从零构建4K低光增强数据集：数据采集、标注与增强实战指南

1次阅读

没有评论

共计 2241 个字符，预计需要花费 6 分钟才能阅读完成。

低光环境下的计算机视觉任务（如目标检测、图像分割）常因光照不足导致性能骤降。主流数据集（如 COCO、Cityscapes）的样本多在正常光照下采集，模型直接迁移到低光场景时会出现：

暗区细节丢失（信噪比降低）
色彩失真（白平衡失效）
运动模糊（长曝光导致）

构建专用低光数据集的核心价值在于：

提供真实的光照退化模式
覆盖不同色温 / 光源类型（LED、自然光等）
保留 4K 分辨率下的纹理细节

优先选择大传感器相机（全画幅>APS-C）：

推荐机型：Sony A7S III（高感光性能）、Canon EOS R5（8K 超采样）
关键参数：
ISO 1600-12800（根据噪点程度动态调整）
快门速度≤1/30s（避免运动模糊）
关闭自动白平衡（固定 5500K 色温）

室内低光：
使用单一光源（如台灯）制造渐变阴影
拍摄时关闭其他环境光干扰
夜间室外：
选择混合光源场景（路灯 + 车灯）
保留部分过曝区域（模拟真实动态范围）
逆光场景：
对焦暗部区域
使用 RAW 格式保留高光细节

单张 4K RAW 文件约 50MB，建议配备：
高速 SD 卡（UHS-II V90 规格）
NAS 存储系统（RAID5 阵列）
预处理脚本示例（批量转 PNG）：

import rawpy
import cv2

for raw_path in Path('raw_files').glob('*.ARW'):
    with rawpy.imread(str(raw_path)) as raw:
        rgb = raw.postprocess(use_camera_wb=True)  # 保留原始白平衡
    cv2.imwrite(f'png_export/{raw_path.stem}.png', cv2.cvtColor(rgb, cv2.COLOR_RGB2BGR))

目标边界模糊（需结合上下文推断）
暗色物体易漏标（如黑色车辆）
反光区域误标（如车窗倒影）

LabelImg++（改进版支持亮度调节）：
快捷键 Ctrl+L 调高局部亮度
开启边缘增强辅助模式
半自动标注流程：
先用正常光照预标注
通过风格迁移映射到低光图像
人工修正差异区域

设置标注验收标准：
IOU≥0.7（与验证集对比）
暗区漏标率<5%
使用一致性检查工具：

def check_annotation(img, xml):
    ann = parse_xml(xml)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    dark_mask = gray < 30  # 识别暗区
    missed = [obj for obj in ann if np.mean(dark_mask[obj.bbox]) > 0.8]
    return len(missed) / len(ann)

基于 Retinex 理论实现光照分解：

def retinex_enhance(image, sigma=128):
    """
    image: 输入 BGR 图像
    sigma: 高斯核大小（控制光照分量平滑度）返回: 增强后的图像
    """
    kernel = cv2.getGaussianKernel(sigma, 0)
    illumination = cv2.sepFilter2D(image, -1, kernel, kernel)
    reflectance = np.log(image + 1e-6) - np.log(illumination + 1e-6)
    enhanced = np.exp(reflectance * 1.2) * 255  # 1.2 为增强系数
    return np.clip(enhanced, 0, 255).astype('uint8')

模拟不同光源混合效果：

提取场景光照图（通过低通滤波）
叠加点光源 / 面光源（物理渲染器如 Blender）
色温扰动（2500K-6500K 随机变化）

监控指标：
自然图像质量评估（NIQE）<4.5
局部对比度标准差（保持原始图像的 1.2 倍内）
动态调整增强强度：

while True:
    enhanced = enhance(img)
    niqe = calculate_niqe(enhanced)
    if niqe < 4.5:
        break
    else:
        reduce_enhance_strength()