热红外图像脉冲伪影智能抑制算法（RRIS）-热像仪嵌入式图像预处理模块 / RRIS SDK

无人机/机器人、安防监控/消防
1、立项背景和目标
在无人机安防巡检、火灾监测等热成像应用中，传感器由于物理限制常产生随机的脉冲状亮斑或条纹（impulse-like artifacts）。传统中值滤波或深度学习去噪方法要么会破坏真实的高温边沿，要么需要GPU算力，无法在边缘设备上实时运行。本项目的目标是开发一个无需训练、仅依赖CPU的轻量级图像预处理算法，能够在不模糊目标轮廓的前提下，自适应地抑制脉冲噪声，特别保留火灾、车辆发动机等高温区域的结构完整性，提升下游视觉任务的可靠性。

2、软件功能、核心功能模块的介绍

局部不确定性估计：基于局部均值与方差计算每个像素的归一化偏差，区分噪声与真实热信号。

连续置信度映射：使用Sigmoid函数将偏差转换为0~1之间的抑制权重，避免硬阈值导致的不稳定。

结构张量保护模块：通过计算像素邻域的结构相干性（coherence），自动识别边缘/角点等需要保护的区域，大幅减少边界模糊。

全局安全限幅：根据图像整体的98%分位数动态限制最大抑制强度，防止在高温区域过度平滑。

软混合输出：将原始像素与中值滤波结果按风险权重融合，输出噪声抑制后且边缘锐利的热红外图像。

3、业务流程、功能路径描述
用户输入一张热红外图像（单通道，uint16或float32） → 算法自动计算局部均值/方差 → 生成偏差图与置信度 → 并行计算结构张量获得相干性图 → 结合全局安全因子得到最终抑制强度 → 将原图与中值图按像素级权重融合 → 输出处理后图像。整个过程单帧耗时约70~200ms（640×480~1280×1024），可直接集成到无人机飞控或热像仪嵌入式系统中。

1、整体架构和设计思路，不同模块使用的技术栈
整体采用无训练、纯图像滤波架构，所有运算均为O(N)线性复杂度，适合CPU实时处理。技术栈：Python 3.8 + OpenCV 4.5（用于边界扩展、卷积滤波） + NumPy（高速矩阵运算）。核心模块分为：(1) 局部统计（box filter实现快速均值/方差）；(2) 自适应Sigmoid映射；(3) 结构张量特征分解（用于计算相干性）；(4) 全局百分位统计及软融合。采用模块化函数设计，各模块可单独开关，便于客户根据实际场景裁剪。

2、“我”的负责模块和结果
本人独立负责算法设计、代码实现与全量测试。在公开热成像数据集（DroneVehicle、FLAME）与实拍UAV数据上取得以下量化结果：

噪声抑制后PSNR ≥ 37.07 dB（比中值滤波高1.4 dB）；

FSIM（特征相似度）达0.9977，显著高于中值滤波（0.9952）和自适应中值滤波；

在Intel i5 CPU上处理640×480图像仅需72 ms（约14 FPS），1280×1024约203 ms（约5 FPS），满足实时预处理要求；

高温区域（火场/发动机）结构保留完整率 > 96%，无可见边缘模糊或断裂。

3、“我”遇到的难点、坑，和解决方案

难点1：热成像中脉冲噪声与真实高温目标（如火焰、车灯）的强度区间几乎完全重叠，简单的阈值检测会误伤目标。解决方案：引入结构张量相干性，利用噪声在各向同性区域（平滑背景）与目标在强相干区域（边缘/角点）的分布差异来调制抑制强度。

难点2：极平坦区域（如天空、路面）局部方差为零，导致偏差公式除零或数值爆炸。解决方案：在分母中加入稳定项ε（与传感器NETD相关），并利用全局百分位防止增益过大。

坑点：OpenCV的BoxFilter边界默认反射会导致边缘伪影。解决方案：替换为BORDER_REPLICATE模式，并在计算结构张量前对图像做归一化，避免数值溢出。