雪崩光电二极管过剩噪声的测量和抑制方法

李再波, 李云雪, 马旭, 田亚芳, 史衍丽

李再波, 李云雪, 马旭, 田亚芳, 史衍丽. 雪崩光电二极管过剩噪声的测量和抑制方法[J]. 红外技术, 2022, 44(4): 343-350.
引用本文: 李再波, 李云雪, 马旭, 田亚芳, 史衍丽. 雪崩光电二极管过剩噪声的测量和抑制方法[J]. 红外技术, 2022, 44(4): 343-350.
LI Zaibo, LI Yunxue, MA Xu, TIAN Yafang, SHI Yanli. Measurement and Suppression Method for Excess Noise in Avalanche Photodiodes[J]. Infrared Technology , 2022, 44(4): 343-350.
Citation: LI Zaibo, LI Yunxue, MA Xu, TIAN Yafang, SHI Yanli. Measurement and Suppression Method for Excess Noise in Avalanche Photodiodes[J]. Infrared Technology , 2022, 44(4): 343-350.

雪崩光电二极管过剩噪声的测量和抑制方法

基金项目: 

云南大学研究生科研创新基金项目 2020290

云南省重大科技项目 2018ZI002

详细信息
    作者简介:

    李再波(1997-),男,湖南永州人,硕士研究生,研究方向为半导体光电探测器研究。E-mail:zaiboli_yun@163.com

    通讯作者:

    田亚芳(1978-),女,湖北赤壁人,实验师,研究方向为半导体光电材料与器件。E-mail:xntyf@sohu.com

    史衍丽(1969-),女,山东郓城人,研究员,博士生导师,研究方向为半导体光电器件物理与器件研究。E-mail:ylshikm@hotmail.com

  • 中图分类号: TN215

Measurement and Suppression Method for Excess Noise in Avalanche Photodiodes

  • 摘要: 雪崩光电二极管(APD)因为其高灵敏度和高增益带宽的优势已被广泛应用在高比特率、远程光纤通信系统中,而雪崩过程中产生的过剩噪声直接影响到APD的信噪比,因此,研究过剩噪声对APD性能的提升具有重要意义。目前,国内外测试雪崩光电二极管过剩噪声的方法主要有直接功率测量法和相敏探测法,本文对这两种测试方法和其优缺点进行了分析,并介绍了最新的改进测试思路。同时,还总结了降低过剩噪声的3种方法:选择低碰撞电离系数比的材料,降低倍增层厚度和采用APD碰撞电离工程来降低噪声。
    Abstract: Avalanche photodiodes (APDs) have been widely used in high bit rate, long-distance optical fiber communication systems because of their high sensitivity and gain bandwidth. The excess noise generated in the avalanche process has a significant impact on the sensitivity of APD. Therefore, the study of excess noise is crucial for the improvement of APD performance. The existing methods for testing excess noise of avalanche photodiodes primarily include direct power measurement and phase-sensitive detection. This article briefly introduces these testing methods, analyzes their advantages and disadvantages, and summarizes the state-of-the-art testing methods. Additionally, three methods to reduce excess noise are summarized: choosing materials with low impact ionization coefficient, using relaxation space to change the thickness of the multiplier layer to reduce the number of impact ionization of carriers and engineering the APD for appropriately heterogeneous impact ionization.
  • 与可见光成像相比,红外成像设备的优势在于环境适应力强、穿透力高,被广泛应用在各个方面,最早出现在军事领域[1-2]。红外图像的缺点是边缘模糊,对比度差和噪声大。因此,有必要研究红外图像增强算法以优化图像。传统的红外图像算法分为空域处理和频域处理,空域算法主要是直方图均衡化处理[3]和一些线性变换法。频域最常见的是Retinex算法[4]和小波变换[5]法以及两种算法的深入研究。

