针对空间低照度环境下，互补金属氧化物半导体(CMOS)相机成像视觉效果不佳的问题，基于张量优化的图像融合方法研制一款高动态范围的微光相机。分析基于科学互补金属氧化物半导体(sCMOS)图像传感器亮暗场双通道 ADC的电路特性，利用同源双通道图像数据构建三阶特征张量，通过对特征张量的平行因子分析，以融合图像动态范围最优为评价函数，引入拉格朗日乘数法作为张量分解的优化算法，实现实时的高分辨力高动态范围成像。研制一款基于 LTN4625的微光相机，并进行成像实验。仿真实验结果表明，相机实现了 50帧/s， 4 608×2 592像素的高分辨力高动态范围成像，图像动态范围从低增益数据的 5.2 dB和高增益数据的 11.4 dB提高到了 54.7 dB。该设计是一种微弱光环境下动态响应范围高、成像效果好的微光相机设计方法。

为了在微光条件下获取像白天一样兼具色彩和细节的图像, 提出一种微光下的彩色成像处理方法: 对彩色探测器图像进行降噪、增强和模糊处理, 提取其中的色彩信息, 对同时能接收可见光和近红外波段的高灵敏度黑白探测器图像进行降噪处理, 获得微光场景的细节信息, 在YCbCr色彩空间将色彩信息与微光场景的细节信息进行融合, 生成微光场景下的彩色图像。根据这种方法, 选择两款像元分辨率及像元尺寸相同的彩色和黑白SCMOS探测器, 设计并搭建成像处理系统。实验结果表明, 在0.01Lx的条件下, 处理得到的彩色图像符合真实场景, 适宜人眼观察。

同每个像素曝光开始及结束时间相同的传统科学级CCD相机相比, 近年来出现的卷帘快门(rolling shutter) sCMOS相机工作时每个像素的曝光开始及结束时间不同, 曝光时间相同, 因此需要评估sCMOS相机像素之间曝光开始及结束时间不同对空间碎片测量精度的影响。首先测试了卷帘快门sCMOS相机的工作时序和最大延迟时间, 并得出曝光不同步的改正公式, 再以激光卫星为目标, 测试了两种典型观测模式下空间碎片的天文定位精度, 并对应用曝光不同步改正前后结果进行对比。测试结果表明sCMOS相机卷帘快门的工作时序与理论一致, 边缘曝光延迟最大10 ms; 实测表明恒星位置内符合精度优于2 arcsec, 目标天文定位精度优于3 arcsec。sCMOS相机能够用于空间碎片观测, 能够实现较高的位置测量精度。

分析了基于科学级互补金属氧化物半导体（sCMOS）图像传感器的微光成像系统的噪声特性，建立了系统噪声模型并进行了系统噪声测试。结果显示，系统噪声的均方根值小于1 e-。建立了系统信噪比模型，计算得到微光成像系统在10-3 lx的夜天光照条件下的信噪比优于1，理论值与实测值之间的误差小于10%。提出了一种自适应的条纹噪声处理方法，有效消除了低照度图像中的行条纹噪声，采用对比度受限的自适应直方图均衡的方法提升了高动态范围图像的对比度。

超分辨定位成像是一种代表性的超分辨成像技术，弱光探测器是该技术不可或缺的组成部分。和传统的串行输出EMCCD相机相比，并行输出sCMOS相机具备成像视场大、成像速度快和读出噪声低等优点，为超分辨定位成像带来了新的机遇，可在视频速率成像和大视场成像中取得明显成效。基于sCMOS相机的超分辨定位成像技术面临着高速相机带来的海量数据，需要解决数据传输、存储和计算等多环节的问题。从超分辨成像技术及相机的发展着手，讨论了基于sCMOS相机的超分辨定位成像技术的发展现状以及面临的机遇与挑战。

Low-light camera is an indispensable component in various fluorescence microscopy techniques. However, choosing an appropriate low-light camera for a specific technique (for example, single molecule imaging) is always time-consuming and sometimes confusing, especially after the commercialization of a new type of camera called sCMOS camera, which is now receiving heavy demands and high praise from both academic and industrial users. In this tutorial, we try to provide a guide on how to fully access the performance of low-light cameras using a well-developed method called photon transfer curve (PTC). We first present a brief explanation on the key parameters for characterizing low-light cameras, then explain the experimental procedures on how to measure PTC. We also show the application of the PTC method in experimentally quantifying the performance of two representative low-light cameras. Finally, we extend the PTC method to provide offset map, read noise map, and gain map of individual pixels inside a camera.