ZeroDCE低亮度图片增强实训报告

目录

一、什么是ZeroDCE？

二、ZeroDCE背景，目的介绍

三、基本使用步骤：

四、Code以及model准备-----下载地址

五、使用步骤

5.1 数据准备

5.2 模型训练 使用 zeroDCE进行模型训练

5.2.1. 找到  lowlight_train.py 自定义参数 训练

5.2.2 测试分析（使用训练出来的模型进行图像增强）

5.3 模型评估

---

一、什么是ZeroDCE？

zeroDCE是一种图像增强方法，可以将低光照或暗淡的图像转换为高质量、明亮、清晰的图像。它采用了深度学习技术，并通过使用无参卷积来消除噪声和伪影，从而提高了图像的质量和细节。zeroDCE还能够自适应地对不同类型的图像进行增强，如室内场景、室外场景、夜间拍摄等。它在各种图像处理领域都有广泛的应用，如计算机视觉、图像识别、人工智能等。

二、ZeroDCE背景，目的介绍

zeroDCE的背景是图像增强技术在计算机视觉领域中具有重要的应用价值。在很多场景下，由于光照不足或者摄像头设备限制等原因，所拍摄的图像可能会出现暗淡、模糊、失真等问题，这些问题会影响到图像处理和识别的准确性。因此，如何对这些低质量图像进行有效增强，提高其质量和细节，成为了学术界和工业界研究的热点问题之一。
zeroDCE的目标就是解决这个问题，通过利用深度学习技术，将复杂的图像增强问题转化为一个端到端的图像转换任务。它旨在消除噪声和伪影，恢复图像的明亮度、色彩和细节，并且能自适应地对不同类型的图像进行增强。同时，zeroDCE还具有高效、可扩展等优点，可以广泛应用于各种计算机视觉和人工智能领域的任务中。

三、基本使用步骤：

利用zeroDCE进行训练和预测需要以下步骤：
1. 数据集准备：从图像库或网络上选择一个适合的数据集，并将其划分为训练集、验证集和测试集。数据集应包含低光照或暗淡的图像，同时还要提供原始图像作为参考。
2. 模型构建：使用深度学习框架如TensorFlow或PyTorch等构建zeroDCE模型，定义损失函数和优化器，并进行模型编译。
3. 训练模型：将准备好的数据集输入到模型中进行训练，通过反复迭代来不断优化模型的性能。
4. 预测结果：使用训练好的模型对新的待处理图像进行预测，得到增强后的图像。在预测过程中，根据实际需求选择合适的参数和超参数进行调整。
总之，利用zeroDCE进行训练和预测需要构建深度神经网络模型，准备合适的数据集，并对模型进行训练和优化，最终预测出增强后的图像。

四、Code以及model准备-----下载地址

或者 百度网盘提取（已有下载好的code和model）

链接：https://pan.baidu.com/s/1Ar3RCrzkLIthKoNUW4xXFQ?pwd=775d 
提取码：775d 
--来自百度网盘超级会员V1的分享

五、使用步骤

5.1 数据准备

ZeroDCE的训练图片和测试图片要求如下：
1. 训练图片要求：训练图片应包含低光照或暗淡的图像，并提供原始图像作为参考。训练数据集应该足够大，覆盖各种图像场景和类型，以便模型能够学习到广泛的特征和模式。此外，训练数据应该进行适当的预处理，例如裁剪、缩放和归一化等操作。
2. 测试图片要求：测试图片也应包含低光照或暗淡的图像，并提供原始图像作为参考。测试数据集应该与训练数据集有所不同，以测试模型对于不同类型的图像的适应性和泛化能力。此外，测试数据集还应具有多样性和代表性，以确保测试结果的准确性和可靠性。
总之，训练和测试数据集的质量和多样性对于ZeroDCE模型的训练和测试都十分重要，应该选择合适的数据集来进行训练和测试。

如下

test_data

train_data

 

5.2 模型训练 使用 zeroDCE进行模型训练

5.2.1. 找到  lowlight_train.py 自定义参数 训练

--lowlight_images_path: 训练数据集的路径。
--lr: 学习率，控制权重更新的速度。
--weight_decay: 权重衰减系数，用于控制过拟合。
--grad_clip_norm: 梯度裁剪，用于防止梯度爆炸。
--num_epochs: 总共训练的轮数。
--train_batch_size: 训练时每个batch的大小。
--val_batch_size: 验证时每个batch的大小。
--num_workers: 用于处理数据的线程数。
--display_iter: 训练过程中每隔多少个iteration输出一次训练信息。
--snapshot_iter: 训练过程中每隔多少个iteration保存一次模型。
--scale_factor: 将输入图像缩放的因子。
--snapshots_folder: 模型保存的文件夹路径。
--load_pretrain: 是否加载预训练模型。
--pretrain_dir: 预训练模型的路径。

 开始训练

python lowlight_train.py 

 

5.2.2 测试分析（使用训练出来的模型进行图像增强）

1.找到训练好的模型

2.找到测试模型的 lowlight_test.py ，修改参数后运行

 开始测试

python lowlight_test.py 

 

 查看测试脚本生成的结果图

5.3 模型评估

通过直观的视觉判断，增强后的图像更加清晰，更具可观性。

增强前：

 

增强后：