    在Retinex算法的基础上众多的改进算法层出不穷,Jobson Daniel J.、Rahman Zia-ur等人在1997年提出的中心环绕Retinex算法[6]模型简单且使用广泛,核心内容是使用低通滤波函数与原始图像卷积来估算照明分量。由于单尺度算法的难点在于尺度因子的选择,Rahman等人提出了一种基于单尺度算法的多尺度Retinex(multi-scale Retinex, MSR)算法[7],该方法已经被很多学者通过不同比例的滤波函数应用进行了图像研究。被视为是许多不同尺度的SSR(单尺度Retinex)算法的加权求和。基于MSR算法,研究者们提出了众多改进方法[8]。任崇巍等人用双边滤波代替高斯滤波[9],在货车故障轨边图像检测系统中,改进了图像光照不均匀的问题。常戬等人针对传统Retinex算法存在的泛灰、光晕、边界突出以及高曝光区域细节增强不明显等缺点,提出了改进双边滤波Retinex的多聚焦图像融合算法[10]。王秋云等人将色彩模式RGB转换至Lab,仅对亮度分量L采用引导滤波代替高斯滤波的改善多尺度Retinex增强处理[11],有效地提高了图像的质量。杨福豪等人针对水下图像存在的色偏、雾状模糊、低曝光和非均匀光照问题,提出基于色彩衰减补偿和Retinex的水下图像增强算法[12]。本文针对红外成像技术采集到图像对比度低、边缘模糊的缺点,提出了引导滤波和对数变换算法融合的多尺度Retinex红外图像增强。

    用局部线性模型来定义引导滤波。某函数上一个点与其相邻点具有线性关系,一个复杂函数可以用多个局部线性函数代替,如式(1):

    $$ q_{i}=a_{k}I_{i}+b_{k}\text{,}∀i∈ω_{k} $$ (1)

    窗口中心位于k时,akbk是线性函数的系数;输出图像的值由q表示,I是输入图像的值;长度为r的局部矩形窗口表示ωk。输入图像可以是待滤波图像,也可以是另一图像,即引导图像。在(1)式两边同时取梯度:

    $$ ∇q=a∇I $$ (2)

    式中:∇为梯度算子,当输入图像I有梯度时,输出q也有相似的梯度,也就是说,引导滤波器具有边缘保持特性。为了最小化真实值p和拟合函数输出值之间的差异,也就是让(3)式最小:

    $$ E({a_k},{b_k}) = \sum\limits_{i = \omega k} {[{{({a_k}{I_i} + {b_k} - {p_i})}^2} + \varepsilon a_k^2]} $$ (3)

    式中:ε是防止ak过大和控制滤波效果的重要参数,待过滤的图像p。用最小二乘法可以获得最优解的akbk

    $$ {a_k} = \frac{{\frac{1}{{\left| \omega \right|}}\sum\nolimits_{i \in {\omega _k}} {{I_i}{p_i} - {\mu _i}{p_k}} }}{{\sigma _k^2 + \varepsilon }} $$ (4)
    $$ b_{k}=p_{k}-a_{k}μ_{k} $$ (5)

    式中:σk2为引导图像方差,引导图像均值μk;待平滑的像素点为pi;窗口中像素数总和为$ \left| \omega \right| $;待平滑图像的均值为pkε为线性回归系数,决定了滤波器的平滑度。如果用原始图像来代替引导图像,则式(4)、(5)可以代替为:

    $$ {a_k} = \frac{{\sigma _k^2}}{{\sigma _k^2 + \varepsilon }} $$ (6)
    $$ b_{k}=(1-a_{k})p_{k } $$ (7)

    式中:图像的多个窗口中包含一个像素,并且不同窗口中的系数akbk不同,因此取这些窗口中的系数的平均值$ {\bar a_k} $,$ {\bar b_k} $来代替公式(1)中的akbk获取输出图像。

    对数变换改善了图像窄带区域的灰度分布,将窄带区域的低灰度部分扩展到了高灰度输出,图像低灰度信息就得以增强。同时,对数变换可以很好地压缩图像动态范围变化较大的像素值,目的是突出需要的细节。表达式如下:

    $$ s=c⋅\log_{v+1}(1+v⋅r) $$ (8)

    式中:c为常数;v越大灰度提高越明显;r为灰度归一化后的图像。

    由人类大脑皮层形成的有关目标物体的颜色信息与外部光强度无关,但是与目标物体表面的反射特性息息相关。那么就可以将图像分成两部分,光照分量L(x, y)和反射分量R(x, y),人眼感受到的图像可以表示式(9):

    $$ I(x,y)=R(x,y)L(x,y) $$ (9)

