IEA-DWT算法流程如图1所示。主要包括：① 采集弱光环境条件下的双目图像；② 使用光照增强算法、离散小波变换分别进行图像预处理；③ 光照增强算法联合离散小波变换进行图像预处理；④ 考虑实验平台运行速度与鲁棒性效果，选取SURF算法进行特征点匹配；⑤ 运用随机抽样一致性（RANSAC）等相关算法对误匹配对进行剔除。因此，预处理是提高弱光环境下图像特征匹配性能的首选方案。本研究通过光照增强算法融合离散小波变换对弱光环境图像预处理，相较于传统单一的图像预处理方案，在弱光环境下提高图像特征匹配对效果更为显著。

弱光环境下的特征匹配图像存在自身质量退化、光照分布不均匀、对比度较低的特点。光照增强算法(IEA) 能够通过改变局部对比度，自适应地增强中、低强度像素，进而有效改善特征匹配图像的质量。该算法主要通过融合了对数缩放函数与图像处理指数函数，最终进行对比度调整，恢复出最好的颜色图像。详细步骤如下：

步骤①：使用对数缩放函数处理输入的弱环境条件图像。公式为

式中：I为弱环境条件图像；$ {I}_{1} $为对数缩放函数处理的图像。$ \max (I) $为对输入I图像的所有像素取最大值。

步骤②：输入图像I再次由一个图像处理指数函数来修改局部对比度和衰减输入图像的高强度。公式为

式中：$ {I}_{2} $为指数函数处理的图像。

步骤③：为了充分提取图像$ {I}_{1} $和图像$ {I}_{2} $的特点，采用对数图像处理(LIP)模型进行有机融合。公式为

式中：$ {I}_{3} $为$ {I}_{1} $和$ {I}_{2} $融合后的图像。接着，为提升算法对不同弱光环境的适应性，引入一个可调参数对LIP模型进行修正，以便能够对弱环境条件图像恢复至最佳效果。公式为

式中：$ \alpha $为光照增强系数。

步骤④：图像$ {I}_{3} $虽然同时具有图像$ {I}_{1} $和$ {I}_{2} $的特性，但在实际实验中，恢复出的图像$ {I}_{3} $整体效果还是相对较差。因此，为了进一步提高弱环境图像质量，提取更多的潜在细节。通过使用双曲正割分布的累积分布函数（CDF-HSD）来对图像$ {I}_{3} $进行进一步修正^[18]。公式为

式中：$ \text{erf} $为误差函数；F为修正后的图像。

步骤⑤：最后，对数字图像F数据进行归一化处理。公式为

式中：$ {F}^{\prime} $为归一化处理后的图像。$ \min (F) $是F全图所有像素的最小值，$ \max (F) $是F全图所有像素最大值，两者配合实现像素值的全局线性归一化，统一图像动态范围。

离散小波变换（DWT）主要针对连续小波变换的尺度参数和平移参数进行离散化取样，本文针对弱光环境条件下的图像预处理中应用了二维离散小波变换进行降噪处理，该算法通过多尺度分解，将图像分解为低频近似和高频细节子带，能有效分离高频噪声并保留图像主要结构信息。离散小波变换是将下列连续小波变换中式（7）的尺度参数a和时移参数$ \tau $进行离散化，其中t保持连续。

式中：t为连续时间维度的坐标变量，$ \psi \Bigg(\dfrac{t-\tau }{a}\Bigg) $为经尺度伸缩与平移后的母小波函数；$ f(t)\in {L}^{2}\text{(R)} $，$ {L}^{2}(\text{R}) $为任意实数轴上的平方可积函数空间。马拉特（Mallat）算法提供了DWT的快速实现，其核心思想是利用金字塔结构进行递归分解。以一维离散小波变换分解过程为例，该分解依赖于低通滤波器h和高通滤波器g进行下采样，将信号$ c_{n}^{j-1} $分解为逼近系数$ c_{n}^{j} $(低频成分)与细节系数$ d_{k}^{j} $(高频成分)，对应公式为

式中：j为分解层数；k、n为序列索引。

信息经过分解后，能够更有效地去除噪声干扰。为了从去噪后的信号中恢复出原始信号，基于分解后的逼近系数$ c_{k}^{j} $和细节系数$ d_{k}^{j} $，采用重构算法进行实现。公式为

