1.一种基于零次学习的低照度图像增强方法，其特征在于，包括：获取真实低照度数据集，采用的kmeans聚类方法对真实低照度数据集进行聚类，得到三分类聚类模型；获取待增强的低照度图像，采用三分类聚类模型对待增强的低照度图像进行处理，得到低照度图像类别；将低照度图像输入到增强曲线网络中，得到3张3通道的增强曲线参数图；根据低照度图像类别，选择一张3通道的增强曲线参数图；根据增强曲线参数图采用光照增强曲线公式对低照度图像进行增强，得到初始增强图；采用空间一致性损失约束、色彩恒常性损失约束、曝光控制损失约束、光照平滑度损失约束以及高斯降噪损失约束对初始增强图进行约束；采用光照增强曲线公式对初始增强图像增强8次，得到最终增强后的图像。

2.根据权利要求1所述的一种基于零次学习的低照度图像增强方法，其特征在于，增强曲线网络包括像素块分割层、线性嵌入层、第一Swin Transformer Block块、第一像素块下采样层、第二Swin Transformer Block块、第二像素块下采样层、第三Swin Transformer Block块、第一像素块上采样层、第三Swin Transformer Block块、第二像素块上采样层、第四Swin Transformer Block块、第三像素块上采样层以及线性投影层；其中每个层依次连接，且第一Swin Transformer Block块跳跃连接第四Swin Transformer Block块，第二Swin Transformer Block块跳跃连接第三Swin Transformer Block块，构成增强曲线网络。

3.根据权利要求1所述的一种基于零次学习的低照度图像增强方法，其特征在于，采用的kmeans聚类方法对真实低照度数据集进行聚类的过程包括：将原始图像转为灰度图，对灰度图进行进行随机调整大小裁剪，得到大小为512*512的图像；计算裁剪图像的灰度直方图，并将灰度直方图展开并归一化，得到256维图像特征；采用GPU加速的Kmeans聚类方法对

256维图像特征进行聚类，得到三分类聚类模型。

4.根据权利要求1所述的一种基于零次学习的低照度图像增强方法，其特征在于，采用增强曲线网络对低照度图像进行处理包括：将低照度图像输入到像素块分割层进行裁剪，得到大小为window_size*window_size的相互不重叠的图像块；将图像块输入到线性嵌入层，得到固定大小的张量；将张量输入到第一Swin Transformer Block模块和第一像素块下采样层进行变换，生成分层特征表示；将分层特征分别输入到第二Swin Transformer block层和第四Swin Transformer block模块中，并分别经过多个像素块下采样层和多个像素块上采样层第二像素块下采样层进行上下文特征提取，并将上下文特征通过跳过连接与编码器生成多尺度融合特征。

5.根据权利要求1所述的一种基于零次学习的低照度图像增强方法，其特征在于，光照增强曲线公式为：

LEn(x)＝LEn‑1(x)+An(x)LEn‑1(x)(1‑LEn‑1(x))

其中，LEn‑1(x)为前一次增强图像，An(x)增强曲线参数图。

6.根据权利要求1所述的一种基于零次学习的低照度图像增强方法，其特征在于，空间一致性损失约束的表达式为：其中，K为局部区域数量，Ω(i)为i的邻域，Y为增强后图像局部区域平均强度值，I为增强前图像局部区域平均强度值。

7.根据权利要求1所述的一种基于零次学习的低照度图像增强方法，其特征在于，色彩恒常性损失约束的表达式为：其中，J表示通道的平均强度，ε表示彩色RGB图像任意两通道结合所组成的集合，p与q皆表示彩色RGB图像的任一通道。

8.根据权利要求1所述的一种基于零次学习的低照度图像增强方法，其特征在于，曝光控制损失约束表达式为：

其中，M表示大小为16×16的非重叠局部区域的数目，Y是增强图像中局部区域的平均强度值，E为良好曝光水平。

9.根据权利要求1所述的一种基于零次学习的低照度图像增强方法，其特征在于，光照平滑度损失约束表达式为：

其中，N为参与运算像素总数， 示水平方向梯度操作， 表示垂直方向梯度操作，为第n个像素所处通道c的梯度。

10.根据权利要求1所述的一种基于零次学习的低照度图像增强方法，其特征在于，高斯降噪损失约束表达式为：

其中，N为单通道像素总数， 为彩色RGB图像的通道c的第i个像素值。 为对进行高斯滤波运算，ζ表示彩色RGB图像的三个通道。