    式中:L(x, y)表示图像背景包含的低频分量;R(x, y)表示图像的高频分量和物体反射特性,表现为图像的细节成分。因为对数模型与人类视觉特性相符合,从上式中看出,最后观察到的图像只要去除照度分量,就可以获得物体本身的信息。所以在对数域中对其进行计算,将简化(9)式,得到式(10):

    $$ {\rm Log}{_2}\frac{{I(x,y)}}{{L(x,y)}} = {\rm Log}{_2}I(x,y) - Lo{g_2}[I(x,y) * F(x,y)] $$ (10)

    式中:低通滤波器F(x, y)一般为高斯函数也称为中心环绕函数。I(x, y)∗F(x, y)表示输入图像与低通滤波器卷积,用来估计对图像低频部分。

    上述式(9)、(10)推导出了单尺度Retinex(SSR)算法,为了解决SSR的局限性,提出多尺度思想。可以将不同尺度参数SSR算法的加权和看作是MSR算法。光照分量L(x, y)是由不同比例的中心环绕函数与原始图像卷积后获得,然后去除L(x, y)是将其转换到对数空间进行运算。计算方法如下式(11):

    $$ R'(x,y) = \sum\limits_{i = 1}^N {{\omega _k}\{ {{\log }_2}{I_i}(x,y) - {{\log }_2}[{I_i}(x,y) * f(x,y)]\} } $$ (11)

    式中:ωk为权重参数,表示第i层的权重数值;Ii(x, y)为第i层图像信息;*为卷积符号;f(x, y)为中心环绕函数。最后,与光照信息无关的反射分量R(x, y)是由R′(x, y)做反对数变换得到。计算式如(12)所示:

    $$ R(x,y)=F{R′(x,y)} $$ (12)

    式中:F{}表示反对数变换。

    针对经典MSR的不足,提出引导滤波和对数变换算法融合的图像增强算法。流程图如图 1所示。其具体步骤如下:

    图  1  本文算法流程图
    Figure  1.  Algorithm flow chart of this paper

    ① 首先原始图像用引导滤波进行光照分量估计得到图像的基础层;另外原始图像在对数域处理保持不变。

    ② 将①步骤中的基础层图像作对数变换处理的结果,再进行MSR算法得到算法处理结果;

    ③ 得到图像的细节层;原始红外图像减去步骤①中获取的基层图像,得到图像的细节信息;

    ④ 对细节层图像进行线性放大,与步骤②的处理结果叠加,得到最终的图像结果;

    原始的高斯滤波替换为引导滤波,以尽可能准确地估计光照分量。分配滤波器权重时,高斯滤镜仅考虑像素之间的距离,像素的灰度信息被忽略了,就导致灰度阶跃变化,即图像边缘滤波的结果不准确,因此不能准确地估算光照分量。根据本文介绍的引导过滤具有边缘保留和梯度保留的特征,用引导滤波来估计,可以更准确地估计光照分量。其表达式为:

    $$ L(x,y)=I(x,y)∗f′(x,y) $$ (13)

    式中:f′(x, y)表示引导滤波函数,其具体计算过程如(1)式所示;*表示卷积;I(x, y)为原始红外图像;L(x, y)估计的照度分量。引导滤波对原图平滑之后的结果与高斯平滑作对比如图 2所示。

    图  2  高斯滤波与引导滤波效果对比图
    Figure  2.  Comparison between Gaussian filtering and guided filtering

    在获取光照分量的基础上用对数变换对其处理。对数函数是一个递增函数,对高灰色区域的峰值有抑制作用。对数函数符合人眼对灰度的响应的同时还可以保留细节,减小高动态范围图像的动态范围。

    $$ L′(x,y)=c⋅\log_{v+1}(1+v⋅ L(x,y)) $$ (14)

    式中:常数c=1,L(x, y)为引导滤波估计的照度分量,L′(x, y)是对数变换处理后的照度分量。经过大量实验数据论证,v的取值在5~15范围内,本文算法中,v取值为5是增强效果达到最佳,v的值不宜过大,防止造成过度饱和。

    通过MSR算法处理图像,这里的MSR算法是经过引导滤波替换后的改进算法。得到算法的处理结果,如式(15)所示:

    $$ E_{\rm MSR}(x,y)={\rm MSR}\{I(x,y)\} $$ (15)

