简介：这份资源是由 qyresearch 出品的 CMOS 数字图像传感器行业调研报告，面向半导体与图像传感领域的从业者、市场研究人员、投资分析人员及高校相关专业师生，可用于快速了解这一赛道的全球与中国市场格局、规模走势与竞争态势，为技术选型、战略规划或课题研究提供数据支撑。压缩包共 1 个文件，为单份 PDF 报告，大小约 413KB，结构紧凑，便于直接查阅与引用。内容覆盖 2017—2021 年历史数据及 2022—2028 年预测，按销量与收入双维度统计全球及中国市场规模，并拆解 Sony、Samsung、Omnivision、Galaxycore、SK Hynix 等主要厂商的销量、收入、价格与份额；同时按前照式、背照式等技术类型和手机、安防监控、车载电子等应用场景细分市场，梳理产能产量、产业链上下游与进出口贸易情况，并给出行业驱动因素、挑战、趋势与政策分析，目录层次清晰，适合按章节检索使用。目前已有 72 人学习下载。
1. 这份 CMOS 数字图像传感器行业调研，看点在拆法而不是数字
多数人拿到一份「CMOS 数字图像传感器行业调研」，第一反应是翻到市场规模那一页找数字。从行业分析的角度看，真正有价值的往往是它的切分方式：把 2017—2021 历史期与 2022—2028 预测期对齐，同时按收入（万元）与销量（千件）双口径切开，再叠上前照式/背照式两种技术路线、手机/安防/车载/其他四类下游，以及十余个国家和地区的竞争格局。这条资讯的核心事实是，这份资料把全球与中国两个市场放进同一套统计口径里做横向对比，并给出主要厂商 2017—2022 年的销量、收入、价格与毛利率。它不解决「选哪颗芯片」，解决的是「当你要向别人论证一个判断时，手里有没有一套自洽、可复算的口径」。图像传感器的份额与价格，正从手机单极驱动转向多场景驱动，口径不统一，结论就会互相打架。
2. 口径拆解：七个模块决定了这份调研能回答什么问题
一份调研报告的可信度，八成取决于它敢不敢把「怎么算的」摊开。这份资料的目录结构其实已经暴露了它的方法论：市场规模、竞争格局、中国市场的进口与国产对比、产能与产地、产业链、按技术类型拆分、按应用拆分，最后落到主要厂商的逐家档案。七个模块不是并列关系，而是一条从「总量」到「结构」再到「个体」的收敛链。读的时候如果只截取其中一段，很容易得出和事实相反的结论——这也是这类资料被用得最歪的地方。
2.1 收入与销量双口径：一对必须同时看的数字
报告里每个市场规模都给了两套数：按收入计的万元，按销量计的千件，并且单独列了价格趋势（元/件）。这三组数之间存在硬约束：收入 ÷ 销量 ≈ 均价，均价的变化必须能解释收入与销量增速的差。举个不涉及具体数值的例子，如果某一年销量增速明显高于收入增速，那均价一定在往下走，这时要追问的是产品结构下移还是价格战；反过来，收入增速高于销量增速，通常是高像素、大靶面、车规级产品占比提升。只看一套数，这个信息就丢了。
这个校验动作可以写成一个很小的脚本，把报告里三张表的关键列抽出来对一遍。下面这段代码不依赖任何具体数据源，只负责逻辑校验，参数按你实际拿到的表格结构改。
# 市场规模三表交叉校验：收入、销量、均价是否自洽 # 输入：每年一行的字典列表，字段均为浮点，缺失年份用 None records = [ {"year": 2017, "revenue_wan": None, "volume_k": None, "price_yuan": None}, {"year": 2021, "revenue_wan": None, "volume_k": None, "price_yuan": None}, {"year": 2028, "revenue_wan": None, "volume_k": None, "price_yuan": None}, ] TOL = 0.15 # 允许 15% 偏差：报告口径常混用出厂价与渠道价 def implied_price(rev_wan, vol_k): if rev_wan is None or vol_k is None or vol_k == 0: return None # 万元 / 千件 = 元/件，量纲正好抵消，无需换算 return rev_wan / vol_k for r in records: calc = implied_price(r["revenue_wan"], r["volume_k"]) if