202202481 1 Beschreibung Konfidenzabhängige Bildaufhellung Die vorliegende Erfindung betrifft ein Verfahren, insbesondere ein computer-implementiertes Verfahren, zur Aufhellung eines Bildes einer Kamera. Heutige Fahrzeuge sind in der Regel mit Kameras ausgestattet und verfügen über Fahrerassistenzsysteme (engl. Advanced driver assistance systems (ADAS)) mit unterschiedlichsten Funktionen, beispielsweise für assistiertes und automatisiertes Fahren, oder auch zur Anzeige und Unterstützung des Fahrers beim Fahren oder Parken, indem z. B. aufgenommene Bilder der Umgebung angezeigt werden. So sind im Zusammenhang mit Fahrerassistenzsystem verschiedene Verfahren zum Erkennen von Objekten oder Hindernissen auf der Fahrbahn, Verfahren zum Erkennen von Fahrbahnbegrenzungen und/oder zum Halten des Fahrzeugs in einer Spur, Verfahren zum Erkennen von Regen auf der Windschutzscheibe, oder auch Verfahren zur Unterstützung oder Durchführung eines Parkvorgangs, bekannt geworden. Diese und weitere Funktionalitäten basieren häufig zumindest teilweise auf Bildern, welche mittels am Fahrzeug befestigten Kameras aufgenommen werden. Bei den Kameras handelt es sich beispielsweise um einzelne oder mehrere nach vorne oder hinten schauende Kameras, oder auch um Surroundview-Kamerasysteme. Diese Systeme dienen weiterhin als Basis für automatisierte Fahrfunktionen für Automated Driving Systems (ADS). Dabei müssen die aufgenommenen Rohdatenbilder in vielen Fällen vor der Weiterverarbeitung einer Bildbearbeitung unterzogen werden, um die in den Bildern enthaltenen Informationen optimal sichtbar zu machen. Die Auswertung sowie Bildbearbeitung von Rohdatenbildern von Kameras spielt aber nicht nur in Zusammenhang mit Fahrerassistenzsystemen, sondern auch in allen anderen Bereichen, in welchen die Bildqualität gegenüber den Rohdatenbildern erhöht werden soll, eine entscheidende Rolle. Eine zentrale Thematik der Bildvorverarbeitung betrifft den Umgang mit variabler Beleuchtung. Die Weiterverarbeitung von Bildern, welche unter Tageslichtbedingungen oder mit einer Internal 202202481 2 guten Beleuchtung aufgenommen worden sind, ist typischerweise unproblematisch und sowohl für visuelle als auch maschinelle Zwecke sehr gut möglich. Dagegen stellen dunkle Szenarien oder Szenarien mit hoher Dynamik, z. B. Szenarien mit gleichzeitig sehr hellen und sehr dunklen Bereichen, wie im Falle von Nachtaufnahmen, häufig eine Herausforderung für Bildaufhellungsverfahren dar. Grundsätzlich kommen sowohl klassische Bildverarbeitungsmethoden als auch verschiedene Ansätze unter Berücksichtigung von Methoden aus dem Bereich des maschinellen Lernens zur Bildaufhellung von Kamerabildern zum Einsatz. Bei einer klassischen, filterbasierten Bildvorverarbeitung, wie beispielsweise im Falle von auf einem Histogramm-Stretch basierenden Ansätzen wird typischerweise der gesamte Bit- und Dynamikbereiches eines Rohdatenbildes ausgenutzt und verschiedene Helligkeitsanpassungen vorgenommen. Entsprechende Methoden verwenden lokale oder globale Statistiken in den Bildern und berechnen daraus eine Anpassung zur Bildaufhellung. Alternativ sind auch Methoden bekannt geworden, bei welchen nur einzelne Helligkeitsbereiche von Pixeln betrachtet und zur Aufhellung herangezogen werden. Grundsätzlich kann dieses Vorgehen nachteilig dazu führen, dass bestimmte Informationen in den Rohdatenbildern nicht berücksichtigt werden, welche aber wertvolle Informationen für eine Bildaufhellung beinhalten. Zudem sind manche der filterbasierten, klassischen Verfahren nur schwer in eingebetteten Systemen implementierbar. Bei Bildaufhellungsverfahren, welche Methoden aus dem Bereich des maschinellen Lernens verwenden, sind insbesondere Verfahren, in welchen neuronale Netze, insbesondere faltende neuronale Netze (engl. Convolutional neural networks (CNN)) zum Einsatz kommen, bekannt geworden. Typischerweise wird ein aufgehelltes Bild basierend auf Trainingsdaten mit unterschiedlichen Belichtungszeiten rekonstruiert. Gleichzeitig wird Bildkontext im neuronalen Netz modelliert und beim jeweiligen Aufhellungsvorgang berücksichtigt. Dies wird erreicht durch das Lernen von Texturen und Strukturen, welche dem neuronalen Netz Hinweise zu bestimmen Arten der Aufhellung geben. So können lokale und globale Beschaffenheiten in den Rohdatenbildern erkannt und verarbeitet werden. Internal 202202481 3 Darüber hinaus kann das neuronale Netz auch hinsichtlich eines Bildrauschens trainiert werden und dieses zumindest teilweise unterdrücken. Die Performanz von neuronalen Netzen hängt grundsätzlich unter anderem von der Qualität der Trainingsdaten, dem verwendeten Model und den Eingabedaten ab. Die Güte der Ausgabe des neuronalen Netzes kann wiederum