YOLOv8融入低照度图像增强算法---传统算法篇

迪菲赫尔曼

已于 2024-03-26 17:19:53 修改

阅读量1.3k

点赞数 4

分类专栏： YOLOv8改进实战文章标签：算法 YOLO 人工智能深度学习目标检测 YOLOv8 低照度

于 2024-03-26 16:04:32 首次发布

原创文章为博主个人所有，未经授权不得转载、摘编、传播、倒卖、洗稿或利用其它方式使用上述作品。违反上述声明者，本站将追求其相关法律责任。

本文链接：https://blog.csdn.net/weixin_43694096/article/details/137045228

版权

YOLOv8改进实战专栏收录该内容

该专栏为热销专栏榜第3名

114 篇文章 906 订阅 ¥299.90 ¥99.00

订阅专栏

YOLOv8n原图检测	YOLOv8n增强后检测

召回率和置信度都有提升

前言

这篇博客讲讲低照度，大家都催我出一些内容，没想到这么多同学搞这个，恰好我也做过这方面的一些工作，那今天就来讲解一些方法，低照度的图像增强大体分“传统算法”和“深度学习算法”；

目前低照度的图像增强方面的工作非常多，但基本都是基于“深度学习算法”，这些深度学习方法里面或多或少都能看到一些“传统算法”的影子，从人类视觉效果上讲，个人觉得深度学习的算法效果是好于传统算法的。

但是基于深度学习的低照度图像增强算法最大的特点就是慢，这对于想将这个算法融入到YOLO算法的同学们是不能接受的ÿ

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

迪菲赫尔曼

关注关注

4
点赞
踩
13

收藏

觉得还不错? 一键收藏
打赏
9
评论
YOLOv8融入低照度图像增强算法---传统算法篇

低照度图像增强算法---传统算法篇
复制链接

扫一扫

专栏目录

订阅专栏

YOLOv8结合SCI低光照图像增强算法！让夜晚目标无处遁形！【含端到端推理脚本】

weixin_39818775的博客

06-01

1288

本篇介绍如何将SCI低光照图像增强算法与YOLOv8目标检测算法结合起来，以提升夜晚目标检测性能。该方法在增强图像亮度和对比度的同时，保持了图像细节，使得YOLOv8能够更准确地识别和定位夜晚目标。该方法将SCI低光照图像增强算法与YOLOv8目标检测算法结合起来，有效地提升了夜晚目标检测性能，具有广阔的应用前景。

YOLOv8官方推荐免费数据集网站Roboflow数据增强教程

Snu77的博客

10-25

3639

YoloV8是2023年发布的一种高效的目标检测算法，它的训练需要高质量的数据集，一个高质量的数据集就离不开数据增强等一些数据处理操作。YoloV8官方推荐了一个数据集网站，就是Roboflow。Roboflow是一个数据集管理平台，提供了免费的数据集，同时也支持上传自己的数据集进行格式转换。使用Roboflow，开发者可以方便地获取所需格式的数据集，无需手动转换格式。因此，如果你正在使用模型，Roboflow是一个非常好的选择，可以帮助你快速获取高质量的数据集，从而加快训练效率。

9 条评论您还未登录，请先登录后发表或查看评论

一种新的低照度彩色图像增强算法

02-23

为了增强彩色图像而不引起色彩失真,在HSV颜色空间中保持色相不变,提出了采用分段对数变换增强饱和度结合在多尺度Retinex算法的基础上,采用边缘保持增强色调的低照度彩色图像增强算法。实验结果表明,该方法在保持图像色相和图像边缘的情况下,显著改善了图像的视觉效果,提高了图像的亮度和对比度。25幅低照度图像的平均亮度、标准偏差和对比度分别提高了94.95%、20.93%和29.88%,相对于带色彩恢复的多尺度Retinex算法的熵和对比度增量分别提高了7.34%和151.51%,效果优于Retinex算法。

关于YOLOv8自带的数据增强方式

yxk666的博客

05-29

1778

以上数据增强策略均可用于目标检测，分割，骨干提取和分类等。有可能加了之后会导致结果指标下降，需要实际实验进行选取。以上内容仅供学习参考使用！！希望对您有所帮助！！