calc is None or r["price_yuan"] is None: print(r["year"], "数据不全，跳过") continue gap = abs(calc - r["price_yuan"]) / r["price_yuan"] flag = "一致" if gap <= TOL else "需复核" print(f'{r["year"]} 推算均价 {calc:.2f} 报告均价 {r["price_yuan"]:.2f} 偏差 {gap:.1%} {flag}') def cagr(begin, end, years): if not begin or not end or years <= 0: return None return (end / begin) ** (1 / years) - 1 # 历史期 4 年（2017→2021），预测期 6 年（2022→2028），基年不同不要混算 print("历史期 CAGR:", cagr(records[0]["revenue_wan"], records[1]["revenue_wan"], 4)) print("预测期 CAGR:", cagr(records[1]["revenue_wan"], records[2]["revenue_wan"], 6))逻辑上就三件事：用收入与销量反推均价，和报告单独给出的价格列对一遍；用首尾年份算复合增速，注意历史期是四年、预测期是六年，基年错位会让 CAGR 差出一大截；对不上的年份标出来回头看口径说明。参数只有三个——三张表的字段名、容差比例、以及你认定的基年。容差设太严会天天报警，设太松等于没校验，15% 左右是个能用的起点。
提示：报告里预测期的基年常写成 2022，但部分表以 2021 为基准年（目录里多处出现「2017 VS 2021 VS 2028」的对比格式），跨表计算前先确认基年，这是最常见的翻车点。
2.2 技术类型只分前照式和背照式：这个二分法漏掉了什么
报告按技术类型拆分时，只保留了前照式（FSI）和背照式（BSI）两类，六张图表全部围绕这两条路线展开。这是行业里最经典也最粗糙的二分法，好处是历史数据连续、口径稳定，坏处是近十年真正拉开产品差距的几项工艺被折叠掉了。
| 维度 | 前照式 | 背照式 | 报告未单列但影响选型的项 |
|---|---|---|---|
| 光线入射路径 | 穿过金属布线层 | 从硅背面入射，布线层让位 | 堆栈式把逻辑晶圆与感光晶圆分开做 |
| 量子效率 | 受布线遮挡，偏低 | 明显提升，弱光优势大 | 近红外增强在安防与车载夜视里是硬指标 |
| 像素尺寸下限 | 受限于布线占位 | 可继续下探 | 小像素下的串扰与暗电流才是良率玄学 |
| 成本结构 | 工序少，成本低 | 需要背面减薄与键合，成本高 | 良率爬坡速度决定实际价差 |
| 典型场景 | 成本敏感的入门消费、部分工业 | 手机主摄、车载、高端安防 | 全局快门、SPAD/ToF 属于另一条产品线 |
从行业角度看，这个二分法在 2017—2021 的历史区间是够用的，因为那几年背照式对前照式的替代是主线。但把同一套分类套到 2022—2028 的预测上，解释力会下降：堆栈式在手机主摄已经成为默认选项，而报告的分类里它只能被塞进「背照式」。所以看到「背照式份额将提升至某比例」这类结论时，要意识到它其实混合了两代工艺，实际替代速度可能被低估，也可能被高估——取决于该厂商当年主推的产品定义。
2.3 应用四分类：手机、安防、车载，以及被折叠的「其他」
下游拆成手机、安防监控、车载电子、其他四类，前三条是明确的，第四条是个筐。这个筐里装着医疗内窥、工业机器视觉、条码扫描、无人机、AR/VR、会议摄像头等等，它们的共同点是单量小、单价高、认证周期长、毛利率往往比消费类好看。问题在于，当「其他」在报告里只呈现为一条合并曲线时，任何一家做细分场景的公司都无法从中读出自己的位置。
更值得注意的是车载这一类。它在报告里是一个独立应用，但内部其实是三四个不同市场：倒车与环视（对成本极敏感）、前视 ADAS（对动态范围与 LED 闪烁抑制要求高）、舱内监测（对近红外灵敏度要求高）。这三类对同一颗传感器的技术要求和价格承受力差着量级，合并统计后的「车载均价」几乎没有指导意义。手机同理，主摄、超广角、长焦、前摄的价格带完全不同，报告按应用汇总后得到的是加权平均，权重一变，均价就跳。
