高集中

一份行业调研的价值，不在于把总数切成几块，而在于解释为什么切出来是这个形状。图像传感器这个行业长成三梯队结构，背后是产能、折旧和应用周期三件事共同作用的结果，理解了这三件事，表里的数字才有意义。

4.1 产能、产能利用率与折旧：供给为什么会自己制造周期

图像传感器是资本密集型生意，一条十二英寸线的设备折旧普遍按五年摊，折旧在成本里的占比很高。产能利用率往下掉十个点，单位成本可能往上蹿一成到两成，因为它摊的晶圆少了，折旧却一分不少。所以厂商的行为逻辑不是“价格高就扩产”，而是“先锁产能再谈价格”：第一梯队自己有厂，产能紧张时优先保自己；第二梯队靠代工，行情紧的时候最先被挤出去。

这也解释了为什么调研要把产能、产量、产能利用率三个指标一起列，而不是只报产量。产量只说明卖了多少，产能利用率才说明成本曲线走到哪了;而产能利用率乘以毛利率，才是价格周期的先行指标。下游手机链一旦进入去库存，最先被打到的是二线厂商，因为一线手里有长约和长约价格，跌价压力会顺着梯队往下传。

4.2 收入、销量、价格三张表怎么互相咬合

表里的收入、销量、价格三张表本该是自洽的：收入除以销量应该能反算出价格。但这里有个单位陷阱，不留意会差出十倍。收入单位是万元，销量单位是千件，直接相除得到的是“万元每千件”，换算成“元每件”还要乘十。把这条公式固定下来，后面所有派生指标都从它走一遍，能省掉大量返工。

def asp_cny_per_unit(revenue_wan, volume_kunit): """收入单位万元、销量单位千件 -> 单价 元/件 注意：不是 revenue_wan / volume_kunit，量纲差 10 倍 """ return revenue_wan * 1e4 / (volume_kunit * 1e3) # 等价于 revenue_wan / volume_kunit * 10 def cagr(begin, end, years): """复合增长率：years 是年份差，不是数据点个数""" return (end / begin) ** (1.0 / years) - 1 def revenue_share(rows, key="revenue_wan"): """按收入算份额；换成 volume_kunit 就是按销量算，两者结论常不一致""" total = sum(r[key] for r in rows) return {r["name"]: r[key] / total for r in rows} def check_consistency(rows, tol=0.05): """三表自洽校验：反算单价与独立价格表的最大相对偏差超过 tol 就报警""" bad = [] for r in rows: implied = asp_cny_per_unit(r["revenue_wan"], r["volume_kunit"]) if abs(implied - r["price_cny"]) / r["price_cny"] > tol: bad.append((r["name"], round(implied, 2), r["price_cny"])) return bad

这几个函数里，tol取 5% 是个经验值：低于 5% 的差异通常来自四舍五入和汇率，高于 5% 基本就是口径不一致了，常见原因是含税与不含税、是否含封测、器件与模组混算。cagr的years参数最容易写错，2022 到 2028 是六年，不是七个数据点。

三张表交叉看还能读出产品结构：一家厂商收入份额排第二、销量份额掉到第四，说明它主要做高单价产品；反过来就是靠量取胜的中低端。行业集中度指标也是这么用的，前三家合计份额高不高，要同时看收入和销量两个口径，单看一个容易被产品结构误导。

4.3 应用结构决定周期相位差

按应用拆分真正有价值的地方，是识别相位差，而不是把总量切成几块。手机、安防、车载这三条曲线，迭代节奏、关键指标、价格弹性完全不同，把它们加在一起看总规模，会把各自的周期互相抵消，得出“平稳增长”的错觉。

车载这条线尤其能说明问题：认证周期两三年，工作温度跨零下四十到一百零五度，还要解决路侧 LED 光源的闪烁问题，一旦导入，整车生命周期内几乎不换供应商。这类需求的供给是刚性的，价格是粘的，和手机完全是两种生意。做行业分析时把两者放进同一个增长率里平均，得到的数字技术上没错，商业上没什么用。

5. 避坑：读这类行业调研最容易翻车的五个地方

报告的结构看起来越规整，越容易让人放松警惕。下面这几条都是实测中反复踩到的，按现象、原因、解决三段记下来，读表之前先过一遍。

5.1 单位口径：万元、千件、元每件之间的十倍陷阱

现象：拿表里的收入除以销量，算出来的单价比价格表小一个数量级，或者反过来大一个数量级，怎么调都对不上。

原因：收入列的单位是万元，销量列的单位是千件，两个带前缀的单位直接相除，得到的量纲是“万元每千件”，和“元每件”差了十倍。这个坑在手工复制粘贴到表格软件时尤其常见，因为单元格里只有数字，单位藏在表头。

解决：把换算写死成公式，收入乘一万除以销量乘一千，等价于收入除销量再乘十；所有派生指标都从这个公式走，不要中途手工调整。

5.2 复合增长率：起点、终点和区间数

现象：同一组首尾数据，两个人算出来的复合增长率差一到两个百分点，谁也说服不了谁。

原因：把“数据点个数”当成了“年数”。2017 到 2021 是四年增长、五个数据点；2022 到 2028 是六年增长、七个数据点。用点数做指数，结果必然偏小。

解决：统一用终点年份减起点年份做指数，预测区间同样按年份差算。写完公式后拿一个已知答案验一遍，比如翻倍用七年，年化应该在百分之十点四附近。

5.3 “份额”没说是收入还是销量

现象：一家厂商收入份额排第二，销量份额却掉到第四，看上去像是数据错了。

原因：产品结构差异。高端像素单价可能是低端的好几倍，收入份额自然被抬高。另外“生产商”和“品牌商”是两个口径，代工出货可能记在品牌方名下，也可能记在制造方名下，同一批货会被算两次或者一次都不算。

解决：任何份额数字先问三个问题——按收入还是按销量、按出货还是按产值、按制造方还是按品牌方。报告里收入和销量是分开的两张表，交叉看才能读出结构，单看一张必然被误导。

5.4 技术类型与应用拆分不是正交的

现象：把前照式份额乘上手机份额，估出来的规模跟实际差得很远。

原因：两个维度强相关。手机主摄基本不用前照式，安防却大量用前照式，两个维度相乘等于假设它们独立，这个假设从物理上就不成立。

解决：要么找到交叉表，要么用上下界去夹：前照式在手机里的占比取接近零，在安防里取高值，得到的是一个区间而不是点估计。做测算时给出区间，比给一个看起来很精确的错数字有用得多。

5.5 历史值与预测值混用、快照日期不明

现象：同一份报告里，同一年的数字在不同章节对不上，或者某个年份一会儿是实际值、一会儿是预测值。

原因：数据快照日期不同。一手访谈、二手财报、行业协会统计的更新节奏不一样，加上厂商财年和自然年不一致，拼接时就会出现错位。还有一种情况是公开版本把关键数字做成了占位符，只保留结构，这时候把占位符当实数算，结论会离谱得很自然。

解决：先翻研究方法、数据来源、免责声明那几页，确认快照日期和统计口径；涉及厂商层面的数字，只用同一章节内部的表，不要跨章节拼。

6. 交叉验证：一份调研的结论该怎么跑一遍

拿到一份结构规整的调研，最省时间的做法不是从头读，而是先做对账。两套口径同时跑：自上而下按终端出货量乘单机价值量，分应用估；自下而上把主要厂商收入加总，剩下的归到其他厂商残差。两边差在 5% 以内算收敛，超过就先查应用归类、器件与模组口径、代工是否重复计算这三件事。

本文还有配套的精品资源，点击获取