beeinträchtigt werden durch verrauschte Eingangsdaten, eine unzureichendere Modellierungskapazität des Netzes und der Verarbeitung von Verkehrsaufnahmen, welche durch die Trainingsdaten nicht ausreichend abgebildet werden. Aus der DE102019220168A1 ist beispielsweise ein Verfahren zum maschinellen Lernen einer Helligkeits-Umwandlung von Eingangs-Bilddaten einer Kamera in Ausgabe-Bilddaten mittels eines künstlichen neuronalen Netzes bekannt geworden, mittels welchem Helligkeitsumwandlungen der Eingangs-Bilddaten vorgenommen werden können. Es kommt also unabhängig von der verwendeten Methode immer wieder vor, dass die Bildaufhellung nicht ausreichend ist bzw. qualitativ mangelhafte Ergebnisse hervorbringt. Mangelhaft aufgehellte Bilder sind jedoch ggf. nur bedingt zur weiteren Verarbeitung brauchbar. Beispielsweise ist es im Bereich von Fahrerassistenzsystemen von großer Wichtigkeit, auch die Qualität einer vorgenommenen Bildaufhellung beurteilen zu können, insbesondere bei einer Weiterverarbeitung der aufgehellten Bilder für sicherheitsrelevante Funktionen. Problematisch ist in diesem Zusammenhang unter anderem der Umgang mit verschiedenen Bildartefakten, wie Farbartekfakten an Kanten. Dabei können Bildartefakte auch erst durch das Vornehmen der Bildaufhellung induziert werden, beispielsweise kann es dazu kommen, dass an sich gut ausgeleuchtete Regionen im Rohdatenbild übermäßig aufgehellt werden. Die Unterschiedlichkeit solcher gut und weniger gut ausgeleuchtete Regionen innerhalb des Rohdatenbildes werden bei gängigen Verfahren typischerweise nicht ausreichend berücksichtigt. Internal 202202481 4 Deshalb liegt der vorliegenden Erfindung die Aufgabe zugrunde, eine zuverlässige Möglichkeit zur Beurteilung einer Bildaufhellung von Rohdatenbildern bereitzustellen. Diese Aufgabe wird gelöst durch das Verfahren gemäß Anspruch 1, durch die erfindungsgemäße Verwendung eines erfindungsgemäßen Aufhellungsbildes nach Anspruch 12, das System zur Datenverarbeitung nach Anspruch 13, das Computerprogramm nach Anspruch 14 sowie durch das computerlesbare Speichermedium nach Anspruch 15. Hinsichtlich des Verfahrens wird die der Erfindung zugrunde liegende Aufgabe gelöst durch ein Verfahren, insbesondere computer-implementiertes Verfahren zur Aufhellung eines Bildes einer Kamera. Das Verfahren umfasst die folgenden Verfahrensschritte: - Bereitstellen zumindest eines Rohdatenbildes der Kamera, - Bereitstellen zumindest eines ersten Aufhellungsbildes des Rohdatenbildes, wobei das erste Aufhellungsbild mittels eines ersten Aufhellungsverfahrens aufgehellt wird, - Ermitteln einer ersten Konfidenz für die Aufhellung des Rohdatenbildes der Kamera mittels des ersten Aufhellungsverfahrens, und - Rekonstruieren eines Ausgabebildes zumindest teilweise aus dem Rohdatenbild und/oder dem ersten Aufhellungsbild in Abhängigkeit der ersten Konfidenz. Erfindungsgemäß wird also ein aufgehelltes Ausgabebild in Abhängigkeit einer Konfidenz rekonstruiert. Dabei kann das Ausgabebild aus Beiträgen von einem oder mehreren unterschiedlichen Aufhellungsbildern und von dem Rohdatenbild zusammengesetzt werden. Eine Berücksichtigung der Konfidenz ist insbesondere von Bedeutung, wenn das aufgehellte Ausgabebild weiterverarbeitet wird, und die Weiterverarbeitung von den Bildinformationen des Ausgabebildes abhängt. Vorteilhaft kann die Qualität eines Aufhellungsverfahrens während der Laufzeit des Verfahrens ermittelt werden und die Rekonstruktion des aufgehellten Internal 202202481 5 Ausgabebildes selbst kann in Abhängigkeit der Leistungsfähigkeit unterschiedlicher Aufhellungsverfahren vorgenommen werden. Weiterhin kann die Rechenzeit reduziert werden, indem zunächst ein Aufhellungsbild zuzüglich einer Konfidenz ermittelt wird, während weitere Aufhellungsbilder nur dann erzeugt werden, wenn die Konfidenz einen vorgebbaren Grenzwert über- oder unterschreitet. Bildbereiche können aus unterschiedlichen Aufhellungsbildern und/oder dem Rohdatenbild zusammengesetzt werden, d.h. unterschiedliche Ausleuchtungen in unterschiedlichen Bildbereichen werden geeignet adressiert. Auf diese Weise kann unter anderem zwischen unterschiedlichen Bildbereichen mit unterschiedlicher Ausleuchtung unterschieden werden. Das Rekonstruieren des Ausgabebildes in Abhängigkeit der Konfidenz ermöglicht auch, dass die Bildaufhellung, insbesondere instantan, an variable Beleuchtungssituationen, wie zum Beispiel das Einschalten einer externen Beleuchtung, beispielsweise in einer Garage, angepasst werden kann. Die Konfidenz kann grundsätzlich gesamtheitlich für ein Rohdatenbild ermittelt werden, oder es können mehrere Konfidenzwerte für einzelne Bildbereiche oder auch jeweils einer für jedes einzelne Pixel des Rohdatenbildes