Polarization-Low-Light-Detection-Dataset

面向低光环境图像增强及目标识别的偏振成像数据集Polarimetric Imaging Dataset for Low-light Environment Image Enhancement and Object Recognition

原始信息汇总

数据集概述

该数据集是一个用于低光照图像增强与目标识别的偏振成像数据集，由BFS-U3-51S5PC-C偏振相机采集而成。

数据集规模与内容

• 包含111对图像，每对图像在同一场景下以不同曝光条件拍摄：
  • 曝光5000：低光照环境
  • 曝光50000：正常光照环境
• 场景中包含以下四类目标对象（单个场景含一个或多个）：
  • 杯子（Cup）
  • 瓶子（Bottle）
  • 鼠标（Mouse）
  • 键盘（Keyboard）

原始数据采集

• 使用BFS-U3-51S5PC-C偏振相机采集。
• 每个场景在曝光5000和曝光50000下各拍摄一张，共222个RAW文件。
• 文件命名格式为：场景ID_曝光值.raw（如 1_5000.raw、1_50000.raw，场景ID范围为1至111）。

数据处理

项目提供raw_process.py脚本，用户需自行修改输入输出路径后运行。每个RAW文件可处理为四个偏振角度图像：0°、45°、90°、135°，因此低光照和正常光照条件下各生成四个文件夹，共八个文件夹：

文件夹	条件	偏振角度
L1/	低光照	0°
L2/	低光照	45°
L3/	低光照	90°
L4/	低光照	135°
I1/	正常光照	0°
I2/	正常光照	45°
I3/	正常光照	90°
I4/	正常光照	135°

每个文件夹包含111张PNG图像，文件名与原始场景ID对应。

数据下载

• 原始RAW数据：可通过Google Drive下载（https://drive.google.com/drive/folders/1IUOheuIiHCsJke50GVnawNnsdkwo4pvY?usp=drive_link）
• 已处理图像数据：原始RAW数据已通过raw_process.py预处理，可直接下载使用（https://drive.google.com/drive/folders/1taWkDVSHig4iK-xEHKAywdPKwaR3rzTb?usp=drive_link）

目标检测标注

• 标注使用LabelImg工具生成，存储于LabelRef文件夹，命名与原始数据一致。
• 标注文件为.txt格式，兼容YOLO系列目标检测模型。
• 共222个目标实例，各类别数量如下：

ID	类别	数量
0	cup	49
1	bottle	67
2	mouse	53
3	keyboard	53

应用场景

该数据集可用于以下研究任务：

• 图像增强
• 低光照目标检测
• 偏振图像融合

搜集汇总

数据集介绍

构建方式

该数据集面向低光照图像增强与目标识别任务，采用BFS-U3-51S5PC-C偏振相机，在111个场景中分别以5000和50000两种曝光参数采集同一场景的图像对，共生成222幅RAW原始文件。每个场景包含至少一个来自杯子、瓶子、鼠标、键盘四类中的一个或多个目标。原始RAW数据通过提供的raw_process.py脚本处理，可解算出0°、45°、90°和135°四个偏振方向的图像，从而在低光与正常光照条件下各得到四组偏振图像，形成L1至L4和I1至I4共八个图像文件夹，每个文件夹包含111张PNG图像。

特点

该数据集独特性在于融合了偏振成像与低光照条件，每个场景均提供不同偏振角度下的多通道图像，为研究偏振信息在弱光环境中的增强作用提供了宝贵资源。数据规模适中，包含111个场景、222幅RAW文件及对应的偏振图像，且配备了基于LabelImg生成的YOLO格式目标检测标注，覆盖四类共222个目标实例，类别分布均衡。数据集设计兼顾了原始数据与预处理后图像的可用性，支持多种研究任务，如偏振图像融合、低光目标检测等，为相关领域提供了标准化的测试基准。

使用方法

使用者可通过Google Drive下载原始RAW数据集或已处理的偏振图像数据集。若需自行处理RAW文件，可运行raw_process.py，并修改脚本中的输入输出路径为本地目录。处理后的图像按偏振角和光照条件分别存放在L1-L4与I1-I4文件夹中，文件名对应原始场景ID。目标检测标注以YOLO格式的文本文件提供，可直接用于训练或评估YOLO系列模型。该数据集适用于图像增强、低光目标检测及偏振图像融合等研究，用户可根据任务需求灵活选择相应的图像或标注数据进行实验。

背景与挑战

背景概述

该数据集由研究团队于近年创建，利用BFS-U3-51S5PC-C偏振相机采集，旨在攻克低光照条件下图像增强与目标识别的难题。核心研究问题在于利用偏振信息提升暗光环境下的视觉感知能力，数据包含111组不同曝光条件下的成对图像，覆盖杯子、瓶子、鼠标和键盘四类常见物体。该数据集的推出填补了偏振成像在低光视觉任务中应用的数据空白，为图像增强、低光目标检测及偏振图像融合等研究方向提供了宝贵的基准资源，对推动计算摄影与计算机视觉的交叉发展具有重要意义。

当前挑战

该领域的主要挑战在于低光照环境下图像信噪比低、细节丢失严重，传统增强方法难以恢复有效信息，而偏振信息虽能提供额外维度，但其融合与利用机制尚不成熟。数据集构建过程中，挑战尤为显著：需确保不同曝光条件下场景的严格对齐，避免运动伪影；偏振相机标定复杂，四个角度图像的配准精度要求高；同时，111对图像的规模有限，可能限制深度学习模型的泛化能力。此外，标注过程需精确界定物体边界，尤其在低光图像中，标注难度大且易引入主观误差，这些因素共同构成了数据集应用与扩展的瓶颈。

常用场景

经典使用场景

该数据集核心用途在于构建低光照条件下的图像增强与目标识别基准。借助偏振相机捕捉的多角度偏振图像（0°、45°、90°、135°），研究者可探索偏振信息在弱光环境下的独特表达能力，结合同一场景不同曝光度的配对数据，用于训练和评估低光图像增强算法。该数据集为偏振视觉与低光视觉的交叉研究提供了标准化的实验平台，支撑从单帧增强到多帧融合的各类方法验证。

实际应用

在实际应用中，该数据集助力于安防监控、自动驾驶夜视、工业质检等需要低光成像的领域。通过偏振信息的融合，可提升夜间监控画面的清晰度，辅助低照度下的自动目标识别系统，增强对弱反光物体的检测能力。同时，该数据及配套的YOLO格式标注，可直接用于训练低光条件下的物体检测器，加速相关产品在真实复杂光照环境中的落地部署。

衍生相关工作

围绕该数据集，衍生出若干经典工作方向：基于偏振融合的低光图像增强网络（如多分支CNN架构），利用偏振角度差异实现交替增强；偏振引导的物体检测算法，在YOLO框架中注入偏振先验特征；以及偏振图像序列的超分辨率重建方法。这些工作不仅验证了偏振数据在低光视觉中的有效性，还促进了多传感器融合、物理模型与深度学习结合等研究潮流，为后续复杂光照下的视觉感知研究奠定了基础。