潘 瑞，曾良才，伍世虔，王瑞平

(1.武汉科技大学 机械自动化学院，湖北 武汉 430080；2.武汉科技大学 信息科学与工程学院，湖北 武汉 430080)

0 引 言

特征的检测与提取是众多计算机视觉应用的基础，例如三维重建[1]、物体检测及追踪[2]等。图像质量对特征点检测效果的好坏有着直接影响，在实际应用中，由于各种原因，并非所有采集的图像都满足光照均匀一致的要求。为了更精确地捕捉图像的细节信息，有必要针对不同的应用场合，根据图像实际情况进行一系列的预处理。

鉴于图像特征点检测和匹配的频繁使用，众多国内外学者提出了大量Hand-craft特征点检测算法。在公开数据集上，尺度不变特征变换(scale invariant feature transform,SIFT)，SURF(speeded up robust features)，FAST(feature for accelerated segment test)，Harris，ORB[3]等具有较好的几何不变性。此外，随着深度学习的发展，众多基于深度学习的特征检测方法也涌现出来，但针对低光照下的图像特征点检测具有特征点数量少、重复率低、匹配点对少等缺陷。因此，需要针对以上问题，对图像进行预处理，改善图像的质量，更好地保留图像边缘和细节信息[4]，提升现有特征点检测算法的检测效果。

目前，众多基于空域的光照不均匀图像处理算法有着不错的效果，如常用的直方图均衡化方法、伽马矫正算法、Retinex算法等。直方图均衡化模型的算法简单、运算速度快，对整体亮度偏暗的图像具有很好的增强效果。但是，对于低光照图像而言，直方图均衡化算法可能会导致过增强现象[5,6]，产生视觉伪影[7]。伽马校正增强了图像对比度，但对于光照不均匀图像，其受到过饱和或者欠饱和问题的困扰[8]。……