ermittelt werden. Dabei kann die Ermittlung der Konfidenz bezüglich des notwendigen Rechenaufwandes jeweils geeignet optimiert werden. Darüber hinaus kann, wenn die ermittelte Konfidenz in bestimmten Bild- oder Pixelbereichen ähnliche oder nahezu identische Werte aufweist, für diese Bereiche ein Mittelwert für die Konfidenz bestimmt und verwendet werden. Auch können einzelne bestimmte Konfidenzwerte, welche deutlich von einem Mittelwert für die Konfidenz in einem bestimmten Bereich oder im gesamten Aufhellungsbild abweichen, unberücksichtigt bleiben. Unter der Konfidenz ist in diesem Zusammenhang ein Maß für die Qualität bzw. Güte der Aufhellung zu verstehen. Es kann sich um einen Schätzwert oder einen berechneten Wert handeln. Beispielsweise kann die Konfidenz in Form einer Wahrscheinlichkeit angegeben werden. Zur Rekonstruktion des aufgehellten Ausgabebildes können beispielsweise Regeln festgelegt werden, welche Internal 202202481 6 bestimmten Konfidenzwerten oder auch vorgebbaren Intervallen für die Konfidenzwerte jeweils ein bestimmtes Aufhellungsbild oder das Rohdatenbild, bzw. bestimmte Bildbereiche in dem Aufhellungsbild oder Rohdatenbild zuordnen, welche Bilder oder Bildbereiche zur Rekonstruktion des Ausgabebildes herangezogen werden. Es können auch Interpolationen zwischen den Aufhellungsbildern und/oder dem Rohdatenbild herangezogen werden. In einer Ausgestaltung umfasst das erfindungsgemäße Verfahren zudem die folgenden Verfahrensschritte: - Bereitstellen zumindest eines zweiten Aufhellungsbildes des Rohdatenbildes, wobei das zweite Aufhellungsbild mittels eines zweiten Aufhellungsverfahrens, welches sich von dem ersten Aufhellungsverfahren unterscheidet, aufgehellt wird, und - Rekonstruieren des Ausgabebildes zumindest teilweise aus dem Rohdatenbild, dem ersten Aufhellungsbild und/oder dem zweiten Aufhellungsbild in Abhängigkeit der ersten Konfidenz. Das Rohdatenbild wird also mittels zweier unterschiedlicher Aufhellungsverfahren aufgehellt und für mindestens eines der beiden Aufhellungsbilder wird eine Konfidenz ermittelt, die zur Rekonstruktion des Ausgabebildes herangezogen wird. Zur Rekonstruktion können beide Aufhellungsbilder sowie das Rohdatenbild herangezogen werden, oder auch nur eines oder zwei der zumindest drei Bilder. Die Auswahl erfolgt auch in Abhängigkeit der ermittelten Konfidenz. In diesem Zusammenhang ist es von Vorteil, wenn eine zweite Konfidenz für die Aufhellung des Rohdatenbildes der Kamera mittels des zweiten Aufhellungsverfahrens ermittelt wird, wobei das Ausgabebild zumindest teilweise aus dem Rohdatenbild, dem ersten Aufhellungsbild und/oder dem zweiten Aufhellungsbild in Abhängigkeit der ersten und/oder zweiten Konfidenz rekonstruiert wird. In diesem Falle können auch zwei, insbesondere unabhängig voneinander ermittelte Konfidenzen zur Rekonstruktion des Ausgabebildes herangezogen werden. Dabei können die beiden Konfidenzen getrennt voneinander betrachtet werden. Es ist aber ebenso denkbar, anhand der beiden Internal 202202481 7 Konfidenzen eine Gesamt-Konfidenz zu ermitteln, und diese zur Rekonstruktion des Ausgabebildes heranzuziehen. Erfindungsgemäß können demnach eines oder mehrere verschiedene Aufhellungsverfahren zur Bildaufhellung eines Rohdatenbildes verwendet werden. Das finale Ausgabebild wird in Abhängigkeit der Konfidenz rekonstruiert und führt somit zu einer optimalen Aufhellung mit einer hohen Qualität, in welchem das Auftreten von Artefakten minimiert werden kann. Es ist auch denkbar, das erfindungsgemäße Verfahren iterativ auszugestalten. In diesem Falle werden die einzelnen Verfahrensschritte wiederholt, beispielsweise so lange, bis ein vorgebbarer Grenzwert für die Konfidenz über- oder unterschritten wurde. Bei einzelnen Durchläufen der Bildaufhellung, Konfidenzbestimmung und Rekonstruktion können dabei unterschiedliche Verfahren, oder auch dieselben Verfahren mit unterschiedlichen Parametern verwendet werden. Auf diese Weise kann beispielsweise ein Mindeststandard für die Bildaufhellung vorgegeben und stets erreicht werden. In einer Ausgestaltung des Verfahrens handelt es sich bei zumindest einem der Aufhellungsverfahren zumindest teilweise um ein statistisches Aufhellungsverfahren, vorzugsweise um ein filterbasiertes Verfahren, insbesondere um ein Histogramm-Stretch-Verfahren, um ein Tone-Mapping Verfahren, ein Weiß-Abgleich-Verfahren, oder um eine Kombination mehrerer der genannten Verfahren miteinander und/oder mit weiteren Verfahren. In einer weiteren Ausgestaltung handelt es sich bei zumindest einem der Aufhellungsverfahren um ein auf einem maschinellen Lernverfahren basierendes Verfahren, vorzugsweise um ein Verfahren unter Verwendung von einem oder mehreren neuronalen