掃地機器人的低光照圖像增強算法，采用“預處理-核心增強-后處理”的分層架構，適配嵌入式設備的算力限制，實現(xiàn)實時圖像處理與輸出，整套流程在機器人本地完成，無需云端傳輸，兼顧響應速度與隱私安全。算法設計以保留場景關鍵特征為核心，而非單純追求畫面美觀，重點強化障礙物輪廓、地面紋理、落差邊界、地毯特征等清潔感知所需信息，保證后續(xù)識別、避障、建圖功能的正常運行。

預處理階段：噪聲抑制與畫質基礎修復

預處理階段針對原始圖像的硬件噪聲和基礎畫質問題進行處理，核心目標是降噪并保留邊緣細節(jié)，避免后續(xù)增強算法放大噪聲。首先采用自適應高斯濾波結合雙邊濾波的混合降噪方法，高斯濾波去除大面積均勻噪聲，雙邊濾波在降噪的同時保留物體邊緣、紋理等高頻信息，防止邊緣模糊。隨后進行亮度自適應拉伸，針對圖像整體偏暗的問題，通過直方圖均衡化的改進算法，調整圖像灰度分布，提升暗部亮度，同時壓縮亮部灰度，避免過曝，初步改善圖像對比度。此外，對色彩通道進行校正，修正弱光下的色偏問題，還原物體真實色調。

核心增強階段：深度學習驅動的細節(jié)強化

核心增強階段是算法的關鍵環(huán)節(jié)，采用輕量化深度學習模型，適配掃地機器人的嵌入式芯片算力。模型經過海量居家低光照場景數(shù)據訓練，輸入弱光圖像，輸出細節(jié)清晰、對比度適中、噪聲可控的增強圖像。模型采用編碼器-解碼器結構，編碼器提取圖像的深層特征，區(qū)分噪聲、背景、目標物體；解碼器根據提取的特征，對暗部細節(jié)進行復原，強化物體輪廓與紋理，同時抑制殘留噪聲。

為了保證實時性，模型通過參數(shù)量壓縮、網絡結構剪枝、量化感知訓練等方式進行輕量化優(yōu)化，推理速度滿足機器人實時感知的需求，不會出現(xiàn)延遲卡頓。針對掃地機器人的感知重點，模型會對地面區(qū)域、障礙物邊緣、落差區(qū)域進行特征加權增強，優(yōu)先保證清潔相關的視覺信息清晰可辨，而非對整幅圖像平均分配算力。

后處理階段：特征優(yōu)化與感知適配

后處理階段對增強后的圖像進行精細化調整，進一步貼合后續(xù)感知任務的需求。通過邊緣銳化算法，強化障礙物、地毯、落差的輪廓線條，讓特征更突出；對圖像局部對比度進行微調，突出目標物體與背景的差異，提升特征提取的成功率；同時進行噪點二次校驗，剔除增強過程中殘留的零星噪聲，保證圖像純凈度。經過后處理的圖像，直接輸入地毯識別、避障、建圖等后續(xù)模塊，支撐機器人完成清潔決策。