低光照图像增强预处理优化：让YOLOv5在暗光环境下也能精准检测

摘要

在自动驾驶、夜间监控、水下探测等实际应用场景中，低光照条件导致的图像质量下降严重影响了YOLOv5等目标检测算法的性能。本文提出了一套完整的低光照图像增强预处理优化方案，通过改进图像增强算法并将其无缝集成到YOLOv5的数据预处理流程中，显著提升了模型在暗光环境下的检测精度。本文详细介绍了Retinex理论、自适应直方图均衡化、深度学习增强方法等多种增强策略，并给出了完整的代码实现。实验结果表明，经过本文提出的预处理优化后，YOLOv5在低光照数据集上的mAP@0.5提升了15.7%，为实际工程应用提供了可行的解决方案。

1. 引言

1.1 问题背景

随着深度学习技术的快速发展，YOLO系列目标检测算法已成为计算机视觉领域的主流方法。然而，在实际应用中，我们经常面临光照条件不理想的情况：夜晚的道路监控、黄昏时分的自动驾驶、深海水下探测、地下停车场监控等场景都存在严重的低光照问题。这些场景下的图像往往具有以下特点：

• 低对比度：目标与背景的灰度差异小，难以区分

• 细节丢失：暗部区域的纹理信息几乎完全丢失

• 噪声放大：为了补偿曝光不足，相机增益会导致明显的噪声

• 颜色失真：低光照条件下颜色信息严重衰减

这些问题直接导致YOLOv5等检测模型的性能急剧下降，误检和漏检率显著增加。

1.2 研究意义

提升低光照条件下的目标检测性能具有重要的实际应