Netzen, insbesondere ein faltendes neuronales Netz, ein adversales neuronales Netz, ein rekurrentes neuronales Netz, ein Transformer-Netz, ein neuronales Graph-Netz, oder ein neuronaler Schaltkreis, oder um ein Deep Learning Verfahren, insbesondere unter Verwendung eines neuronalen Netzes mit einer Vielzahl impliziter Schichten. Internal 202202481 8 In diesem Zusammenhang ist es von Vorteil, wenn es sich dem neuronalen Netz um ein trainiertes neuronales Netz handelt, welches dazu ausgestaltet ist, ausgehend von einem Input in Form zumindest eines Rohdatenbildes einer Kamera ein Aufhellungsbild zu ermitteln, welches Aufhellungsbild insbesondere einem zu dem Rohdatenbild korrespondieren Bild mit einer längeren Belichtungszeit entspricht. In einer bevorzugten Ausgestaltung des Verfahrens wird das Ausgabebild zumindest in einem Teilbereich aus einer Interpolation des Rohdatenbildes, des ersten Aufhellungsbildes und/oder des zweiten Aufhellungsbildes rekonstruiert. Hinsichtlich der Interpolation können die erste und/oder ggf. ebenfalls ermittelte zweite Konfidenz als Gewichtungsmaß herangezogen werden. Es ist somit gemäß einer weiteren Ausgestaltung ebenfalls möglich, die ermittelte erste und/oder zweite Konfidenz als Gewichtungsmaß oder Gewichtungsfaktor heranzuziehen. In diesem Fall wird das Ausgabebild vorzugsweise anhand einer Überlagerung des Rohdatenbildes, des ersten Aufhellungsbildes und/oder des zweiten Aufhellungsbildes rekonstruiert, wobei die erste und/oder zweite Konfidenz Beiträge des Rohdatenbildes und der/des Aufhellungsbildes/bilder für unterschiedliche Bereiche oder einzelne Pixel gewichtet. Es ist von Vorteil, wenn es sich bei der Konfidenz um eine Information über die Güte der Aufhellung des Rohdatenbildes der Kamera, insbesondere um ein Unsicherheitsmaß für die Aufhellung, handelt. Unter der Konfidenz wird im Zusammenhang mit der vorliegenden Erfindung also ein Maß für die Qualität des jeweils verwendeten Bildaufhellungsverfahrens verstanden. Im Prinzip handelt es sich um ein Maß, beispielsweise um einen Schätzwert, für die Sicherheit der Bildaufhellung. Die Konfidenz kann dabei, insbesondere je nach dem verwendeten Aufhellungsverfahren, auf unterschiedlichste Arten und Weisen ermittelt werden. Wird die Konfidenz in Form eines Konfidenzmaßes ausgedrückt, so wird das Ausgabebild probabilistisch interpretiert als Wahrscheinlichkeit, mit welcher eine Internal 202202481 9 korrekte Bildaufhellung des Rohdatenbildes vorgenommen wurde. Die Konfidenz kann aber beispielsweise auch in Form eines Unsicherheitsmaßes ähnlich einer Standardabweichung ausgedrückt werden. Dabei kann eine Unsicherheit für das Ausgabebild derart geschätzt werden, dass diese eine Streuung hinsichtlich der Rekonstruktion beschreibt. In diesem Zusammenhang können beispielsweise Unsicherheiten, welche durch das Rohdatenbild selbst verursacht werden, und Unsicherheiten, welche durch die begrenzte Aufhellungsgenauigkeit des jeweiligen Verfahrens versursacht werden, berücksichtigt werden. Im Falle, dass zur Aufhellung ein neuronales Netz verwendet wird, können zudem der Umfang und/oder die Qualität der Trainingsdaten berücksichtigt werden. Auch eine Kombination aus dem Konfidenzmaß und dem Unsicherheitsmaß kann zur Beschreibung der Konfidenz herangezogen werden. Desweiteren kann ein Unsicherheitsmaß durch eine Kalibrierung als Konfidenzmaß interpretiert werden. Darüber hinaus sind noch zahlreiche weitere Möglichkeiten zur Bestimmung einer Konfidenz denkbar und fallen ebenfalls unter die vorliegende Erfindung. Beispielsweise kann ein mittels eines bestimmten Aufhellungsverfahrens erzeugtes Aufhellungsbild einer vorgebbaren Bildtransformation, insbesondere einer Spiegelung, einem Filter, oder ähnlichem unterzogen werden. Das Aufhellungsbild und das transformierte, gefilterte, oder anderweitig veränderte Aufhellungsbild werden dann in einem zweiten Schritt miteinander verglichen, wobei sich die Konfidenz des Aufhellungsverfahrens aus dem Grad der Übereinstimmung beider Bilder ergibt. Die Konfidenz eines Aufhellungsverfahrens, insbesondere im Falle, dass es sich um ein auf einem maschinellen Lernverfahren basierendes Verfahren handelt, auch anhand von Ensembles aus neuronalen Netzen ermittelt werden. Dabei werden mehrere neuronale Netze zur Lösung derselben Aufgabe trainiert. Die Netze können sich hinsichtlich ihrer Architektur, der zum Trainieren der Netze verwendeten Trainingsdaten, ihrer Gewichtungsfaktoren, einer Verlustfunktion oder anderen Parametern unterschieden. Dann kann die Konfidenz anhand des Grades der Übereinstimmung des Ensembles ermittelt werden. Eine weitere Möglichkeit besteht in der Ermittlung der Konfidenz anhand einer Output Verteilung, bei welcher die