红外图像压缩（一）

红外图像，尤其是热红外图像，并不是记录人眼可见光中的颜色纹理，而是记录物体在红外波段的辐射响应；在自动驾驶、安防、医学热成像、遥感和工业检测中，红外图像常被用来补足可见光在黑暗、雾、烟、眩光和恶劣天气下的不足 #FLIR-Dataset。

因此，红外图像压缩的目标也不同于普通 RGB 图像压缩：RGB 压缩通常关心“人看起来是否自然”，而红外压缩还必须关心温度/辐射值是否保真、小目标是否仍可检测、医学或工业诊断是否仍可靠，以及 RGB-IR 多传感器系统中跨模态冗余是否被充分利用 #Mantel-2017 #Bhowmik-2022。

Teledyne FLIR 的 ADAS 热红外数据集面向自动驾驶与高级驾驶辅助系统，官方说明其 starter thermal dataset 可用于训练 CNN 检测模型，并强调热红外可在完全黑暗、雾、烟、恶劣天气和眩光条件下提供可见光之外的补充信息 #FLIR-Dataset。

FLIR 官方热红外示例图。图像看起来纹理很少，但行人、车辆、骑行者等小目标的热斑和边缘对检测任务非常关键。来源：Teledyne FLIR ADAS Dataset #FLIR-Dataset。

FLIR 页面列出多个区域版本的数据集：免费 starter dataset 约 14,000 张标注图像，Enhanced San Francisco Dataset 约 10,000 张，Enhanced EU Dataset 约 14,000 张；类别覆盖 car、bike、person、dog、other vehicle，以及增强数据中的 sign、light、truck、bus、hydrant、rider、motorcycle、train 等 #FLIR-Dataset。

Mantel 与 Forchhammer 在研究高 bit-depth 红外图像压缩时指出，许多热传感器输出高于 8-bit 的数据，并比较了 JPEG2000、JPEG-XT 和 HEVC 在红外图像上的表现；该工作用 SNR、MRSE 和 HDR-VDP2 等指标评估，而不只依赖普通 RGB 图像压缩常见的观感判断 #Mantel-2017。

红外压缩的一个难点是数据来源分散：单模态热红外图像、多光谱 RGB-T 图像对、医学热红外图像、红外线扫描图像和遥感高光谱/多光谱数据，其统计特性和任务目标并不相同。

对于红外图像，传统编码器不是过时基线，而是必须认真比较的工程基线。医学红外图像的无损压缩实验显示，Lossless JPEG、JPEG-LS、JPEG2000、PNG 和 CALIC 等算法都可以用于医学热红外图像；Schaefer 等人在 380 多张医学热红外图像上发现 JPEG-LS 在压缩率和压缩速度上表现最好 #Schaefer-2007。

在高 bit-depth 红外图像上，Mantel 与 Forchhammer 比较 JPEG2000、JPEG-XT 和 HEVC 后报告：JPEG2000 在低于 1.4 bpp 时表现最好，HEVC 在 1.4 到 6.5 bpp 范围内表现最好，并且 HEVC 可以在平均 1.3 bpp 下达到约 1°C 的精度 #Mantel-2017。

红外图像往往具有低频能量集中、高频细节稀疏的特点，这使小波域成为传统编码和学习式编码之间很自然的桥梁。2025 年 Sensors 论文 Lossy Infrared Image Compression Based on Wavelet Coefficient Probability Modeling and Run-Length-Enhanced Huffman Coding 针对红外线扫描图像提出 Huf-RLC 方法，动机是 JPEG2000 中 MQ 算术编码器复杂度较高，而稀疏量化小波系数中存在大量连续零 #HufRLC-2025。

Huf-RLC 使用 DWT 小波分解、Run-Length Coding 增强 Huffman 编码、wavelet coefficient probability model 和低频子带 DPCM；摘要报告该方法在 PSNR 和 SSIM 上优于 JPEG，与 JPEG2000 相比只有较小性能损失，并且压缩速度是 JPEG2000 的 3.155 倍、JPEG 的 2.049 倍 #HufRLC-2025。