本文搭建的实验平台主要由硬件和软件两部分组成。硬件主要包括计算机、数据传输线、彩色双目相机、目标物等。其中，计算机处理器为AMD Ryzen 5800 U、16 GB内存、单目相机采用普通版，分辨率为3072×4096×24 Bit。软件主要包括程序编译软件Matlab2023b、图像照片采集软件AMCap，操作系统为windows10。搭建的实验平台示意图如图2所示。

为了有效验证本文所提算法的有效性，减少其他外部影响因子的干扰，本文采用控制变量法的思想进行图像采集^[19]。首先，将目标物置于单目相机距1 m的位置；其次，调节灯光亮度来模拟不同强度下的弱光环境；最后，采集极弱光环境、微弱光环境、弱光环境下的目标物图像。图像数据集与弱环境下对应的灰度分布直方图见图3所示。

IEA-DWT算法的核心思路是采用光照增强算法联合离散小波去噪算法对图像进行预处理，以此来提升特征匹配过程中的图像质量。为了初步验证IEA-DWT算法在弱光环境条件下图像特征匹配过程中的有效性与合理性。选取一张微弱光环境下的图像进行初步验证，运用正确特征匹配对作为性能评价指标。考虑特征点匹配过程中的运行速度与匹配效果，本文选取SURF算法，并随机设置新光照增强算法中的光照增强系数为5，离散小波去噪算法中的小波基选取为“db5”。其实验流程如图4所示，实验结果如图5与表1所示。

初步实验结果表明：经IEA与DWT算法对匹配图像进行预处理后，再结合经典SURF算法，其图像特征点匹配对均得到有效提高，但IEA与DWT算法进行联合后，效果更为显著。因此，本文所提的IEA-DWT算法对图像进行预处理后，结合SURF算法，在弱环境下提高图像特征点匹配有着更好的效果。

光照增强联合离散小波变换算法主要用于提升弱光环境下的原始图像质量，以此提高弱环境条件下图像特征匹配对。在实际工况环境下，理论上来讲，不同弱光环境下，图像增强系数不同，会导致恢复出的图像质量不同。因此，为了验证该思想，以极弱光环境下的图像为基础，固定小波基类型为“db5”，设定光照增强系数$ \alpha $范围为[0，8]，考虑计算的运行速度，设置迭代步长为0.2进行粗迭代。最后得到相应匹配对数如表2所示，不同光照增强系数下的特征匹配对数目变化（粗迭代变换）效果如图6所示。

实验结果表明：当光照增强系数位于[0, 8]之间，特征点匹配数目对明显提升。但当光照增强系数为1时，特征点匹配数目趋近于0，效果并不理想。根据光照增强理论算法原理可知

当$ \alpha $为1时：

式中：P为原始图像；F为增强后的图像。

由此可得，$ \alpha $为1时，$ {{x}}_{4}=\mathrm{erf}[\lambda \times \arctan (\exp ({{x}}_{3}))]-0.5 {{x}}_{3} $算法中并未起到增强作用，可得光照增强系数$ \alpha $取值应避开1。综上，光照增强系数$ \alpha $在位于[0.2，7.2]时，对图像匹配时的图像预处理均存在影响。这表明在不同光照条件下，需寻找合适的增强系数$ \alpha $来进行图像预处理，才能得到最好的图像特征匹配效果。当$ \alpha $过大或过小时，IEA算法对图像预处理后，使用传统的SURF算法正确的匹配数量几乎趋近于0。初步验证可得，当光照增强系数$ \alpha $在[4，5]时，在对图像预处理后的特征点匹配有着明显提高，这也为下文细迭代给出了相应范围。

IEA-DWT算法是先对图像进行光照增强后再进行离散小波变换处理。其中，离散小波变换算法中包含多种小波类型，选取同一环境下的图像进行多组实验，固定新光照增强算法中的光照增强系数为5，改变小波类型，再结合SURF算法进行特征匹配，最后得到相应的特征匹配对如表3所示，可视化结果如图7所示。

实验结果表明：当其他影响因素不发生任何改变时，离散小波变换的分解层数为“2”时，特征匹配效果最好。而小波类型从“db1”迭代到“db10”时，图像特征匹配对波动幅度较小，位于[241，248]之间。综合文献[20-22]与实验结果，并结合实际工况环境下的效率与复杂性。选取小波基类型为“db5”作为后文细迭代的弱光环境图像特征匹配实验。

