"""
ST DeepNIR 背照式像素架构性能分析

核心改进：
1. MTF（调制传递函数）提升 35% → 更锐利的图像
2. QE（量子效率）提升 60% → 更好的低光性能
3. BSI 架构 → 更好的红外感度

MTF 影响：
- 更高的 MTF → 更锐利的眼部细节 → 更精确的 PERCLOS
- 在低分辨率（1.1MP）下补偿性能

QE 影响：
- 更高的 QE → 更少的红外 LED → 更低成本
- 在屏下摄像头低透过率场景下仍可工作
"""

import numpy as np


class ImageSensorSpec:
    """图像传感器规格对比"""
    
    def __init__(self, name, resolution_mp, mtf, 
                 quantum_efficiency, pixel_size_um,
                 ir_wavelength_nm=940):
        self.name = name
        self.resolution = resolution_mp  # MP
        self.mtf = mtf  # 相对值
        self.qe = quantum_efficiency  # 量子效率 (0-1)
        self.pixel_size = pixel_size_um  # 像素尺寸 μm
        self.ir_wavelength = ir_wavelength_nm  # 红外波长 nm
    
    def effective_resolution(self):
        """有效分辨率（考虑 MTF 衰减）"""
        # MTF 越高，有效分辨率越接近标称值
        # MTF 50% 对应 Nyquist 频率
        return self.resolution * self.mtf
    
    def low_light_score(self):
        """低光性能评分"""
        # 像素面积 × QE × MTF
        pixel_area = self.pixel_size ** 2
        return pixel_area * self.qe * self.mtf
    
    def snr_estimate(self, illumination_lux=1.0):
        """信噪比估计"""
        # 简化模型：SNR ∝ sqrt(像素面积 × QE × 光通量)
        pixel_area = self.pixel_size ** 2
        signal = pixel_area * self.qe * illumination_lux
        noise = np.sqrt(signal + 1)  # 散粒噪声 + 暗噪声
        return 20 * np.log10(signal / noise) if noise > 0 else 0
    
    def print_comparison(self):
        print(f"\n=== {self.name} ===")
        print(f"  分辨率: {self.resolution} MP")
        print(f"  MTF: {self.mtf:.2f}")
        print(f"  QE: {self.qe:.2f}")
        print(f"  像素尺寸: {self.pixel_size} μm")
        print(f"  有效分辨率: {self.effective_resolution():.2f} MP")
        print(f"  低光评分: {self.low_light_score():.2f}")
        print(f"  SNR@1lux: {self.snr_estimate():.1f} dB")


# ST VD56GA (DeepNIR, 新一代)
vd56ga = ImageSensorSpec(
    name="ST VD56GA (DeepNIR)",
    resolution_mp=1.1,
    mtf=1.35,  # +35% vs 上代 → 归一化 1.35
    quantum_efficiency=0.48,  # 假设 60% 提升后
    pixel_size=3.0  # 估算
)

# 上一代 ST 传感器
st_prev = ImageSensorSpec(
    name="ST 上一代",
    resolution_mp=1.1,
    mtf=1.0,
    quantum_efficiency=0.30,  # 假设
    pixel_size=3.0
)

# 竞品 A (OmniVision OV2311)
ov2311 = ImageSensorSpec(
    name="OV2311 (竞品)",
    resolution_mp=2.0,
    mtf=1.0,
    quantum_efficiency=0.32,
    pixel_size=3.0
)

for sensor in [vd56ga, st_prev, ov2311]:
    sensor.print_comparison()

# 关键优势分析
print("\n=== VD56GA 优势分析 ===")
print(f"  vs 上一代 - MTF提升: "
      f"{(vd56ga.mtf/st_prev.mtf - 1)*100:.0f}%")
print(f"  vs 上一代 - QE提升: "
      f"{(vd56ga.qe/st_prev.qe - 1)*100:.0f}%")
print(f"  vs 上一代 - 低光评分提升: "
      f"{(vd56ga.low_light_score()/st_prev.low_light_score() - 1)*100:.0f}%")
print(f"  vs OV2311 - 有效分辨率比: "
      f"{vd56ga.effective_resolution()/ov2311.effective_resolution():.2f}")
print(f"  vs OV2311 - 低光评分比: "
      f"{vd56ga.low_light_score()/ov2311.low_light_score():.2f}")

"""
DMS/OMS 最小分辨率需求分析

关键检测项的分辨率需求：
- 眼睛开闭（PERCLOS）：需要眼睛区域 ≥ 30×20 像素
- 视线方向：需要眼睛区域 ≥ 50×30 像素
- 面部关键点：需要面部 ≥ 200×200 像素
- 后座乘员检测：需要人形 ≥ 100×200 像素
- 儿童遗留（CPD）：需要人形 ≥ 80×150 像素

VD56GA 1.1MP (1280×864 或类似)：
- 驾驶员位置（距离 50-70cm）：面部约 400×400 像素 → ✅ 足够
- 副驾驶位置（距离 80-100cm）：面部约 250×250 像素 → ✅ 足够
- 后座位置（距离 120-150cm）：面部约 150×150 像素 → ⚠️ 边缘
- 后座人形检测：约 200×300 像素 → ✅ 足够
"""

RESOLUTION_ANALYSIS = {
    'PERCLOS (眼睛开闭)': {
        'min_pixels': '30×20',
        'vd56ga_driver': '✅ 200×150 (驾驶员)',
        'vd56ga_passenger': '✅ 120×80 (副驾)',
        'vd56ga_rear': '⚠️ 60×40 (后座, 边缘)',
    },
    '视线估计 (Gaze)': {
        'min_pixels': '50×30',
        'vd56ga_driver': '✅ 200×150',
        'vd56ga_passenger': '✅ 120×80',
        'vd56ga_rear': '⚠️ 60×40 (边缘)',
    },
    '面部关键点': {
        'min_pixels': '200×200',
        'vd56ga_driver': '✅ 400×400',
        'vd56ga_passenger': '✅ 250×250',
        'vd56ga_rear': '❌ 150×150 (不足)',
    },
    'OMS 乘员检测': {
        'min_pixels': '100×200',
        'vd56ga_driver': '✅ 充足',
        'vd56ga_passenger': '✅ 充足',
        'vd56ga_rear': '✅ 200×300',
    },
    'CPD 儿童检测': {
        'min_pixels': '80×150',
        'vd56ga_rear': '✅ 200×300',
        'note': '但 CPD 场景通常需要穿透遮挡，依赖雷达'
    }
}

for function, analysis in RESOLUTION_ANALYSIS.items():
    print(f"\n=== {function} ===")
    for key, value in analysis.items():
        print(f"  {key}: {value}")