    设输入图像为I(x, y);改进后的多尺度Retinex变换MSR{},计算公式如(11)所示;通过计算得到增强结果EMSR(x, y);多尺度加权求和的权重ωk,分别是来自R,G,B三通道上的,各占1/3。

    图像细节层的获取是由原始图像减去基层L(x, y),获得包含了边缘、纹理的轮廓细节层N(x, y),即:

    $$ N(x,y)=I(x,y)-L(x,y) $$ (16)

    通过式(15)、(16)求得图像的细节层N(x, y)和MSR增强后的红外图像EMSR(x, y),将其融合得到最终增强图像的结果,即:

    $$ R(x,y)=αN(x,y)+βE_{\rm MSR}(x,y) $$ (17)

    式中:αβ为调节权重占比的参数,调节细节层与红外图像的强度,通常α选择2~5,β一般选择1;R(x, y)为最终增强红外图像算法的处理结果。

    为了让本文提出算法有效性得以验证,通过算法仿真实验,在客观评价和主观评价两个角度分析实验结果,并与传统MSR算法、引导滤波算法作对比得出结论。以Matlab 2016a软件作为辅助仿真工具,图 3是本实验用到不同场景的红外图像。引导滤波中的引导图像选择原图,即为图像本身。

    图  3  实验仿真用到的红外图像
    Figure  3.  Infrared image used in experimental simulation

    本文对3个场景的图像分别进行实验,对其做MSR算法增强、引导滤波增强、本文提出的算法增强,观察实验结果。

    图 4~ 图 6分别是3幅红外图像的增强结果。图 4(a),原图像中包含楼房的窗户和横跨的电线等细节信息,图像经过MSR算法处理后,图 4(b)所示未能凸显图像细节信息,并且整体图像对比度降低。图像经过引导滤波和本文算法增强后,图像整体对比度提升,并且细节信息也得到了增强,图 4(c)图 4(d)中可以清晰地看到楼房窗户和横跨的电线,但是在引导滤波增强图像时,会产生光晕导致图像过度增强。

    图  4  不同算法对场景1的处理结果
    Figure  4.  Processing results of Scene 1 by different algorithms
    图  5  不同算法对场景2的处理结果
    Figure  5.  Processing results of scene 2 by different algorithms
    图  6  不同算法对场景3的处理结果
    Figure  6.  Processing results of scene 3 by different algorithms

    图 5原图中,包含了后方楼房的窗户和车流等细节信息。图 5(b)是通过MSR算法处理后的图像,观察图像整体对比度下降、细节信息没有被增强。图 5(c)是图像经过引导滤波增强后,图像楼房的窗户和车流等细节信息都被明显增强,但是车窗户被过度饱和。图 5(d)是本文算法增强的结果,背景的楼房窗户和云彩以及马路上的汽车都更加清晰,同时对比度也得到了很大的改善,视觉效果更好。

    图 6亦是如此,图 6(b)为MSR算法增强结果图像对比度下降,图 6(c)为引导滤波增强结果,细节被增强但是过度饱和。图 6(d)为本文算法处理结果,细节信息和对比度都被改善,视觉效果好。

    根据对3个场景的仿真验证,从主观角度分析来看,与其他算法相比,处理效果是显而易见的。下面根据算法流程图,利用场景1,对本文算法的每个步骤做仿真实验得出结果,如图 7所示。

    图  7  按算法流程图处理的每个步骤图像
    Figure  7.  Processing results of each step

    客观评估是对处理结果的优缺点进行量化分析。本文中用到的量化标准有:信息熵[13]、平均梯度[13]、峰值信噪比3项评价指标。对MSR算法、引导滤波算法以及本文算法进行性能评价。下面对这3种评价指标做简单的介绍:

    信息熵:它是图像质量评估的通用指标,从信息论的角度反映了图像信息的丰富性。通常,图像信息熵越大,信息越丰富,质量越好。

    平均梯度:指的是图像的边界的灰度级变化率大,图像清晰度的衡量就是依据此变化率的大小。图中小细节对比度的变化率和图像的相对清晰度都可以用平均梯度衡量。平均梯度值大的,图像层越多也就越清晰。