低照度环境图像的增强算法毕业论文【matlab】

weixin_airsky991的博客

10-14

927

【低照度图像增强系列（2）】Retinex（SSR/MSR/MSRCR）算法详解与代码实现

路人贾的博客

12-25

5542

低照度图像增强系列（2）Retinex算法详解与代码实现。包含SSR、MSR、MSRCR

为YOLOv5、YOLOv8带来全新的数据增强方式-合成雾增强算法

年少的勇气已经用完，剩下的就是三思而后行

03-10

6729

BestYOLO是一个以科研和竞赛为导向的最好的YOLO实践框架!目前BestYOLO是一个完全基于进行改进的开源库，该库将始终秉持以落地应用为导向，以轻便化使用为宗旨，简化各种模块的改进。目前已经集成了基于模型为Backbone的YOLOv5目标检测算法，同时也将逐渐开源更多YOLOv5应用程序。

低光照图像增强算法汇总

热门推荐

weixin_36670529的博客

04-11

2万+

1、场景需求在现实场景中，由于光线、视角等问题会导致我们拍摄出来的照片比较阴暗，具体的图片如下图中的1、3、5列所示，然后这些阴暗的图片不仅会影响我们的观察，而且会极大的影响计算机视觉处理算法的效果，2、4、6列表示的是使用了低光照图像增强算法之后的效果。本文主要针对低光照的图片展开论述，对经典的一些低光照图像增强算法进行了总结和初略的分析。 2、Retinex算法论文链接-Github链接 2.1 Retinex算法简介 Retinex是一种常用的建立在科学实验和科学分析基础上的

低照度图片增强——传统算法

Vaeeeee的博客

06-20

4766

光照因素一直是影响成像质量的一个关键因素，夜间等光照环境较差的条件下的图片往往细节丢失、分辨不清，信噪比低下。低照度图像增强是指通过一系列算法和技术，增强在低照度或弱光条件下拍摄的图像的可视化质量。本文主要介绍一些传统的低照度图像增强算法，给出具体的实现代码，便于测试各类图片的增强效果和比较各个算法的性能。以上几种经典的低照度图像增强算法，各自具有不同的优缺点，在实际应用中需要综合考虑图像的特点以及对图像质量的要求。

YOLOv8算法站立-跌倒-吸烟行为检测模型+pyqt+数据集

04-24

YOLOv8算法站立-跌倒-吸烟行为检测模型，包含2000张左右YOLO算法站立-跌倒-吸烟行为检测数据集数据集，数据集目录已经配置好，yolo格式的标签，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、...

一种改进的低照度图像增强算法研究

04-16

为了提高低照度图像的可视性和清晰度，提出一种基于梯度策略的DCT域低照度图像增强算法。该算法将图像分为入射分量和反射分量，建立灰度线性增强模型，对入射分量进行灰度线性增强；分别将入射分量和反射分量分别分块同时变换到离散余弦变换域（Discrete Co-sine Transform，DCT）中，进行DCT多聚焦融合,这里采用的是局部梯度融合准则，而不是目前常用的基于方差的融合策略，并采用一致性判别对融合的图像进行校验。最后将融合结果进行逆DCT变换得到最终增强的图像。实验结果表明，该算法对于低照度图像阴暗区域的细节可视性有明显的提升效果。

算法部署-使用ONNX部署YOLOv8-obb旋转目标检测算法-附推理代码+效果展示-优质项目实战.zip

06-25

在本项目中，我们将深入探讨如何使用ONNX（Open Neural Network Exchange）来部署YOLOv8-obb旋转目标检测算法。这是一个高质量的实战项目，它不仅提供了详细的部署步骤，还附带了推理代码和实际效果展示，对于学习和...

算法部署-使用NCNN在小米手机上部署YOLOv8-s目标检测算法-优质算法部署项目实战.zip

03-13

在本项目实战中，我们将探讨如何将YOLOv8-s目标检测算法部署到小米手机上，利用NCNN这一高效的推理框架。YOLO（You Only Look Once）系列算法是实时目标检测领域的热门选择，而YOLOv8-s是针对速度与性能优化的一个...

