3. 测温数据采集：红外热像仪原理、温度数据读取与预处理

各位同学，咱们今天聊点实在的。测温系统里最核心的一环，就是数据采集。你算法再牛，模型再准，原始数据要是脏的、乱的，那后面全是白搭。我这些年调试测温设备，踩过的坑有一半都出在数据采集这一步。所以这一节，咱们把红外热像仪的原理、数据怎么读、怎么洗，一次性讲透。

3.1 红外热像仪的工作原理

说白了，红外热像仪就是个「温度相机」。普通相机拍可见光，它拍的是红外辐射。任何温度高于绝对零度的物体，都会向外辐射红外线。温度越高，辐射越强。热像仪的核心器件是焦平面阵列探测器，它把接收到的红外辐射转换成电信号，再映射成温度值。

我刚开始接触时有个误区：以为热像仪直接输出温度。其实它输出的是原始数字信号（DN值），需要经过标定曲线换算才能得到温度。不同厂家的标定算法不一样，但原理大同小异。

3.2 模拟温度数据生成

做开发时，你不可能每次都扛着热像仪调试。所以我习惯先模拟数据。这样算法迭代快，不受硬件限制。下面是我常用的模拟生成方法：

import numpy as np
import random

def generate_temperature_frame(height=24, width=32, base_temp=36.5):
    """
    模拟生成一帧测温数据
    height, width: 热像仪分辨率（常见低分辨率）
    base_temp: 基准温度
    """
    # 生成基础温度场
    frame = np.ones((height, width)) * base_temp
    
    # 模拟人体区域（中心区域升温）
    center_h, center_w = height//2, width//2
    frame[center_h-3:center_h+3, center_w-3:center_w+3] += random.uniform(0.5, 1.5)
    
    # 模拟噪声（传感器固有噪声）
    noise = np.random.normal(0, 0.1, (height, width))
    frame += noise
    
    return frame

# 生成一帧数据
temp_data = generate_temperature_frame()
print(f"温度范围：{temp_data.min():.2f}°C ~ {temp_data.max():.2f}°C")

嗯，这里要注意。模拟数据虽然方便，但噪声模型不能太理想。我曾在项目中直接用高斯噪声模拟，结果算法在真实设备上完全失效。真实热像仪的噪声是空间相关的，还有固定模式噪声。所以模拟时最好加一点「坏像素」和「漂移」。比如：

# 模拟坏像素（死点）
dead_pixels = [(5, 10), (12, 20), (18, 8)]
for h, w in dead_pixels:
    frame[h, w] = -999  # 无效值标记

# 模拟温度漂移（随时间缓慢变化）
drift = np.sin(np.linspace(0, 2*np.pi, width)) * 0.2
frame += drift

3.3 温度数据预处理

拿到原始数据后，不能直接用。为什么？因为热像仪天生有三大问题：噪声、非均匀性、坏像素。预处理就是解决这些问题的。我一般分三步走：

3.3.1 去噪处理

热像仪的噪声主要是高斯噪声和椒盐噪声。高斯噪声用滤波，椒盐噪声用中值滤波。我个人习惯先做中值滤波，再做高斯滤波。顺序不能反，否则椒盐噪声会扩散。

from scipy.ndimage import median_filter, gaussian_filter

def denoise_temperature(frame):
    # 第一步：中值滤波（去除坏点）
    frame_clean = median_filter(frame, size=3)
    
    # 第二步：高斯滤波（平滑噪声）
    frame_smooth = gaussian_filter(frame_clean, sigma=1.0)
    
    return frame_smooth

3.3.2 坏像素修复

热像仪用久了，总会有几个像素坏掉。表现为温度值异常（过高或过低）。修复方法很简单：用周围像素的平均值替代。

def fix_bad_pixels(frame, threshold=5.0):
    """
    修复坏像素
    threshold: 与邻域均值差异超过此值视为坏点
    """
    from scipy.ndimage import uniform_filter
    
    # 计算局部均值
    local_mean = uniform_filter(frame, size=3)
    
    # 检测坏点
    diff = np.abs(frame - local_mean)
    bad_mask = diff > threshold
    
    # 修复
    frame_fixed = frame.copy()
    frame_fixed[bad_mask] = local_mean[bad_mask]
    
    return frame_fixed

3.3.3 归一化处理

归一化是为了让数据落在统一的尺度内，方便后续算法处理。测温场景下，我通常做两种归一化：

归一化类型	公式	适用场景
Min-Max归一化	(x - min) / (max - min)	温度范围已知且稳定
Z-score标准化	(x - mean) / std	温度分布未知，有异常值

def normalize_temperature(frame, method='minmax'):
    if method == 'minmax':
        # 去掉无效值后再归一化
        valid = frame > -100
        min_val = frame[valid].min()
        max_val = frame[valid].max()
        normalized = (frame - min_val) / (max_val - min_val + 1e-8)
        
    elif method == 'zscore':
        valid = frame > -100
        mean = frame[valid].mean()
        std = frame[valid].std()
        normalized = (frame - mean) / (std + 1e-8)
    
    # 无效值置为0
    normalized[~valid] = 0
    return normalized

3.4 知识体系总览

下面这张图，是我梳理的本章核心逻辑。你把它存脑子里，后面几章都会用到。

你看，整个流程其实不复杂。但每一步都有细节。我见过很多同学直接拿原始数据跑算法，结果精度一塌糊涂。预处理花的时间，会在后面十倍百倍地省回来。

---

公众号:蓝海资料掘金营，微信deep3321