1、引言

与可见光图像相比，红外热成像捕捉的是物体表面的温度分布，其原始数据（通常为12位或14位）包含了极宽的温度动态范围。然而，人眼能够感知的灰度范围以及显示设备能够展示的灰度级（通常为8位，即256级）都非常有限。这导致原始红外图像直接显示时，往往呈现为一片灰蒙蒙的景象，目标与背景的温差细节被压缩，难以分辨。

传统的直方图均衡化（HE）算法虽然能提升全局对比度，但容易造成局部细节丢失或噪声过度放大，并可能产生“光晕”伪影。为了解决这些问题，研究人员提出了一系列更精细的增强算法。其中，基于图像分解的增强思想是一种非常有效的途径，其核心理念是将图像分解为代表大尺度变化的基础层和代表局部细节的细节层，然后分别对它们进行优化，最后再融合以得到最终结果。这种方法可以有效地在压缩动态范围的同时，强化我们感兴趣的细节信息。

2. 算法核心原理

该增强算法可以概括为三个主要阶段：分解、处理和融合。

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

1. 图像分解 (Decomposition)

图像可以被看作是低频信息和高频信息的叠加。

• 基础层 (Base Layer, $I_{base}$)：代表了图像的低频分量，即图像中大面积的、平缓变化的区域，它决定了图像的整体轮廓和明暗分布。

• 细节层 (Detail Layer, $I_{detail}$)：代表了图像的高频分量，即图像中的边缘、纹理和噪声等剧烈变化的部分。

我们的目标是从原始图像 $I_{original}$中分离出这两层。一个理想的提取基础层的方法是，在平滑图像的同时能够保持边缘信息，双边滤波器（Bilateral Filter） 正是实现这一目标的利器。它在计算像素值时，同时考虑了空间距离和像素值的相似性，因此可以在有效滤除噪声的同时，最大程度地保留边缘，避免了普通高斯模糊导致的边缘模糊问题。

通过双边滤波，我们得到初步的基础层：
$$I_{base}=\text{BilateralFilter}(I_{original})$$
随后，细节层可以通过原始图像与基础层（或其进一步平滑后的版本）相减得到：
$$I_{detail}=I_{original}-\text{GaussianBlur}(I_{base})$$

2. 分层处理 (Processing)

分离出基础层和细节层后，我们便可以“对症下药”：

• 基础层处理：基础层包含了宽广的动态范围。我们的目标是压缩这个动态范围，使其适应8位显示。这里我们不采用标准的全局直方图均衡，而是采用一种改进的平台直方图均衡化方法。通过设置一个阈值，将直方图中贡献很小的部分（通常是噪声或极端值）舍弃，然后对剩余的主要部分进行均衡化，这样可以更稳定地提升主要场景的对比度，生成处理后的基础层 $I_{base}^{\prime }$
• 细节层处理：细节层包含了我们想要增强的纹理和边缘。处理方法相对直接：对其进行非线性增益。为了防止噪声被过度放大，通常会先对细节层的幅值进行裁剪（clip），即设置一个上下限，然后进行线性或非线性的放大，得到处理后的细节层 $I_{detail}^{\prime }$

3. 图像融合 (Fusion)

最后一步，将处理后的基础层和细节层重新相加，就得到了最终增强后的图像。
$$I_{enhanced}=I_{base}^{\prime }+I_{detail}^{\prime }$$
由于$I_{base}^{\prime }$ 和 $I_{detail}^{\prime }$的数值范围可能已经不再是标准的图像范围，因此最后还需要一步归一化操作，将整个图像的像素值线性拉伸到 [0, 255] 区间，以便保存和显示。