    峰值信噪比:是一个存在局限性对图形进行评估的客观标准。是最大值信号和背景噪声之间的差值。图像去噪效果好的标志是峰值信噪比的数值大于30 dB,而小于20 dB图像去噪质量较差。

    图 2中3种不同场景的红外图像进行测试,场景1在不同算法下的客观评价结果如表 1所示。

    表  1  场景1客观评价结果
    Table  1.  Scenario 1 objective evaluation results
    Algorithm Evaluation parameters
    Information entropy Mean gradient Peak signal-to-noise ratio
    Original photo 7.2768 18.1815 -
    MSR algorithm 7.4062 15.2745 34.0826
    Guided filter 7.3250 11.8575 82.5478
    Ours 7.5202 24.9135 71.7486
    下载: 导出CSV 
    | 显示表格

    表 1对场景1的客观评价结果可以看出,改进算法与其他两种传统算法在信息熵、平均梯度的指标参数上都提高了,并且信息熵和平均梯度越大,说明图像的质量越好越清晰。峰值信噪比的数值都大于30 dB表示处理后的图像质量是比较好的。再分别对场景2、场景3的红外图像进行客观评价,结果如表 2表 3所示。

    表  2  场景2客观评价结果
    Table  2.  Scenario 2 objective evaluation results
    Algorithm Evaluation parameters
    Information entropy Mean gradient Peak signal-to-noise ratio
    Original photo 6.4174 5.6610 -
    MSR algorithm 6.0917 3.2130 10.0513
    Guided filter 6.5708 2.8815 86.6363
    Ours 6.6079 9.0015 66.9985
    下载: 导出CSV 
    | 显示表格
    表  3  场景3客观评价结果
    Table  3.  Scenario 3 objective evaluation results
    Algorithm Evaluation parameters
    Information entropy Mean gradient Peak signal-to-noise ratio
    Original photo 6.7321 11.7166 -
    MSR algorithm 6.8226 10.0725 14.1633
    Guided filter 6.4210 6.7830 82.9106
    Ours 7.2111 17.9520 68.1152
    下载: 导出CSV 
    | 显示表格

    表 2中可以看出,场景2应用于MSR传统算法时,效果并没有提升反而下降了。但在本文的改进算法中,依然具有独特的优势,在信息熵和平均梯度数值上高于其他两种算法。

    分析表 3,场景3在本文算法的处理下,相对于其他两种算法信息熵有所提高,处理后图像的平均梯度也优于原图,这说明处理后图像质量被提高。峰值信噪比大于30 dB,图像质量并未失真。本文算法能够有效的增强图像质量。

    鉴于红外图像边缘模糊、对比度差的缺点,提出了引导滤波和对数变换算法融合的多尺度Retinex算法。引导滤波代替高斯滤波有效的防止高斯滤波在增强图像过程中出现的边缘模糊现象。利用对数变换对获取的基础层进行处理,保留细节的同时降低了高动态范围图像的动态范围,提升了整体图像对比度。通过Matlab仿真测试,与多尺度Retinex算法、基于反锐化掩模的引导滤波算法相比,在主、客观方面分析,结果显示本文算法增强得到的红外图像,细节信息被增强的同时图像对比度也得到了提升。图像清晰可见,层次分明,视觉效果良好,达到增强图像的目的。

  • 图  1   相敏探测法噪声测试系统

    Figure  1.   Phase-sensitive detection method noise test system

    图  2   GaAs PIN二极管的M-F曲线[3]

    Figure  2.   M-F curves of GaAs PIN diode[3]

    图  3   不同厚度Si PIN APDs的M-F曲线[11]

    Figure  3.   M-F curves of Si PIN APD with different thicknesses[11]

    图  4   光功率衰减10-2.3的AlInP雪崩二极管的M-F曲线[12]

    Figure  4.   M-F curve of the AlInP avalanche diode under optical power attenuates by 10−2.3[12]

    图  5   直接功率测量噪声系统[4]

    Figure  5.   Direct power measurement noise system[4] Excessive noise factor, F

    图  6   APD的F与增益的关系[16]

    Figure  6.   The relationship between F and gain of APD[16]

    图  7   Ge/Si SACM APD的平面示意图和横截面图[18]

