低光照图像增强算法整体架构：分层处理，实时优化

扫地机器人的低光照图像增强算法，采用“预处理-核心增强-后处理”的分层架构，适配嵌入式设备的算力限制，实现实时图像处理与输出，整套流程在机器人本地完成，无需云端传输，兼顾响应速度与隐私安全。算法设计以保留场景关键特征为核心，而非单纯追求画面美观，重点强化障碍物轮廓、地面纹理、落差边界、地毯特征等清洁感知所需信息，保证后续识别、避障、建图功能的正常运行。

预处理阶段：噪声抑制与画质基础修复

预处理阶段针对原始图像的硬件噪声和基础画质问题进行处理，核心目标是降噪并保留边缘细节，避免后续增强算法放大噪声。首先采用自适应高斯滤波结合双边滤波的混合降噪方法，高斯滤波去除大面积均匀噪声，双边滤波在降噪的同时保留物体边缘、纹理等高频信息，防止边缘模糊。随后进行亮度自适应拉伸，针对图像整体偏暗的问题，通过直方图均衡化的改进算法，调整图像灰度分布，提升暗部亮度，同时压缩亮部灰度，避免过曝，初步改善图像对比度。此外，对色彩通道进行校正，修正弱光下的色偏问题，还原物体真实色调。

核心增强阶段：深度学习驱动的细节强化

核心增强阶段是算法的关键环节，采用轻量化深度学习模型，适配扫地机器人的嵌入式芯片算力。模型经过海量居家低光照场景数据训练，输入弱光图像，输出细节清晰、对比度适中、噪声可控的增强图像。模型采用编码器-解码器结构，编码器提取图像的深层特征，区分噪声、背景、目标物体；解码器根据提取的特征，对暗部细节进行复原，强化物体轮廓与纹理，同时抑制残留噪声。

为了保证实时性，模型通过参数量压缩、网络结构剪枝、量化感知训练等方式进行轻量化优化，推理速度满足机器人实时感知的需求，不会出现延迟卡顿。针对扫地机器人的感知重点，模型会对地面区域、障碍物边缘、落差区域进行特征加权增强，优先保证清洁相关的视觉信息清晰可辨，而非对整幅图像平均分配算力。

后处理阶段：特征优化与感知适配

后处理阶段对增强后的图像进行精细化调整，进一步贴合后续感知任务的需求。通过边缘锐化算法，强化障碍物、地毯、落差的轮廓线条，让特征更突出；对图像局部对比度进行微调，突出目标物体与背景的差异，提升特征提取的成功率；同时进行噪点二次校验，剔除增强过程中残留的零星噪声，保证图像纯净度。经过后处理的图像，直接输入地毯识别、避障、建图等后续模块，支撑机器人完成清洁决策。