经初步算法验证结果，并结合光照增强系数与小波类型的实验数据和可视化结果可得：弱光环境下进行图像特征匹配的效果极差，经光照增强算法或离散小波变换后弱环境条件下的效果均会得到提升，且两种算法融合后效果更佳。依据初步验证的光照增强算法实验与离散小波变换实验可得，后文光照增强系数迭代范围为[0.2, 7.2]，离散小波变换类型选取“db5”，分解层数为2。

上述实验表明：针对不同的弱光环境，图像质量差异较大，光照增强系数也有所不同。为了充分验证本文光照增强融合离散小波变换算法的有效性，借助实验平台在弱光环境下采集了不同光照强度的左、右匹配图像。固定离散小波变换的小波基类型为“db5”，根据前期实验，分解层数为2时，能在保留细节与抑制噪声之间取得最佳平衡。光照增强系数的迭代范围设置[0, 8]，步长设定为0.1，具体步骤如下：

步骤①：分别输入左、右匹配图像；

步骤②：光照增强算法，迭代优化；

步骤③：引入离散小波变换；

步骤④：运用SURF算法进行特征点匹配，并利用RANSAC算法进行误匹配剔除；

步骤⑤：重复步骤Step2$ \rightarrow $ Step4，直到输出最优正确匹配对。本文算法的迭代过程如图8所示。

经多次迭代，实验结果表明：当测试集1、测试集2、测试集3迭代的光照增强系数对应为3.6、3.0、0.2时，弱光环境下的图像正确特征匹配对数目最多，对应为 76、228、480。最后，给出算法、IEA-SURF算法、DWT -SURF算法、本文算法的对比实验数据和匹配图像见表4和图9～图11所示，灰度分布直方图见图12所示。

图9～图11的图（a）～（d）分别对应经典SURF算法、IEA-SURF算法、DWT-SURF算法、本文算法（IEA-DWT-SURF）的特征匹配结果，图12为本文算法下的三种不同光照环境灰度分布直方图。从极弱光、微弱光、弱光三种不同光照环境下的特征匹配数目来看，经典SURF算法在弱光环境下的特征效果较差，经IEA-SURF算法、DWT-SURF算法后，在特征匹配效果上均有一定的提升，但本文所提及算法，在弱光环境下进行特征匹配相较于经典SURF算法、IEA-SURF算法、DWT-SURF算法效果最为显著。

表4展现了经典SURF算法、IEA-SURF算法、DWT-SURF算法、IEA-DWT-SURF算法在最优参数下的详细数据。结果表明：经IEA-SURF算法处理后的图像，在极弱光、微弱光、弱光三种不同光照环境下相比经典SURF的特征匹配数目从[0，17, 103]提升到[48，146，385]，平均正确特征匹配对数目提升约4.83倍。而经过DWT-SURF算法处理后的图像特征点匹配从[0，17，103]提升到了[50，145，337]，平均正确特征匹配对数目提升约4.43倍。最后经IEA-DWT-SURF融合算法处理后的图像特征点从[0，17, 103]提升到了[76，228，480]，平均正确特征匹配对数目提升约6.53倍，提升效果更为显著，说明融合后的算法在图像预处理上更为有效。最后给出了三种预处理方法（IEA, DWT, IEA-DWT）相比原始SURF在三个测试集上的平均正确匹配对数量对比，如图13所示。

针对弱光环境下图像亮度不足、细节湮没及噪声干扰导致特征匹配性能显著下降的关键性问题。提出了基于IEA-DWT的新型预处理算法。该算法以IEA 算法构建自适应亮度调节模型，提升图像整体亮度与局部对比度。随后引入 DWT 算法对增强后的图像进行多尺度分解，强化低频分量中的全局结构信息、保留高频分量中的有效边缘细节，同步抑制噪声主导的冗余高频分量。最终将优化后的图像输入SURF算法完成特征提取与匹配，形成完整的IEA-DWT-SURF特征匹配方案。

在覆盖不同弱光强度的图像数据集上的实验结果表明，所提 IEA-DWT-SURF 方法的正确匹配对数目，较传统 SURF 算法、IEA-SURF算法、DWT-SURF算法，平均正确特征匹配对提升效果最优，有效解决了弱光环境下图像特征匹配中细节模糊与噪声干扰的核心问题。此外，该预处理算法不依赖特征匹配算法的内部结构改进，可灵活适配 SIFT、ORB 等主流特征匹配方法，具备优异的通用性与可移植性，具有较高的实际应用价值。