1、引言

與可見光圖像相比，紅外熱成像捕捉的是物體表面的溫度分布，其原始數據（通常為12位或14位）包含了極寬的溫度動態范圍。然而，人眼能夠感知的灰度范圍以及顯示設備能夠展示的灰度級（通常為8位，即256級）都非常有限。這導致原始紅外圖像直接顯示時，往往呈現為一片灰蒙蒙的景象，目標與背景的溫差細節被壓縮，難以分辨。

傳統的直方圖均衡化（HE）算法雖然能提升全局對比度，但容易造成局部細節丟失或噪聲過度放大，并可能產生“光暈”偽影。為了解決這些問題，研究人員提出了一系列更精細的增強算法。其中，基于圖像分解的增強思想是一種非常有效的途徑，其核心理念是將圖像分解為代表大尺度變化的基礎層和代表局部細節的細節層，然后分別對它們進行優化，最后再融合以得到最終結果。這種方法可以有效地在壓縮動態范圍的同時，強化我們感興趣的細節信息。

2. 算法核心原理

該增強算法可以概括為三個主要階段：分解、處理和融合。

$$I_{original}\stackrel{分解}{\to }(I_{base},I_{detail})\stackrel{處理}{\to }(I_{base}^{\prime },I_{detail}^{\prime })\stackrel{融合}{\to }{I}_{enhanced}$$

1. 圖像分解 (Decomposition)

圖像可以被看作是低頻信息和高頻信息的疊加。

• 基礎層 (Base Layer, $I_{base}$)：代表了圖像的低頻分量，即圖像中大面積的、平緩變化的區域，它決定了圖像的整體輪廓和明暗分布。

• 細節層 (Detail Layer, $I_{detail}$)：代表了圖像的高頻分量，即圖像中的邊緣、紋理和噪聲等劇烈變化的部分。

我們的目標是從原始圖像 $I_{original}$中分離出這兩層。一個理想的提取基礎層的方法是，在平滑圖像的同時能夠保持邊緣信息，雙邊濾波器（Bilateral Filter） 正是實現這一目標的利器。它在計算像素值時，同時考慮了空間距離和像素值的相似性，因此可以在有效濾除噪聲的同時，最大程度地保留邊緣，避免了普通高斯模糊導致的邊緣模糊問題。

通過雙邊濾波，我們得到初步的基礎層：
$$I_{base}=\text{BilateralFilter}(I_{original})$$
隨后，細節層可以通過原始圖像與基礎層（或其進一步平滑后的版本）相減得到：
$$I_{detail}=I_{original}?\text{GaussianBlur}(I_{base})$$

2. 分層處理 (Processing)

分離出基礎層和細節層后，我們便可以“對癥下藥”：

• 基礎層處理：基礎層包含了寬廣的動態范圍。我們的目標是壓縮這個動態范圍，使其適應8位顯示。這里我們不采用標準的全局直方圖均衡，而是采用一種改進的平臺直方圖均衡化方法。通過設置一個閾值，將直方圖中貢獻很小的部分（通常是噪聲或極端值）舍棄，然后對剩余的主要部分進行均衡化，這樣可以更穩定地提升主要場景的對比度，生成處理后的基礎層 $I_{base}^{\prime }$
• 細節層處理：細節層包含了我們想要增強的紋理和邊緣。處理方法相對直接：對其進行非線性增益。為了防止噪聲被過度放大，通常會先對細節層的幅值進行裁剪（clip），即設置一個上下限，然后進行線性或非線性的放大，得到處理后的細節層 $I_{detail}^{\prime }$

3. 圖像融合 (Fusion)

最后一步，將處理后的基礎層和細節層重新相加，就得到了最終增強后的圖像。
$$I_{enhanced}=I_{base}^{\prime }+I_{detail}^{\prime }$$
由于$I_{base}^{\prime }$ 和 $I_{detail}^{\prime }$的數值范圍可能已經不再是標準的圖像范圍，因此最后還需要一步歸一化操作，將整個圖像的像素值線性拉伸到 [0, 255] 區間，以便保存和顯示。