Ausgabe eines neuronalen Netztes, welches zur Internal 202202481 10 Bildaufhellung des Rohdatenbildes verwendet wird, mit einer Verteilungsfunktion modelliert wird. Die Varianz der Verteilungsfunktion gibt dann die Konfidenz an. Schließlich kann die Konfidenz auch anhand einer epistemischen Unsicherheit ermittelt werden. In diesem Fall wird eine Verteilung über die Gewichte eines neuronalen Netzes approximiert, beispielsweise anhand eines Monte Carlo Dropout, oder anhand eines Bayeschen Netzes. Die Konfidenz kann dann aus der Unsicherheit berechnet werden, welche sich aus der Auswirkung dieser Verteilungen der Gewichte auf die Ausgabe des neuronalen Netzwerkes ergibt. Beispielsweise kann der Output eines probabilistischen neuronalen Netzes mehrfach gesampelt und der Mittelwert und die Standardabweichung oder auch die Varianz für diese Samples berechnet werden. In einer Ausgestaltung des erfindungsgemäßen Verfahrens wird zumindest ein Grenzwert für die Konfidenz vorgegeben, wobei das Ausgabebild zumindest teilweise aus dem Rohdatenbild rekonstruiert wird, wenn die Konfidenz den vorgebbaren Grenzwert unterschreitet, und wobei das Ausgabebild zumindest teilweise aus dem ersten Aufhellungsbild rekonstruiert wird, wenn eine Konfidenz den vorgebbaren Grenzwert überschreitet. Alternativ kann die Rekonstruktion auch aus dem Rohdatenbild erfolgen, wenn die Konfidenz den vorgebbaren Grenzwert überschreitet und aus dem Aufhellungsbild, wenn sie den Grenzwert unterschreitet. Im Falle, dass mehr als ein Aufhellungsverfahren verwendet wird, können auch Intervalle für die Konfidenz vorgegeben werden, wobei ein bestimmtes Aufhellungsbild für die Rekonstruktion herangezogen wird, wenn die Konfidenz im jeweiligen Intervall liegt. In einer vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens wird eine Konfidenzkarte ermittelt, welche für zumindest zwei Teilbereiche des Rohdatenbildes, vorzugsweise für jedes Pixel des Rohdatenbildes, einen Wert für die Konfidenz enthält, und wobei das Ausgabebild in Abhängigkeit der Konfidenzkarte rekonstruiert wird. In diesem Zusammenhang ist es von Vorteil, wenn Teilbereiche des Rohdatenbildes mit Werten für die Konfidenz, deren Differenz einen vorgebbaren Internal 202202481 11 Grenzwert nicht überschreitet, zu einem vorgebbaren Konfidenzbereich zusammengefasst werden. Es erfolgt also eine Aggregation von Bereichen mit ähnlichen Konfidenzwerten. Beispielsweise kann für bestimmte Teilbereiche des Rohdatenbildes ein Mittelwert für die Konfidenz ermittelt und in der Konfidenzkarte angegeben werden. Das erfindungsgemäß rekonstruierte Ausgabebild findet vorzugsweise Verwendung für eine Anwendung im Bereich der Computer Vision, vorzugsweise für eine Funktion in einem Fahrerassistenzsystem in einem Kraftfahrzeug, insbesondere für ein Verfahren zur Erkennung zumindest eines Verkehrszeichens, oder eines verkehrsrelevanten Objekts. Verkehrsrelevante Objekte sind beispielsweise verschiedene Verkehrsteilnehmer, wie Fußgänger, Fahrrad- oder Motorradfahrer, andere Fahrzeuge, wie z. B. Lastkraftwagen, Kraftfahrzeuge, Busse oder Bahnen, Fahrbahnmarkierungen. Ebenfalls ist es denkbar, anhand des Ausgabebildes die Intentionen von Verkehrsteilnehmern zu ermitteln. Darüber hinaus kann ein optischer Fluss oder eine Tiefenkarte ermittelt werden. Das Ausgabebild kann aber auch für eine beliebige Objekterkennung herangezogen oder auch direkt für Anzeigezwecke dienen, ohne dass es zu einer computergestützten Weiterverarbeitung oder ähnlichem kommt. Beispielsweise kann das Ausgabebild einem Betrachter auf einem Display angezeigt werden, welcher daraus selbst Informationen oder Handlungen ableitet, beispielsweise im Falle der Unterstützung eines Parkvorgangs eines Fahrzeugs. Die der Erfindung zugrunde liegende Aufgabe wird ferner gelöst durch ein System zur Datenverarbeitung, umfassend Mittel zur Ausführung des erfindungsgemäßen Verfahrens gemäß einer der beschriebenen Ausgestaltungen, durch ein Computerprogramm, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, das erfindungsgemäße Verfahren gemäß einer der beschriebenen Ausgestaltungen auszuführen, sowie durch ein computerlesbares Speichermedium, auf dem das erfindungsgemäße Computerprogramm gespeichert ist. Internal 202202481 12 Die Erfindung sowie ihre vorteilhaften Ausgestaltungen werden anhand der nachfolgenden Figuren näher erläutert. Es zeigt: Fig.1 Nachtaufnahmen zweier unterschiedlicher Szenen in Form von Rohdatenbildern und mittels eines Aufhellungsverfahrens aufgehellter Bilder; Fig.2 ein Schema zur Illustrierung einer ersten bevorzugten Ausgestaltung des erfindungsgemäßen Verfahrens unter Verwendung eines Aufhellungsverfahrens, Fig.3 ein Schema zur Illustrierung zweier weiterer