1.一种暗光图像增强方法，其特征在于，包括以下步骤：
采集数据集，所述数据集的数据单元包含在具有同一场景设定下的多张短曝光图像和相应的长曝光图像；
对所述数据集中的短曝光图像和长曝光图像进行预处理；
构建cnn网络模型；
对于所述模型进行迭代训练，并在所述迭代训练中更新网络参数使其达到一定的收敛条件完成训练；
使用经过训练的所述模型对暗光图像进行增强。
2.根据权利要求1所述的暗光图像增强方法，其特征在于，在所述采集数据集的过程中，根据环境亮度拍摄多张短曝光图像，对所述长曝光图像采集多帧数据。
3.根据权利要求1所述的暗光图像增强方法，其特征在于，所述预处理包括：
去除所述短曝光图像坏点，并在有多张短曝光图像时进行合并和对齐；
对所述长曝光图像进行边缘增强、曝光融合、降噪融合及人工图像增强处理。
4.根据权利要求1所述的暗光图像增强方法，其特征在于，所述cnn网络包括：
输入层：引入注意力机制；
编码过程：采用卷积和下采样相结合的方法进行特征提取；
解码过程：采用反卷积和上采样相结合的方法进行重建；
图像信息恢复：在所述编码过程和所述解码过程的对称层之间引入用于图像信息恢复的连接结构，所述结构包含卷积过程和可学习参数；
输出层：预设输出层的通道数，所述通道数为单一通道或三通道。
5.根据权利要求1所述的暗光图像增强方法，其特征在于，所述迭代训练为根据设定的loss函数计算所述模型输出与目标数据之间的差异，在所述模型的参数上以一定的学习率进行参数更新，实现所述模型对任务地学习。
6.根据权利要求5所述的暗光图像增强方法，其特征在于，所述达到一定的收敛条件完成训练包括：
将loss收敛作为训练过程的收敛条件；
验证输出效果；
量化衡量所述模型性能。
7.根据权利要求1所述的暗光图像增强方法，其特征在于，所述使用经过训练的所述模型对暗光图像进行增强包括：
使用基于直方图的亮度增益方法得到对应的长曝光图像的估计结果，然后以估计结果的亮度平均值与输入数据的亮度平均值的比值作为ratio；
计算每个像素的增强比map。
8.根据权利要求1所述的暗光图像增强方法，其特征在于，所述方法还包括衡量模型中同一层卷积核之间的相似度，去除和同层其它结点有高相似度的部分结点，相应调整每一层的输入输出channel，量化、微调进行进一步的适应性训练。