3、Python 代碼實現與解析

下面，我們通過一個具體的Python腳本來演示上述算法流程。

import cv2
import numpy as np
import osdef apply_decomposition_enhancement(input_path, output_path):"""一種基于“基礎層-細節層”分解的增強算法。Args:input_path (str): 輸入的16位TIF圖像文件路徑。output_path (str): 處理后要保存的8位圖像文件路徑。"""print("--- 開始運行'基礎層-細節層'分解增強算法 ---")# 0. 加載圖像并轉換為支持的浮點數類型print("步驟 0: 加載圖像并準備數據...")img_16bit = cv2.imread(input_path, cv2.IMREAD_UNCHANGED)if img_16bit is None:print(f"錯誤: 無法讀取圖像文件 '{input_path}'。")returnoriginal_img_f32 = img_16bit.astype(np.float32)height, width = original_img_f32.shape# --- 階段 1: 分解圖像 ---print("階段 1.1: 應用雙邊濾波獲取基礎層...")# d: 鄰域直徑, sigmaColor: 顏色空間標準差, sigmaSpace: 坐標空間標準差base_layer_bf = cv2.bilateralFilter(original_img_f32, d=9, sigmaColor=25, sigmaSpace=80)print("階段 1.2: 通過高斯模糊和相減提取細節層...")# 對基礎層再做一次輕微高斯模糊，以獲得更純凈的細節base_layer_gauss = cv2.GaussianBlur(base_layer_bf, (3, 3), 1)detail_layer = original_img_f32 - base_layer_gauss# --- 階段 2: 獨立處理圖層 ---print("階段 2.1: 對基礎層應用自定義直方圖均衡...")# 將基礎層轉回16位整型以計算直方圖hist_input = base_layer_bf.astype('uint16')# 計算一個裁剪閾值，忽略出現次數極少的像素值threshold = height * width * 0.0001hist, _ = np.histogram(hist_input.flatten(), bins=65536, range=[0, 65536])# 應用閾值，構建平臺直方圖hist[hist < threshold] = 0hist[hist >= threshold] = 1# 確定均衡化后的灰度級數n = int(np.sum(hist))if n > 255: n = 255 # 限制在8位范圍內# 計算累積分布函數(CDF)并創建查找表(LUT)cdf = np.cumsum(hist)if cdf.max() == 0:cdf_normalized = cdfelse:# 歸一化CDFcdf_normalized = cdf / float(cdf.max())lut = (n * cdf_normalized).astype('uint16')# 應用查找表，完成基礎層處理base_layer_processed = lut[hist_input]# 2.2 處理細節層print("階段 2.2: 裁剪并縮放細節層...")sigma_r = 25  # 細節裁剪范圍，一個可調參數# 將細節裁剪到 [-sigma_r, sigma_r] 范圍內detail_layer_clipped = np.clip(detail_layer, -sigma_r, sigma_r)# 將范圍平移到 [0, 2*sigma_r]detail_layer_scaled = detail_layer_clipped + sigma_r# --- 階段 3: 融合 ---print("階段 3: 融合處理后的基礎層和細節層...")final_image_f32 = base_layer_processed.astype(np.float32) + detail_layer_scaled# --- 最后: 歸一化并保存 ---print("最終處理: 歸一化到8位并保存...")# 使用MINMAX歸一化將最終圖像拉伸到[0, 255]范圍final_image_8bit = cv2.normalize(final_image_f32, None, 0, 255, cv2.NORM_MINMAX, dtype=cv2.CV_8U)cv2.imwrite(output_path, final_image_8bit)print(f"結果已保存至: {os.path.abspath(output_path)}")if __name__ == '__main__':# 假設當前目錄下存在一個名為 'dde_test_image_16bit.tif' 的16位原始紅外圖像input_file = "dde_test_image_16bit.tif" output_file = "dde_test_image_processed.png"if not os.path.exists(input_file):print(f"錯誤: 輸入文件 '{input_file}' 不存在。請準備一張16位TIF格式的紅外圖像。")else:apply_decomposition_enhancement(input_file, output_file)

4. 效果演示

為了直觀地展示算法效果，您可以準備一張16位的TIF格式紅外原圖，運行上述代碼。下面是一個示例對比，上方為直接線性拉伸到8位的原圖，下方為經過我們算法增強后的圖像。

5、總結與展望

本文介紹了一種基于“基礎層-細節層”分解的紅外圖像增強算法。該方法通過雙邊濾波有效分離圖像的宏觀結構與局部細節，并對兩者采用不同的優化策略——對基礎層進行平臺直方圖均衡以壓縮動態范圍，對細節層進行增益控制以強化紋理——最終融合得到高質量的增強圖像。

所提供的Python代碼展示了該算法的完整流程。值得注意的是，算法的效果在很大程度上依賴于參數的選擇，例如雙邊濾波的sigmaColor、sigmaSpace，以及細節裁剪的sigma_r等。在實際應用中，這些參數需要根據具體的成像設備、場景內容和應用需求進行仔細的調優，甚至可以發展出自適應的參數選擇策略。