bevorzugten Ausgestaltungen des erfindungsgemäßen Verfahrens unter Verwendung von zwei oder mehr Aufhellungsverfahren, und Fig.4 ein Ablaufdiagramm für eine bevorzugte Ausgestaltung des erfindungsgemäßen Verfahrens. Im Folgenden werden gleiche Elemente jeweils mit demselben Bezugszeichen versehen. Bei Nachtaufnahmen mit unzureichender Beleuchtung ist häufig eine Bildaufhellung vor der Weiterverarbeitung der aufgenommenen Bilder notwendig. Wie bereits ausgeführt, sind zur Bildaufhellung sowohl verschiedene klassische Verfahren als auch Verfahren, für welche zumindest teilweise Methoden aus dem Bereich des maschinellen Lernens zum Einsatz kommen, verfügbar. Derartige Verfahren haben jedoch unterschiedliche Probleme, wie beispielhaft anhand von Fig.1 erläutert wird. In Fig.1a ist ein Rohdatenbild einer Nachtaufnahme einer Tunnelausfahrt dargestellt. Fig.1b zeigt ein unter Verwendung eines entsprechend trainierten faltenden neuronalen Netzes (CNN) erhaltenes Aufhellungsbild derselben Szene. Im Bereich des Himmels beinhaltet das Rohdatenbild (Fig.1a) nur wenig Bildinformation, während in dem aufgehellten Bild (Fig.1b) eine Struktur zu erkennen ist, bei welcher es sich um einen Fehler in der Bildbearbeitung handelt (weiß eingekreister Bereich). Internal 202202481 13 In Fig.1c ist ein Rohdatenbild einer Nachtaufnahme einer Landstraße gezeigt, während in Fig.1d ein, ebenfalls unter Verwendung eines entsprechend trainierten faltenden neuronalen Netzes (CNN) erhaltenes, Aufhellungsbild derselben Szene dargestellt ist. Hier sind im Bereich des Nachthimmels Streifen in dem Aufhellungsbild aus Fig.1d zu sehen, welche im Rohdatenbild (Fig.1c) fehlen. Fälschlicherweise wurde bei der Bildaufhellung Sensorrauschen der Kamera als Dateninformation verarbeitet. Ähnliche Probleme bestehen auch bei der Verwendung klassischer, insbesondere statistischer, Verfahren zur Bildaufhellung. Die vorliegende Erfindung führt zu einer signifikanten Verbesserung der Bildaufhellung von Rohdatenbildern einer Kamera. Insbesondere wird die Robustheit der Bildaufhellung erhöht, indem das finale Ausgabebild aus unterschiedlichen Aufhellungsbildern und/oder dem Rohdatenbild rekonstruiert wird. Die vorgeschlagene Rekonstruktion basiert auf der Ermittlung einer Konfidenz für zumindest eines der verwendeten Aufhellungsverfahren. So bietet es sich für den Fall der Figs.1a und 1b beispielsweise an, im Bereich des Himmels für die Erstellung des Ausgabebildes das Rohdatenbild, oder ein mittels eines anderen Verfahrens erhaltenes Aufhellungsbild, oder eine Interpolation aus dem Aufhellungsbild gemäß Fig.1b und einem weiteren Aufhellungsbild und/oder dem Rohdatenbild zu verwenden. Im Falle der in Figs.1c und 1d gezeigten Szene dagegen wäre es vorteilhaft, für die Erstellung des Ausgabebereichs in dem Bildbereich, welcher den Himmel abbildet, beispielsweise das Rohdatenbild zu verwenden. Eine erste beispielhafte Ausgestaltung für das erfindungsgemäße Verfahren ist in Fig.2 illustriert. In einem ersten Verfahrensschritt 1 wird ein Rohdatenbild 1 einer Kamera bereitgestellt. Aus dem Rohdatenbild R wird in einem weiteren Verfahrensschritt 2 ein mittels eines ersten Aufhellungsverfahrens aufgehelltes erstes Aufhellungsbild I1 erstellt, und es wird in Schritt 3 eine erste Konfidenz C1 für Internal 202202481 14 die Aufhellung des Rohdatenbildes R mittels des ersten Aufhellungsverfahrens ermittelt. Schließlich wird in Schritt 4 ein Ausgabebild O aus dem Rohdatenbild R und/oder dem ersten Aufhellungsbild I1 in Abhängigkeit der ersten Konfidenz C1 rekonstruiert. Das Ausgabebild O kann dabei je nach dem Wert für die Konfidenz C1 zumindest teilweise oder vollständig aus dem Rohdatenbild R, dem Aufhellungsbild I1, einer Interpolation aus beiden. Im Prinzip kann das Ausgabebild O für unterschiedliche Bildbereiche aus unterschiedlichen Aufhellungsbildern I und/oder dem Rohdatenbild R bestehen. In Fig.3 sind zwei weitere mögliche Ausgestaltungen für ein erfindungsgemäßes Verfahren dargestellt. Zusätzlich zu den Verfahrensschritten, wie sie in Fig.2 dargestellt wurden, wird bei der Ausgestaltung gemäß Fig.3a neben dem ersten Aufhellungsbild I1 gemäß Verfahrensschritt 2a, zusätzlich ein zweites Aufhellungsbild I2 mittels eines zweiten, sich von dem ersten Aufhellungsverfahren unterscheidenden Aufhellungsverfahren erstellt (Schritt 2b) und bei der Rekonstruktion des Ausgabebildes O berücksichtigt. Während für die Ausgestaltung gemäß Fig.3a keine separate Konfidenz C für die Bildaufhellung mittels des zweiten Aufhellungsverfahrens ermittelt wird, beinhaltet die Ausgestaltung gemäß Fig.3b, dass für beide Bildaufhellungen (Schritte 2a und 2b) jeweils eine erste Konfidenz C1 und eine zweite Konfidenz C2 ermittelt