Infrared Image Enhancement

项目背景

红外热成像原始数据通常是 12 / 14 / 16 位单通道图像，包含较宽的温度动态范围。但普通显示设备和人眼感知一般只能稳定查看 8 位灰度图，直接线性拉伸时很容易出现画面发灰、局部对比度不足、目标边缘和纹理不清晰的问题。

这个项目来自我对红外图像增强问题的一次个人研究和开源实现。早期接触到相关需求时，技术路线更多关注深度学习和图像超分方向；后来我重新回到这个问题，借助 AI 工具辅助做资料调研和方案拆解，尝试从传统图像处理角度实现一个可复现、可调参、可批处理的 DDE-like 红外增强工具箱。

项目目标

我希望这个项目不是只给出一段脚本，而是整理成一个相对完整的工程化小工具：

• 可以处理 16 位 TIF / TIFF 红外图像，并输出适合显示的 8 位增强结果。
• 提供线性拉伸基线，便于对比增强效果。
• 支持单图处理、批处理、预设参数、无参考指标评估和中间结果可视化。
• 保留算法设计文档，说明分解、增强、融合和参数调优思路。
• 通过 Python 包和 CLI 命令暴露能力，方便后续复用和二次实验。

核心思路

当前实现采用分解类红外增强策略：先将原始图像拆分为基础层和细节层，再分别进行动态范围压缩、局部细节增强、噪声门控和热点保护，最后融合并映射到 8 位显示范围。

这条路线更关注可解释性和可控性。相比直接训练一个端到端模型，传统分解方法更容易看清每个参数对结果的影响，也更适合在缺少配对训练数据的情况下做工程验证。

我的工作

• 调研红外图像显示增强、DDE 类算法和高动态范围单通道图像显示问题，整理公式拆解和实现方案。
• 使用 Python / OpenCV 实现多尺度边缘保持分解、基础层动态范围压缩、细节层增益、噪声门控、热点保护和百分位映射。
• 设计 balanced、detail_plus、noise_safe、hot_scene、radiometric_safe 等参数预设，便于不同场景下快速试验。
• 封装命令行工具，支持单图增强、批处理、线性基线生成、指标评估和中间结果可视化。
• 补充自动化测试，验证核心指标和处理管线，避免后续调参或重构破坏基本功能。
• 整理中英文 README、样例数据来源说明和设计文档，使项目可以作为一个独立开源工具阅读和复现。

技术实现

项目采用轻量 Python 包结构组织：

• ir_dde/：核心增强管线、滤波、tone mapping、指标和参数预设。
• ir_dde/cli/：命令行入口，包括增强、批处理、线性基线、评估和可视化。
• tests/：最小自动化测试，覆盖指标和核心处理流程。
• docs/：DDE 公式拆解、实现计划和 README 展示素材。
• examples/：单图和批处理样例，便于直接复现效果。

从工程角度看，这个项目重点不是追求某个固定场景下的最强视觉效果，而是把红外增强问题拆成可解释、可调试、可复现的处理流程。这样后续无论继续优化传统增强参数，还是接入学习型方法，都有一个清晰的基线工程。

复盘

这个项目让我重新把注意力放回图像处理本身：数据位深、显示映射、局部对比度、噪声放大、热点保护和参数鲁棒性。相比只看最终增强图像好不好看，我更在意整个处理链路是否可解释、可调试、可复现。

AI 工具在资料调研和实现拆解阶段帮了不少忙，让我能更快把零散资料整理成可运行的工程版本。但最终效果还是靠人工判断：算法选择是否合理，参数是否可解释，样例是否有代表性，README 是否说清楚了适用范围和局限。