    Figure  7.   Schematic cross section of Ge on Si SACM APD[18]

    图  8   Ge/Si APD的碰撞电离系数比k[18]

    Figure  8.   Collision ionization coefficient ratio k of Ge/Si APD[18]

    图  9   Al0.7In0.3As0.3Sb0.7 SAGCM APD的横截面示意图和电场分布[19]

    Figure  9.   Schematic diagram of the cross-section and electric field distribution of the Al0.7In0.3As0.3Sb0.7 SAGCM APD[19]

    图  10   AlInAsSb APD的碰撞电离系数比k[19]

    Figure  10.   Collision ionization coefficient ratio k of AlInAsSb APD[19]

    图  11   常用半导体材料的碰撞电离系数比k[21]

    Figure  11.   Collision ionization coefficient ratio k of common semiconductor materials[21]

    图  12   GaAs APD不同倍增层厚度的k[22]

    Figure  12.   Collision ionization coefficient ratio k of GaAs APD with different multiplication layer thicknesses[22]

    图  13   两种模型模拟不同倍增层厚度的k[23]

    Figure  13.   Two models to simulate the k value of different multiplication layer thicknesses[23]

    图  14   制造的InAlAs/InGaAs I2E APD的示意图[27]

    Figure  14.   Schematic diagram of the fabricated InAlAs/InGaAs I2E APD[27]

    图  15   串联I2E InAlAs/InGaAs APD能带图[28]

    Figure  15.   Series I2E InAlAs/InGaAs APD band diagram[28]

    图  16   模拟串联I2E InAlAs/InGaAs APD的k[28]

    Figure  16.   Simulation of k value of series I2E InAlAs/InGaAs[28]

    图  17   单级APD和串联APD的模拟增益带宽积[28]

    Figure  17.   Simulated gain-bandwidth product of single-stage APD and series APD[28]

  • [1]

    Tosi A, Calandri N, Sanzaro M, et al. Low-noise, low-jitter, high detection efficiency InGaAs/InP single-photon avalanche diode[J]. IEEE Journal of Selected Topics in Quantum Electronics, 2014, 20(6): 192-197. DOI: 10.1109/JSTQE.2014.2328440

    [2]

    Emmons R B. Avalanche photodiode frequency response[J]. Journal of Applied Physics, 1967, 38(9): 3705-3714. DOI: 10.1063/1.1710199

    [3]

    Lau K S, Tan C H, Ng B K, et al. Excess noise measurement in avalanche photodiodes using a transimpedance amplifier front-end[J]. Measurement Science and Technology, 2006, 17(7): 1941-1946. DOI: 10.1088/0957-0233/17/7/036

    [4]

    Campbell J C, Chandrasekhar S, Tsang W T, et al. Multiplication noise of wide-bandwidth InP/InGaAsP/InGaAs avalanche photodiodes[J]. Journal of Lightwave Technology, 1989, 7(3): 473-478. DOI: 10.1109/50.16883

    [5] 李奕键. APD电路模拟与过剩噪声因子实验研究[D]. 武汉: 华中科技大学, 2013.

    LI Yijian. Experimental study on APD Circuit Simulation and excess Noise factor[D]. Wuhan: Huazhong University of Science and Technology, 2013.

    [6] 郭萍, 崔大健, 王波. PIN、雪崩光电二极管测试方法: SJ/T 2354-2015[S]. [2015-09-26] 北京: 中国电子技术标准化研究院.

    GUO Ping, CUI Dajian, WANG Bo. SJ/T 2354-2015 PIN, avalanche photodiode test method[S] [2015-09-26]. Beijing: China National Institute of Electronic Technology Standardization.

    [7] 李永亮, 余健辉, 张军. APD探测器模块性能及噪声检测[J]. 应用光学, 2019, 40(6): 1115-1119. https://www.cnki.com.cn/Article/CJFDTOTAL-YYGX201906030.htm

    LI Yonliang, YU Jianhui, ZHANG Jun. APD detector module performance and noise detection[J]. Applied Optics, 2019, 40(6): 1115-1119. https://www.cnki.com.cn/Article/CJFDTOTAL-YYGX201906030.htm

    [8]

    Bulman G E, Robbins V M, Stillman G E. The determination of impact ionization coefficients in (100) gallium arsenide using avalanche noise and photocurrent multiplication measurements[J]. IEEE Transactions on Electron Devices, 2005, 32(11): 2454-2466.

