低光照成像是图像处理的一个重要方向,由于光子数量低和信噪比低,极端低光照成像具有挑战性。至今,已有很多可用于低光照成像的图像增强算法,例如直方图均衡化、灰度变换法、Retinex系列算法和基于人类视觉系统感知特性的补偿方法等。但是这些方法在极端低光照情况下的效果就十分有限了,现在流行的卷积神经网络就发挥了作用。相比于传统的低光照成像方法,卷积神经网络通过模拟生物大脑结构拥有较强的学习能力,可以处理输入和输出间复杂的映射过程,在图像处理方面得到了广泛的应用。本文算法用于处理在低光照条件下的传感器数据,训练深度神经网络来学习低光原始数据的图像处理流程,包括颜色变换,去马赛克,降噪和图像增强。对神经网络进行端到端的训练,以避免噪声放大和错误积累。如何改进U-net神经网络提升其在极暗条件成像领域的效果是论文的研究重点,论文的主要研究内容如下所示:1)本文首先归纳总结传统的低光照成像方法,如直方图均衡法和灰度变换法,分析了这些方法在极暗条件成像中存在的步骤繁琐、信噪比低和视觉效果不佳等问题,进而引出卷积神经网络在极暗条件成像中的重要作用。2)接着说明了基于卷积网络的极暗条件成像的整体流程。训练一个U-net网络来直接处理快速成像系统中的低亮度图像,此方法不仅能抑制盲点噪声和实现颜色转换,同时将图像由Bayer Raw格式转化到RGB格式。然后说明了输入在进入网络前的处理步骤,包括将输入转化为四通道、消除黑色像素和按照期望的倍数放大输入数据。3)随后介绍U-net网络结构,并提出相应的改进及灵感来源。然后叙述了改进U-net网络的过程及取舍。最后着重说明了实验结果,实验体现了通过改进U-net能有效提高极暗条件成像结果的结构相似性和峰值信噪比。