数据增强 —— 低亮度图像增强

---

前言

因拍摄硬件和拍摄条件的限制，在某些情况下会存在低亮度的图像。无论是对标注还是算法都造成了困难。在标注mask时，尤其是分割类，低亮度图像很难看清目标轮廓；在算法上，也可以先对低亮度图像进行处理，再传入检测等算法当中，提高精度。

因只是应对工作需要，所以具体原理不去了解，能使用即可。因没有时间去标注，故AI算法只记录无监督算法。

一、传统方法

传统方法上一般有两种方式：直方图均衡化或直方图匹配、伽马变换。

直方图方法可参考 OpenCV4（C++）—— 直方图

伽马变换其原理简单来说就是对图像的每个像素进行非线性变换（幂次变换）来调整图像的亮度级别。伽马变换可以将图片变亮，也可以变暗。

• 当伽马值小于1时，会增加图像中较暗区域的对比度，使得细节更加明显。这种情况下，图像的低亮度部分会被拉伸，高亮度部分会被压缩。
• 当伽马值大于1时，会增加图像中较亮区域的对比度，使得细节更加明显。这种情况下，图像的低亮度部分会被压缩，高亮度部分会被拉伸。

二、AI算法

  许多基于深度学习的算法都采用Retinrx理论，先简单介绍下Retinrx理论：

1. 不同于传统的线性、非线性的只能增强图像某一类特征的方法，Retine