    [9]

    Anselm K A, Yuan P, Hu C, et al. Characteristics of GaAs and AlGaAs homojunction avalanche photodiodes with thin multiplication regions[J]. Applied Physics Letters, 1997, 71(26): 3883-3885. DOI: 10.1063/1.120533

    [10]

    LI K F, ONG D S, David J, et al. Avalanche multiplication noise characteristics in thin GaAs p+-i-n+ diodes[J]. IEEE Transactions on Electron Devices, 1998, 45(10): 2102-2107. DOI: 10.1109/16.725242

    [11]

    Green J E, David J P R, Tozer R C. A transimpedance amplifier for excess noise measurements of high junction capacitance avalanche photodiodes[J]. Measurement Science & Technology, 2012, 23(12): 125901-125913.

    [12]

    LIANG Q, Dimler S D, Baharuddin N A P, et al. An excess noise measurement system for weak responsivity avalanche photodiodes[J]. Measurement Science and Technology, 2018, 29(6): 065015-065021. DOI: 10.1088/1361-6501/aabc8b

    [13]

    LIANG Q, Cheong J S L, Ong J S, et al. Avalanche noise in Al0.52In0.48P diodes[J]. IEEE Photonics Technology Lett, 2016, 28(4): 481-484. DOI: 10.1109/LPT.2015.2499545

    [14]

    CHOU F P, Hsieh Y C, HUANG C A, et al. Excess noise of 850-nm silicon avalanche photodiodes fabricated using CMOS process[C]//2014 International Symposium on Next-Generation Electronics (ISNE) of IEEE, 2014, 978(1): 1-3.

    [15]

    Lee M J, Rücker H, Choi W Y. Optical-power dependence of gain, noise, and bandwidth characteristics for 850-nm CMOS silicon avalanche photodetectors[J]. IEEE Journal of Selected Topics in Quantum Electronics, 2014, 20(6): 211-217. DOI: 10.1109/JSTQE.2014.2327796

    [16]

    WEN K, TU J J, ZHAO Y L. A balanced optical system for excess noise factor measurement of avalanche photodiode[C]//Asia Communications and Photonics Conference, 2016: DOI: 10.1364/ACPC.2016.AF2A.67.

    [17]

    Webb R P, McIntyre R J, Conradi J, et al. Properties of avalanche photodiodes[J]. R. C. A. Review, 1974, 35(2): 234-278.

    [18]

    KANG Y, Zadka M, Litski S, et al. Epitaxially-grown Ge/Si avalanche photodiodes for 1.3 mm light detection[J]. Optics Express, 2008, 16(13): 9365-9371. DOI: 10.1364/OE.16.009365

    [19]

    Min R, Maddox S J, Woodson M E, et al. AlInAsSb separate absorption, charge, and multiplication avalanche photodiodes[J]. Applied Physics Letters, 2016, 108(191108): 1-4.

    [20]

    Watanabe I, Torikai T, Makita K, et al. Impact Ionization Rates in (100) Al0.48In0.52As[J]. IEEE Electron Device Letters, 1990, 11(10): 437-438. DOI: 10.1109/55.62988

    [21]

    BAI X G, YUAN P, Mcdonald P, et al. Development of low excess noise SWIR APDs[C]// Infrared Technology & Applications XXXVIII, 2012, 8353: 83532H.

    [22]

    HU C, Anselm K A, Streetman B G, et al. Noise characteristics of thin multiplication region GaAs avalanche photodiodes[J]. Applied Physics Letters, 1996, 69(24): 3734-3736. DOI: 10.1063/1.117205

    [23]

    Ong D S, LI K F, Rees G J, et al. A simple model to determine multiplication and noise in avalanche photodiodes[J]. Journal of Applied Physics, 1998, 83(6): 3426-3428. DOI: 10.1063/1.367111

    [24]

    YUAN P, WANG S, SUN X, et al. Avalanche photodiodes with an impact-ionization-engineered multiplication region[J]. IEEE Photonics Technology Letters, 2000, 12(10): 1370-1372. DOI: 10.1109/68.883833

    [25]

    DUAN N, WANG S L, MA F, et al. High-speed and low-noise SACM avalanche photodiodes with an impact-ionization-engineered multiplication region[J]. IEEE Photonics Technology Letters, 2005, 17(8): 1719-1721. DOI: 10.1109/LPT.2005.851903

    [26]

    Burris H R, Ferraro M S, Freeman W T, et al. Development of a large area InGaAs APD receiver based on an impact ionization engineered detector for free-space lasercomm applications[J]. Atmospheric Propagation IX, 2012, 10(12): 1370-1372.