wird (Schritte 3a und 3b). In anderen Ausgestaltungen können auch noch weitere Aufhellungsverfahren durchgeführt und/oder Konfidenzen C ermittelt werden, welche bei der Rekonstruktion des Ausgabebildes O berücksichtigt werden können. Die Bildaufhellung kann erfindungsgemäß sowohl mittels eines klassischen Aufhellungsverfahrens als auch mittels eines auf einem maschinellen Lernverfahren basierenden Verfahrens vorgenommen werden. Je nach verwendetem Bildaufhellungsverfahren kann die Konfidenz C auf eine geeignete Art und Weise ermittelt werden. Eine weitere bevorzugte Ausgestaltung des Verfahrens ist in Fig.4 illustriert. Nach Erhalt eines Rohdatenbildes R von der Kamera 1 wird zunächst in Überprüfungsschritt i überprüft, ob das Rohdatenbild R ausreichend ausgeleuchtet Internal 202202481 15 ist. Ist dies der Fall, so wird als Ausgabebild O das Rohdatenbild R verwendet. Ist dies nicht der Fall, so wird das Bild aufgehellt (Schritt 2) und die Konfidenz C für die Bildaufhellung ermittelt (Schritt 3). Es kann ein Aufhellungsverfahren verwendet werden, wie in Fig.4 und in Analogie zur Ausgestaltung aus Fig.2 dargestellt. Es können aber auch mehrere Aufhellungsverfahren verwendet werden, beispielsweise analog zu den Ausgestaltungen gemäß Fig.3. Erfüllt die ermittelte Konfidenz C ein vorgebbares Kriterium (Entscheidungsschritt ii), wie beispielsweise ein Über- oder Unterschreiten eines vorgebbaren Grenzwerts, so wird das Aufhellungsbild I1 als Ausgabebild O verwendet. Andernfalls erfolgt gemäß Schritt 4 eine Rekonstruktion des Ausgabebildes aus dem Aufhellungsbild I1 und/oder dem Rohdatenbild R. Bei der Rekonstruktion kann das Ausgabebild O entweder in unterschiedlichen Bildbereichen aus dem Aufhellungsbild I1 oder dem Rohdatenbild O zusammengesetzt werden. Alternativ kann auch eine Interpolation beider Bilder erfolgen, für welche die Konfidenz C beispielsweise als Gewichtungsmaß dienen kann. Für die in Fig.4 dargestellte Ausgestaltung sei ohne Beschränkung der Allgemeinheit angenommen, dass es sich bei dem Aufhellungsverfahren in Schritt 2 um ein auf einem maschinellen Lernverfahren basierendes Verfahren, beispielsweise unter Verwendung eines faltenden neuronalen Netzes (CNN) handelt. Dann kann zur Ermittlung der Konfidenz für die Bildaufhellung das neuronale Netz um eine zusätzliche Konfidenzschätzung erweitert werden. Zur Ermittlung der Konfidenz C kann ein Schätzwert ermittelt werden darüber, wie sicher das Netz seine Ausgabe prädizieren kann. Im Allgemeinen basiert die Konfidenzermittlung also auf der Berechnung eines Unsicherheitsmaßes. In dieser Hinsicht kann zwischen einer epistemischen und aleatorischen Unsicherheit unterschieden werden. Ermittelte Konfidenzen C können in einem weiteren Verfahrensschritt kalibriert werden, beispielsweise damit die Werte probabilistisch interpretiert werden können. Die Kalibration der Konfidenzen C bzw. Unsicherheitsmaße kann dabei unter anderem der Vergleichbarkeit der Konfidenz C für unterschiedliche Bildbereiche Internal 202202481 16 und Rohdatenbilder R dienen. Die kalibrierte Konfidenz C kann beispielsweise Werte im Intervall zwischen [0;1] annehmen und als Wahrscheinlichkeit interpretiert werden, mit welcher das neuronale Netz schätzt, eine korrekte Prädiktion zu berechnen. Beispiele für eine Konfidenzbestimmung für neuronale Netzwerke sind unter anderem in "What uncertainties do we need in bayesian deep learning for computer vision?" von A. Kendall et al.,, erschienen in Advances in neural information processing systems 30, 2017, in "Can you trust your model's uncertainty? evaluating predictive uncertainty under dataset shift" von Y. Ovadia et al., erschienen in Advances in neural information processing systems 32, 2019, in "A review of uncertainty quantification in deep learning: Techniques, applications and challenges" von M. Abdar et al., erschienen in Information Fusion 76, pp.243, 297, 2021, oder in . "Accurate uncertainties for deep learning using calibrated regression" von V. Kuleshov et al., International Conference on machine learning PMLR, 2018 beschrieben. Bei der Ermittlung der Konfidenz über die aleatorische Unsicherheit wird der Netzausgang als eine Verteilungsfunktion modelliert. Hierzu werden dem neuronalen Netz weitere Ausgänge hinzugefügt, welche die Parameter der Verteilungsfunktion abbilden. Weiterhin kann die Kostenfunktion derart angepasst werden, dass der Fehler zwischen der zu erwartenden Verteilung der Population und der vorhandenen Verteilung aus den vorhandenen Daten minimiert wird. Als Maß für die Differenz der Verteilungen kann wiederum die Kullback-Leibler Divergenz verwendet werden. Dies entspricht einer Maximum Likelihood Schätzung für die Netzparameter. Es ist einerseits