随着摄影技术和数字图像处理技术的发展和进步,人们对极低照度下成像有了越来越广泛的需求,比如智能手机夜景成像、夜间视频监控等。相对于其他场景,由于光照严重不足,拍摄极低照度场景时,图像往往存在以下问题:在曝光时间较短时,图像亮度非常暗并且噪声极大,几乎可以淹没图像信息。延长曝光时间时,图像噪声有所减小,但是图像信息仍然不足,并且经常会出现图像模糊。如何在极低照度场景下获得高质量的图像一直是成像技术中的难点。极低照度下图像去噪通常有单帧图像去噪、利用延长曝光时间的策略进行降噪、利用多帧图像进行去噪等方法。单帧图像去噪方法只需要一张图像即可进行去噪,方法相对简单,但是恢复出的信息有限。延长曝光时间是在图像获取过程中就降低了噪声,获得的图像质量较高,不过往往会引入模糊等其他的图像退化。而多帧图像去噪通过数字图像处理的方法去除图像的噪声,又通过提取多帧图像的相似而又互补的信息来提升极低照度下图像中的信息,可以较好地用于极低照度下图像去噪。论文首先介绍了课题的背景与意义,介绍了与课题相关的国内外研究现状,总结了一些常用的图像去噪算法、图像去模糊算法,还介绍了近几年国内外关于低照度图像去噪、去模糊、极低照度下图像去噪的最新研究进展。论文接着进行了单帧图像去噪算法研究。论文对图像噪声的产生原理进行了研究。提出了一种改进的图像噪声方差估计方法,并将估计出的噪声方差用在小波阈值去噪算法中。提出了用U-Net网络对实拍数据集进行单帧去噪的算法,将一个真实拍摄的去噪数据集和深度学习模型相结合,达到在真实图像中更好的去噪效果。论文还提出了 一种利用长曝光拍摄策略进行图像降噪的方法。长曝光拍摄图像时,图像信噪比会增加,但是也会引入模糊。所以论文提出了一种对长曝光引入的模糊的校正方法,包括一种改进的神经网络结构、改进的损失函数和一种新的模糊数据集构建方法。在合成数据集和实拍数据集上的实验结果都证明了所提方法对模糊校正的有效性。论文最后提出了 一个极低照度下多帧图像去噪算法。首先使用干净的原始图像,构建出含有噪声和模糊的数据集,然后使用这个数据集训练一个多帧去噪去模糊网络。在极低照度下拍摄图像时,延长曝光时间,拍摄得到多帧含噪声的图像。最后,将得到的多帧极低照度图像放入训练好的网络进行测试。实验结果表明,所提方法能有效提高极低照度下图像去噪的性能,提高图像质量。