    [27]

    Ferraro M S, Rabinovich W S, Mahon R, et al. Position Sensing and High Bandwidth Data Communication Using Impact Ionization Engineered APD Arrays[J]. IEEE Photonics Technology Letters, 2019, 31(1): 58-61. DOI: 10.1109/LPT.2018.2882886

    [28]

    SUN W L, ZHENG X G, LU Z W, et al. Numerical simulation of InAlAs/ InAlGaAs tandem avalanche photodiodes[C]// IEEE Photonic Society 24th Annual Meeting, 2011: DOI: 10.1109/PHO.2011.6110535.

  • 期刊类型引用(11)

    1. 张鹏. 虚拟现实环境下弱小目标图像视觉传达算法研究. 吉林大学学报(信息科学版). 2025(01): 180-186 . 百度学术
    2. 王宇勃,甄荣. 基于改进多尺度Retinex理论的海上图像去雾算法. 中国航海. 2024(01): 155-161 . 百度学术
    3. 童耀南,杨海涛,曹志奇,崔建山,刘智. 基于改进小波阈值函数和全尺度Retinex的红外图像融合增强算法. 红外技术. 2024(03): 332-341 . 本站查看
    4. 岳丽颖,袁晓平,梁富强. 近红外物联网节点失效波影响分析模型构建. 激光杂志. 2024(05): 187-192 . 百度学术
    5. 李立,易诗,刘茜,程兴豪,王铖. 基于密集残差生成对抗网络的红外图像去模糊. 红外技术. 2024(06): 663-671 . 本站查看
    6. 王潇,梁瑞. 基于改进Gabor算法的遮挡人脸智能识别方法. 吉林大学学报(信息科学版). 2024(04): 683-689 . 百度学术
    7. 马雨濛,信鹏圆,孟瑾. 城市景区生态风险的蒙特卡洛仿真研究. 计算机仿真. 2024(07): 326-329+389 . 百度学术
    8. 徐沛,沙长涛. 基于模拟多曝光融合的低照度行人动作图像增强处理设计. 计算机时代. 2023(03): 79-82 . 百度学术
    9. 彭宁,吴浩,漆梓渊,刘彦希,宋弘. 一种电子换向器表面缺陷图像去噪和增强算法. 河北水利电力学院学报. 2023(03): 1-8 . 百度学术
    10. 张勇,周斌,王建斌. 多尺度Retinex低照度图像增强的ZYNQ实现. 火力与指挥控制. 2023(07): 156-162 . 百度学术
    11. 雷经发,孙寅,张淼,李永玲,赵汝海,孙虹. 基于改进的自动多曝光和数字光栅投影技术的强反射表面形貌测量. 光子学报. 2023(12): 145-157 . 百度学术

    其他类型引用(23)

图(17)
计量
  • 文章访问数:  569
  • HTML全文浏览量:  69
  • PDF下载量:  102
  • 被引次数: 34
出版历程
  • 收稿日期:  2021-07-11
  • 修回日期:  2021-07-28
  • 刊出日期:  2022-04-19

目录

/

返回文章
返回
x 关闭 永久关闭

尊敬的专家、作者、读者:

端午节期间因系统维护,《红外技术》网站(hwjs.nvir.cn)将于2024年6月7日20:00-6月10日关闭。关闭期间,您将暂时无法访问《红外技术》网站和登录投审稿系统,给您带来不便敬请谅解!

预计6月11日正常恢复《红外技术》网站及投审稿系统的服务。您如有任何问题,可发送邮件至编辑部邮箱(irtek@china.com)与我们联系。

感谢您对本刊的支持!

《红外技术》编辑部

2024年6月6日