denkbar, einen Wert für die Konfidenz C für jedes Rohdatenbild R zu ermitteln, oder es können für einzelne Bildbereiche Werte für die Konfidenz C ermittelt und in Form einer Konfidenzkarte aufbereitet werden. Wenn für jedes Pixel des Rohdatenbildes R separat eine Konfidenz C ermittelt wird, ist das Resultat eine Konfidenzkarte mit derselben Auflösung wie der des Rohdatenbildes R oder Ausgabebildes O. Internal 202202481 17 Konfidenzkarten können ferner optional gefiltert werden, beispielsweise mit einem Tiefpass, um den Einfluss von Werten für die Konfidenz C mit einer hohen Abweichung von einem Konfidenzmittelwert zu reduzieren. Auch können Bildbereiche mit ähnlichen Konfidenzwerten C geeignet aggregiert werden, was wiederum die Rekonstruktion des Ausgabebildes O stabilisieren kann. Zudem ist es möglich, eine Konfidenzkarte bezüglich des Rechenaufwandes, beispielsweise bei einer Implementierung des Verfahrens in einem eingebetteten System, zu optimieren. Dies kann dadurch erfolgen, dass die numerische Darstellung der Werte für die Konfidenz reduziert wird, beispielsweise auf 8, 16 oder 32 Werte im Bereich von [0;1]. Die Auflösung kann hierbei an das Integer-Datenformat angepasst werden, z. B.3 Bit für 8 Werte. Für diesen Ansatz werden Konfidenzwerte C geclustert, Clusterzentren berechnet, und die einzelnen Werte den Clusterzentren zugeordnet. In einer möglichen Erweiterung können die Clusterzentren in einer Look-Up Tabelle hinterlegt werden und einen beliebigen Wert darstellen. Ebenso ist es denkbar, die Bilder zur Berechnung einer semantischen Segmentierung, beispielsweise mit einer ermittelten Konfidenzkarte, zu kombinieren. Für Bildbereiche mit gleicher oder ähnlicher Semantik kann dann beispielsweise ein Mittelwert für die Konfidenz C berechnet werden. Für den Fall, dass mehrere Aufhellungsverfahren unter Verwendung von Methoden aus dem Bereich des maschinellen Lernens berücksichtigt werden sollen, so können beispielsweise verschiedene neuronale Netze, insbesondere Netze mit unterschiedlichen Architekturen, beispielswiese faltende neuronale Netze, Transformernetze, oder, insbesondere generative, adversale Netze, unterschiedlichen Parametern, unterschiedlichen gelernten Gewichten des Netztes aufgrund unterschiedlicher Trainings, beispielsweise Stadt- und Landszenen, unterschiedlichen Schichten, beispielsweise unterschiedliche Schichten für die finale Rekonstruktion, oder zumindest teilweise unterschiedlichen zusätzlichen Funktionen, beispielsweise zur Objektdetektion, Tiefenberechnung, Berechnung des optischen Flusses, oder der segmantischen Segmentierung, verwendet werden. Internal 202202481 18 Grundsätzlich wird im Rahmen der vorliegenden Erfindung für jedes Rohdatenbild R, jeden Bildbereich eines Rohdatenbildes R, oder für jedes Pixel eines Rohdatenbildes R das Aufhellungsbild I mit der besten, insbesondere höchsten, Konfidenz C oder das Rohdatenbild R für die Rekonstruktion herangezogen. Auf diese Weise wird aus mehreren möglichen Aufhellungsverfahren wird für ein bestimmtes Rohdatenbild R ein optimales aufgehelltes Ausgabebild O erzeugt. Unsicherheiten bei der herkömmlichen Bildaufhellung lassen sich also durch eine geschickte, zumindest teilweise konfidenzgesteuerte Kombination unterschiedlicher Bildaufhellungsverfahren ausgleichen. Das Rohdatenbild R, oder ein Aufhellungsbild I, für welches keine Konfidenz C ermittelt worden ist, kann dann beispielsweise in solchen Fällen zur Rekonstruktion herangezogen werden, wenn die Konfidenz C für ein anderes Aufhellungsverfahren zu schlecht, insbesondere zu gering ist. Dann kann nämlich eine qualitativ gute Bildaufhellung des Bildaufhellungsverfahrens, für welches eine Konfidenz C verfügbar ist, nicht mehr garantiert werden. Im Falle einer hohen Sicherheit für die Bildaufhellung, also einer guten, insbesondere hohen Konfidenz C kann dagegen das Aufhellungsbild I verwendet werden. Die Auswahl aus den verschiedenen verfügbaren Bildern R, I kann auch unterschiedliche für verschiedene Bildbereiche oder auch für jedes Pixel separat erfolgen. Darüber hinaus kann auch eine Interpolation aus dem Originalbild R und/oder verschiedener Aufhellungsbilder I gebildet werden, für welche die Konfidenz C oder Konfidenzkarte als Gewichtungsmaß herangezogen wird. Dann setzt sich das Ausgabebild aus gewichteten Eingangsbildern und einer Normierung zusammen. Die Normierung fasst beispielsweise die Gewichte pro Pixel, Bildbereich oder Bild zusammen und normiert die Summe der Gewichte auf 1. Für das Rohdatenbild R und/oder für solche Aufhellungsbilder I, für die keine Konfidenz C ermittelt wurde, kann dann zur Gewichtung eine invertierte, verfügbare Konfidenz C oder Konfidenzkarte herangezogen werden. Internal