所以正确的读法是把这个四分类当成入口而不是结论：先用它看清总量和增速的方向，再自己按像素档位、光学尺寸、接口类型二次切分。谁掌握了更细的切法，谁在内部评审时就不会被一句「行业平均增速是多少」问住。
2.4 地区粒度：国家清单越长，越要盯住权重
报告覆盖北美（美国、加拿大）、欧洲（德国、英国、法国、意大利等）、亚太（中国、日本、韩国、东南亚、印度等）、拉美（墨西哥、巴西）、中东及非洲（土耳其、沙特等）。清单看着很全，但真正影响结论的只是几个高权重地区。按目录给出的对比格式，每个地区都要回答三个问题：2021 年的份额是多少、2022—2028 的增速是多少、份额是升还是降。
读这类地区拆分有个血泪经验：不要用「地区增速」去推「本地厂商机会」。一个地区市场增长快，可能是因为本地终端品牌出货猛，而传感器仍从外部采购；反过来，一个地区增速平平，却可能是全球产能的主要所在地。产能分布（报告第四章）和市场分布（第八章）是两张皮，混着看会得出完全错误的判断。
3. 竞争格局：梯队划分与集中度背后的产业信号
报告的竞争格局部分做得比多数同类资料细：全球按收入、按销量分别给主要厂商份额，价格单独对比，再按第一、第二、第三梯队分层，附上近三年 CR3 集中度与并购情况；中国部分则额外拆了进口与国产厂商份额、2021 年本土厂商的内销与外销占比。这套结构的意义在于，它把「份额」拆成了「谁卖得多」「谁卖得贵」「谁在往里挤」三个不同的问题。原始资料列了十一家主要厂商，覆盖日系、韩系、中系、美系与欧系，下文用代号指代，避免对号入座。
3.1 三梯队不是按规模切的，是按客户结构切的
第一梯队是那家日系头部厂商，它的份额优势不在产能，而在高端产品线的定义权——手机主摄的旗舰规格、车载前视的认证壁垒，基本由它先立标准。第二梯队是韩系两家加中系两家：韩系一家靠自有终端消化产能，另一家从存储主业横向切入；中系两家则以性价比和快速迭代见长，在中低端手机与安防市场拿量。第三梯队是区域型与专精型玩家，规模不大，但在工业、医疗、特定车载细分里有稳定客户。
按规模切梯队会得出「第一梯队不可撼动」的结论，按客户结构切才能看出缝隙：第一梯队的强势集中在少数几个高价值场景，一旦某个场景的技术路线发生变化（比如从可见光转向近红外增强），原有的认证壁垒会被重置一轮，这就是第二、第三梯队换道的机会窗口。报告里的梯队划分和产品列举放在一起看，能看出每家厂商在押哪些场景。
3.2 中国市场：进口份额高不等于国产供给弱
报告里有一组容易被误读的数据：中国市场的进口与国产厂商份额对比，以及 2021 年本土厂商的内销与外销占比。直觉上会认为进口份额高说明国产不行，但把产能章节和贸易章节合起来看，结论会翻转——中国是全球最主要的消费市场之一，终端出货量大，自然吸纳大量进口；同时本土厂商的产出有相当比例销往海外模组厂与终端厂。也就是说，进口与出口在同一时间都在发生，这是全球分工的结果，不是能力短板的证据。
真正需要盯的是两个比值：本土厂商内销占其总出货的比例，以及本土厂商在高端档位的份额。前者反映对本地客户的绑定深度，后者反映技术爬坡进度。报告把这两个数分开列，是有意为之。
3.3 价格与毛利率：同一规格为什么能差出几倍
报告为每家厂商列了 2017—2022 年的销量、收入、价格与毛利率，这四列放在一起才是完整的故事。同一像素规格、同一光学尺寸的两颗传感器，报价能差出几倍，原因通常不在设计，而在四件事：良率（决定成本下限）、封装形式（COB、COF、CSP 的成本差很大）、IP 与算法配套（是否带 ISP、是否含授权费）、客户结构（头部客户长约价 vs 散单现货价）。
这四件事里，良率是最玄学的一环——它不进财报，也不进报价单，但决定了厂商敢不敢接低价单。所以看毛利率时不要只看绝对值，要看它在 2017—2021 间的波动方向：毛利率稳定说明客户结构和产品结构稳，毛利率大起大落通常意味着在打价格战换份额，或者某个大客户订单在切换。
3.4 并购与产品列举：读的是动作方向
报告的并购情况与主要厂商产品列举两节，信息密度不低但容易被跳过。并购方向上，这个行业里横向合并少，纵向整合多——买 IP、买封测产能、买算法团队、买特定场景的方案商。原因很直接：传感器本身是同质化程度较高的器件，差异化靠外围。看到一家厂商在某个细分反复收购，基本可以判断它准备在那个场景打阵地战。