3、Python 代码实现与解析

下面，我们通过一个具体的Python脚本来演示上述算法流程。

import cv2
import numpy as np
import osdef apply_decomposition_enhancement(input_path, output_path):"""一种基于“基础层-细节层”分解的增强算法。Args:input_path (str): 输入的16位TIF图像文件路径。output_path (str): 处理后要保存的8位图像文件路径。"""print("--- 开始运行'基础层-细节层'分解增强算法 ---")# 0. 加载图像并转换为支持的浮点数类型print("步骤 0: 加载图像并准备数据...")img_16bit = cv2.imread(input_path, cv2.IMREAD_UNCHANGED)if img_16bit is None:print(f"错误: 无法读取图像文件 '{input_path}'。")returnoriginal_img_f32 = img_16bit.astype(np.float32)height, width = original_img_f32.shape# --- 阶段 1: 分解图像 ---print("阶段 1.1: 应用双边滤波获取基础层...")# d: 邻域直径, sigmaColor: 颜色空间标准差, sigmaSpace: 坐标空间标准差base_layer_bf = cv2.bilateralFilter(original_img_f32, d=9, sigmaColor=25, sigmaSpace=80)print("阶段 1.2: 通过高斯模糊和相减提取细节层...")# 对基础层再做一次轻微高斯模糊，以获得更纯净的细节base_layer_gauss = cv2.GaussianBlur(base_layer_bf, (3, 3), 1)detail_layer = original_img_f32 - base_layer_gauss# --- 阶段 2: 独立处理图层 ---print("阶段 2.1: 对基础层应用自定义直方图均衡...")# 将基础层转回16位整型以计算直方图hist_input = base_layer_bf.astype('uint16')# 计算一个裁剪阈值，忽略出现次数极少的像素值threshold = height * width * 0.0001hist, _ = np.histogram(hist_input.flatten(), bins=65536, range=[0, 65536])# 应用阈值，构建平台直方图hist[hist < threshold] = 0hist[hist >= threshold] = 1# 确定均衡化后的灰度级数n = int(np.sum(hist))if n > 255: n = 255 # 限制在8位范围内# 计算累积分布函数(CDF)并创建查找表(LUT)cdf = np.cumsum(hist)if cdf.max() == 0:cdf_normalized = cdfelse:# 归一化CDFcdf_normalized = cdf / float(cdf.max())lut = (n * cdf_normalized).astype('uint16')# 应用查找表，完成基础层处理base_layer_processed = lut[hist_input]# 2.2 处理细节层print("阶段 2.2: 裁剪并缩放细节层...")sigma_r = 25  # 细节裁剪范围，一个可调参数# 将细节裁剪到 [-sigma_r, sigma_r] 范围内detail_layer_clipped = np.clip(detail_layer, -sigma_r, sigma_r)# 将范围平移到 [0, 2*sigma_r]detail_layer_scaled = detail_layer_clipped + sigma_r# --- 阶段 3: 融合 ---print("阶段 3: 融合处理后的基础层和细节层...")final_image_f32 = base_layer_processed.astype(np.float32) + detail_layer_scaled# --- 最后: 归一化并保存 ---print("最终处理: 归一化到8位并保存...")# 使用MINMAX归一化将最终图像拉伸到[0, 255]范围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"结果已保存至: {os.path.abspath(output_path)}")if __name__ == '__main__':# 假设当前目录下存在一个名为 'dde_test_image_16bit.tif' 的16位原始红外图像input_file = "dde_test_image_16bit.tif" output_file = "dde_test_image_processed.png"if not os.path.exists(input_file):print(f"错误: 输入文件 '{input_file}' 不存在。请准备一张16位TIF格式的红外图像。")else:apply_decomposition_enhancement(input_file, output_file)

4. 效果演示

为了直观地展示算法效果，您可以准备一张16位的TIF格式红外原图，运行上述代码。下面是一个示例对比，上方为直接线性拉伸到8位的原图，下方为经过我们算法增强后的图像。

5、总结与展望

本文介绍了一种基于“基础层-细节层”分解的红外图像增强算法。该方法通过双边滤波有效分离图像的宏观结构与局部细节，并对两者采用不同的优化策略——对基础层进行平台直方图均衡以压缩动态范围，对细节层进行增益控制以强化纹理——最终融合得到高质量的增强图像。

所提供的Python代码展示了该算法的完整流程。值得注意的是，算法的效果在很大程度上依赖于参数的选择，例如双边滤波的sigmaColor、sigmaSpace，以及细节裁剪的sigma_r等。在实际应用中，这些参数需要根据具体的成像设备、场景内容和应用需求进行仔细的调优，甚至可以发展出自适应的参数选择策略。