纯暗（ExDark）图像数据集（官方网站）

ArXiv

2022年9月2日更新（更新了数据集链接）

2019年6月2日更新（发布了低光照图像增强代码）

2018年10月31日更新（被CVIU期刊接收发表）

2018年5月29日发布

描述

为了促进新的目标检测和图像增强研究，特别是在低光照环境下，我们推出了纯暗（ExDark）数据集(CVIU2019)。纯暗（ExDARK）数据集包含7,363张来自极低光照环境至黄昏时段的低光照图像（共10种不同光照条件），并标注了12个物体类别（与PASCAL VOC类似），标注信息涵盖图像级别分类标签以及局部目标边界框。

源代码

我们关于低光照图像增强工作的源代码现已公开。请参阅SPIC文件夹。

引用

如果您在研究中使用了本数据集，请引用以下文献：

@article{Exdark,
  title = {通过纯暗数据集认识低光照图像},
  author = {Loh, Yuen Peng 和 Chan, Chee Seng},
  journal = {计算机视觉与图像理解},
  volume = {178},
  pages = {30-42},
  year = {2019},
  doi = {https://doi.org/10.1016/j.cviu.2018.10.010}
}

反馈

我们非常欢迎关于本数据集的建议和意见（无论正面或负面）。请通过电子邮件联系作者： lexloh2009 at hotmail.com 或 cs.chan at um.edu.my。

许可与版权

本项目采用BSD-3许可协议开源（详见LICENSE文件）。

如需用于商业用途，请联系陈志成博士：cs.chan at um.edu.my。

©2018-2022 马来亚大学计算机科学与信息技术学院图像与信号处理中心。

Exclusively Dark (ExDark) 图像数据集快速上手指南

环境准备

本资源主要为低光照环境下的目标检测与图像增强研究提供数据支持及参考代码。

• 系统要求：Linux / macOS / Windows（推荐 Linux 环境）
• 前置依赖：
  • Python 3.6+
  • Git
  • 深度学习框架（如 PyTorch 或 TensorFlow，视具体研究需求而定）
  • 图像处理库（如 OpenCV, PIL）

注意：本项目核心为数据集，SPIC 文件夹内包含低光照图像增强的参考源代码。

安装步骤

1. 克隆仓库

使用 Git 克隆项目到本地：

git clone https://github.com/cs-chan/Exclusively-Dark-Image-Dataset.git
cd Exclusively-Dark-Image-Dataset

2. 获取数据集

由于数据集文件较大，请前往官方更新链接下载（README 中提及于 2022 年 9 月 2 日更新了数据集链接）。通常数据集不直接包含在 Git 仓库中，需单独下载并解压至项目目录。

请访问 ArXiv 论文页面 或项目 GitHub 主页获取最新的数据集下载链接。

3. 查看增强代码

低光照图像增强的源代码位于 SPIC 目录下：

cd SPIC
# 查看该目录下的具体运行脚本和依赖要求
ls

基本使用

使用 ExDark 数据集

数据集包含 7,363 张低光照图像，涵盖 10 种不同的光照条件（从极暗到黄昏），并标注了 12 类物体（类似 PASCAL VOC 标准）。

• 数据结构：
  • 图像文件：按光照条件分类存储。
  • 标注文件：包含图像级别的分类标签和局部物体的边界框（Bounding Boxes）。

简单加载示例（Python pseudo-code）：

import os
from PIL import Image

# 假设数据集已解压到 data 目录
data_root = "./data"
image_path = os.path.join(data_root, "LowLight", "example.jpg")

# 加载图像
img = Image.open(image_path)
img.show()

运行低光照增强代码 (SPIC)

进入 SPIC 目录后，根据该目录下的 README 或脚本说明运行增强模型。以下为典型的运行逻辑（具体命令请以 SPIC 文件夹内的实际脚本为准）：

cd SPIC
# 示例：运行测试脚本（需根据实际文件名调整）
python test_enhancement.py --input ../data/sample.jpg --output ./result.jpg

提示：如需商业使用该数据集或代码，请联系 Dr. Chee Seng Chan (cs.chan@um.edu.my)。学术研究引用请参考项目根目录的 Citation 部分。