产品列举那部分则可以用来做交叉验证：把某厂商列出的产品型号，和它在各应用里的份额对上，看它的份额是靠单一爆款撑起来的，还是靠完整产品线摊出来的。前者风险集中，后者抗压能力强。
4. 产业链与产能：成本从哪里来，产能往哪里去
产业链这一章是整份报告里最容易被低估的部分。上游原料供应商、中游生产方式、下游客户与经销渠道、采购模式与销售模式，这些内容不产生漂亮的增长曲线，但决定了前面所有份额和价格的解释力。图像传感器的成本结构里，晶圆制造与封测占大头，光学配套（彩色滤光片、微透镜）占一部分，剩下的才是设计与 IP。任何一环的产能紧张，都会沿着链条传导到报价上。
4.1 上游：四类关键投入，缺一不可
拆开看，上游至少有四类关键投入。第一是硅片与晶圆代工产能，图像传感器用的是特色工艺平台，与逻辑芯片不完全共用产线，所以先进制程的产能宽松不代表传感器产能宽松。第二是彩色滤光片与微透镜，这两项直接决定色彩还原与进光量，供应商集中度较高。第三是封装与测试，图像传感器对封装洁净度和光学对准精度要求高，封测产能的扩产周期通常比设计周期长。第四是 IP 与算法，包括 ISP、HDR 合成、LED 闪烁抑制等，这部分往往以授权形式进入成本。
报告列了主要原料供应商与代表性下游客户，但没给具体的成本占比。这种情况下比较稳妥的做法是记住顺序而不是数字：晶圆制造 > 封测 > 光学配套 > 设计与 IP。顺序对了，判断产能紧张时会先涨哪一段，就不会错得太离谱。
4.2 产能与产能利用率：产地分布比份额更值得跟踪
报告第四章给了全球总产能、产量、产能利用率（2017—2028），主要厂商总部与产地分布，以及主要生产地区的产量份额与未来扩产计划。这组数据的价值在于它比市场份额更早反映变化——份额是结果，产能布局是原因，而扩产计划是提前一年半载就能看到的信号。
从行业角度看，图像传感器的产能高度集中在少数地区：日系厂商在本土与部分海外据点都有产线，韩系以本土为主，中系厂商的产能则分布在长三角与中西部多个据点，欧美厂商更多聚焦在工业与车规的特种产品上。产能的地理分布决定了供应链的韧性，也决定了在缺货周期里谁能优先拿到货。报告里那张「2021 VS 2028 产能份额」的对比图，比任何一句增速描述都更能说明格局往哪边偏。
注意：产能利用率的分子分母口径各家不同，有的按设计产能算，有的按有效产能算，跨厂商对比前先看注释，否则会得出「某厂产能利用率常年偏低」这种伪结论。
4.3 生产方式与采购模式：Fabless 与 IDM 的价格弹性差在哪
报告把生产方式与采购模式单列，这一点值得展开。IDM 模式自己拥有产线，产能爬坡慢但成本可控，缺货周期里议价能力强；Fabless 模式灵活，能快速跟进新工艺，但产能受制于代工厂，价格弹性小。这两种模式在市场景气时的表现完全相反：缺货时 IDM 赚超额利润，Fabless 被代工报价压着；过剩时 IDM 产能闲置，Fabless 反而能挑单。
采购模式上，头部终端厂商普遍采用长约加预付款锁产能，中小客户走现货与分销。这个结构导致一个现象：公开市场上的报价往往比实际成交价高出一截，因为长约价不公开。所以看到报告里的价格趋势时，要意识到它反映的是某种加权口径，不等于你在现货市场能拿到的价格。
4.4 销售渠道与进出口：流向不等于能力
销售模式分直销与经销，报告给了代表性经销商名单。经销渠道在安防与工业市场占比更高，因为客户分散、单量小、需要技术支持。手机市场则基本是直销加方案商配合。渠道结构决定了一家厂商的库存风险和账期压力，也决定了它在需求波动时的反应速度。
进出口那组数据（中国市场产量、销量、进口量、出口量，主要进口来源与出口目的地）常被当成能力指标来引用，这是个典型误读。贸易流向反映的是全球分工位置：进口多说明本地终端需求旺，出口多说明本地制造有成本或规模优势。两者可以同时成立，而且在这个行业里确实同时成立。把进出口差额当成「自给率」来算，会得出一个既不对应产能也不对应技术的数字。
5. 常见误读：把这类报告当结论用的五个坑
这类调研资料最危险的用法，是把它当成一份可以直接引用的结论集。它本质上是口径框架加数据切片，切片之间的逻辑关系需要读者自己接上。下面五条是从业者最容易踩的坑，每一条都值得在内部评审前过一遍。
5.1 误判一：把预测期的 CAGR 当成行业的承诺
误判点：看到 2022—2028 的复合增速，就把它当成未来六年的基准情形写进规划。