算法部署-使用RKNN在瑞芯微芯片上部署YOLOv8-obb旋转目标检测算法-附量化+模型转换+推理代码+效果展示-优质项目实战

最新发布

06-25

算法部署_使用RKNN在瑞芯微芯片上部署YOLOv8-obb旋转目标检测算法_附量化+模型转换+推理代码+效果展示_优质项目实战

yolov8-使用yolov8实现行人检测算法-优质项目.zip

02-24

yolov8 yolov8_使用yolov8实现行人检测算法_优质项目

低照度增强算法（图像增强+目标检测+代码）

阿利同学的博客

09-26

4078

在增强低光图像时，许多深度学习算法基于Retinex理论。然而，Retinex模型并没有考虑到暗部隐藏的损坏或者由光照过程引入的影响。此外，这些方法通常需要繁琐的多阶段训练流程，并依赖于卷积神经网络，在捕捉长距离依赖关系方面存在局限性。本文提出了一种简单而又有原则性的单阶段Retinex-based框架（ORF）。ORF首先估计照明信息来点亮低光图像，然后恢复损坏以生成增强的图像。我们设计了一个基于照明指导的Transformer（IGT），利用照明表示来指导不同光照条件下区域之间的非局部交互建模。

一种简单快速有效的低照度图像增强方法

ISP行业的忠实粉丝

10-22

6777

一种简单快速有效的图像去阴影方法一、本文介绍的是一种比较实用并且去阴影效果很好的方法，选自2004年Tao的一篇论文，名称是《An Integrated Neighborhood Dependent Approach for Nonlinear Enhancement of Color Images 》，有兴趣的朋友仔细细读一下。论文篇幅很短，所以应该难度不大，而且效果极佳。二、接下来简单介...

【低照度图像增强系列（3）】EnlightenGAN算法详解与代码实现

路人贾的博客

01-09

4764

低照度图像增强系列（3）——EnlightenGAN算法详解与代码实现

yolov8改进 | 主干篇 | 低照度增强网络pe-yolo改进主干

02-06

YOLOv8是目标检测领域中的一种经典算法，其以速度快和准确性高而受到广泛关注。在YOLOv8的主干网络上，我们可以进行一些改进来提升其在低照度环境下的性能。低照度条件下，图像通常会受到噪声的影响，目标的细节和边缘信息可能会被模糊或者丢失，导致目标检测精度受到影响。为了克服这个问题，我们可以引入低照度增强网络来对输入图像进行预处理。低照度增强网络可以根据图像的特点对其进行自适应地增强，提升图像的亮度和对比度，减少噪声的干扰。这样可以使得图像中的目标更加清晰可见，有助于提高YOLOv8的检测精度。在主干网络的选择方面，我们可以考虑使用Pe-YOLO来替代YOLOv8原有的主干网络。Pe-YOLO是一种经过优化的主干网络，其在保持YOLOv8原有速度优势的同时，能够提升在低照度环境下目标检测的性能。Pe-YOLO采用了一些先进的网络结构和设计技巧，例如注意力机制和残差连接，使得主干网络具有更好的图像特征提取能力和抗干扰能力。通过将Pe-YOLO用于YOLOv8的主干网络，可以加强对低照度环境下目标的探测能力，提升检测的准确率和鲁棒性。此外，我们还可以对Pe-YOLO进行训练，使其能够更好地适应低照度条件下目标的特征，进一步加强目标检测的效果。总结而言，yolov8改进中的主干篇，我们可以通过引入低照度增强网络和选择Pe-YOLO作为主干网络来提升在低照度环境下的目标检测性能。这些改进可以有效地减少噪声干扰，提高目标的可见性，在大幅度提升速度的同时，保证准确率和鲁棒性，使得yolov8在低照度条件下仍能取得出色的检测效果。

“相关推荐”对你有帮助么？

非常没帮助
没帮助
一般
有帮助
非常有帮助

提交