为什么：预测期的 CAGR 是把首尾两年的市场规模连起来算的几何平均，它隐含了「中间不发生剧烈波动」的假设。这个行业过去五年经历过缺货、扩产、去库存三轮切换，任何一轮都会让单年增速大幅偏离均值。报告给出 CAGR 是为了提供一个可比的口径，不是给出一条平滑的路径。
怎么看：把 CAGR 当成区间的中点，自己补上乐观与悲观两条边界，并明确写出触发条件——比如产能释放节奏、某个下游场景的认证进度。内部沟通时用区间比用单点更容易被接受，也更抗打脸。
5.2 误判二：把前照式份额下降读成前照式要退场
误判点：报告显示前照式份额在下降、背照式份额在上升，于是判断前照式产品线该停。
为什么：份额下降和需求消失是两件事。前照式在成本敏感的入门消费、部分工业与低端安防里仍有稳定需求，它的问题是增长慢，不是没有量。而且份额是按收入算还是按销量算，结论方向可能不同——按销量算前照式的占比通常比按收入算高得多。
怎么看：分别看收入份额和销量份额两条曲线的斜率差异，再结合价格趋势判断是「量在、价在跌」还是「量在退」。前者是该优化成本，后者才是该转线。
5.3 误判三：集中度高就等于没有机会
误判点：看到 CR3 集中度很高，就认为新进入者没有空间。
为什么：集中度是按整体市场算的，而这个整体里权重最大的是手机，手机本身确实是高集中度市场。但把分母换成长尾场景——工业机器视觉、医疗内窥、特定车载细分——集中度会显著下降，而且这些场景的认证壁垒是场景知识而非产能规模，恰好是后来者能积累的东西。
怎么看：不要用整体 CR3 判断细分机会，去报告的应用拆分表里找那些基数小但增速高的格子，再看这些格子里主要厂商的产品列举是否完整。产品线不完整的格子，就是缝隙。
5.4 误判四：把中国市场的份额占比等同于供给能力
误判点：报告显示中国市场占全球份额较高、增速高于全球，就推断本土供给能力已经跟上。
为什么：这个占比是需求侧口径，统计的是在中国市场卖出去多少，不是在中国生产了多少。终端品牌出货量大，自然会吸纳大量进口；同时本土厂商的产出又有相当部分出口给海外模组厂。需求占比高和供给能力强是两个独立命题，中间隔着产能、良率、认证三道关。
怎么看：把需求侧份额、产能份额、本土厂商内销占比三个数放在一起看。三个数都高，才是真的起来了；只有第一个高，说明市场大但供给仍在爬坡。
5.5 误判五：直接引用报告里的空白或占位数值
误判点：资料里部分市场规模、增速、份额位置以空白或占位形式呈现，有人会凭上下文「估一个数」填进去，然后当成事实引用。
为什么：这类资料的公开版本通常会做数值脱敏，保留结构与图表编号，把关键数字留空。空白不是遗漏，是设计。凭上下文估算填进去，误差会沿着后续所有推导放大，最后得出的结论看着有依据，其实是自己编的。
怎么看：把空白当成待验证项列成清单，每个空白标注「需要哪个口径的数据、可以从哪类公开信息交叉验证」。清单本身就是一份很有用的内部文档，它明确告诉你哪些结论现在还不能下。
6. 趋势判断：接下来两年该盯什么
把这份资料从头翻到尾，能得到的最有价值的东西不是某个数字，而是三条同时成立的趋势。
第一，技术路线的竞争焦点已经从「像素做小」转向「场景做深」。前照式与背照式的替代故事接近尾声，接下来的差异在堆栈式、近红外增强、全局快门、动态范围这些维度上，而它们恰好是报告分类里被折叠的部分。这意味着按老口径看份额，会低估切换速度。
第二，份额再分配的战场在手机之外。手机仍是最大单一市场，但它的增速已经不足以改变格局，真正会挪动排名的是车载与安防这两个认证周期长、客户黏性高的场景。谁在这两个场景里先把产品线铺完整，谁就能在下一轮拿到定价权。
第三，产能的地理分布比市场份额更值得跟踪。过去几年反复验证的一件事是，缺货周期里决定胜负的不是设计能力，而是能不能拿到产能。报告里那张产能份额对比和各家扩产计划，是整份资料里提前量最大的部分。
对从业者的建议很具体：拿到这类资料，先别急着看增速，花半小时把自己的口径表建起来——按什么切市场、用收入还是销量、基年选哪一年、空白项怎么标。我自己踩过的最大的坑，是早年拿着一份报告的增速数字直接进了预算会，被问「这个增速是按收入还是按销量」的时候答不上来，那场面相当尴尬。从那以后我每次引用任何行业数据，都强制走一遍「口径三问」：分子分母是什么、基年是哪一年、数据是实测还是推算。希望帮到你。
本文还有配套的精品资源，点击获取
