該環(huán)節(jié)的主要操作包括噪聲去除、圖像增強、畸變校正：通過高斯濾波、中值濾波等算法剔除圖像中的傳感器噪聲與環(huán)境干擾噪聲；通過直方圖均衡化、對比度拉伸等技術增強圖像紋理對比度，尤其針對光照不均的場景，需采用自適應光照校正算法平衡不同視角圖像的亮度差異；畸變校正是關鍵步驟，通過相機內(nèi)參標定結果，利用畸變模型（如Brown-Conrady模型）修正鏡頭徑向畸變與切向畸變，將畸變圖像還原為理想的針孔成像圖像，避免畸變導致的同名點匹配誤差。第三個環(huán)節(jié)是特征提取與同名點匹配，這是立體視覺重建的核心執(zhí)行環(huán)節(jié)，直接決定視差計算的準確性。特征提取的目標是從預處理后的圖像中提取具有唯一性、穩(wěn)定性與可區(qū)分性的特征點（如角點、邊緣、紋理特征），常用算法包括SIFT（尺度不變特征變換）、ORB（具有旋轉不變性和尺度不變性的特征算法）、SURF（加速穩(wěn)健特征）等，其中ORB算法因速度快、對光照變化適應性強，被廣泛應用于實時重建場景；對于紋理稀疏或無紋理的目標（如光滑金屬件、白色塑料件），需采用基于邊緣、輪廓或人工標記點的特征提取方式。同名點匹配則是在不同視角圖像中尋找對應同一空間點的特征點，首先通過特征描述子的相似性（如歐氏距離、漢明距離）進行初步匹配，再通過幾何約束剔除誤匹配點——最常用的是極線約束，基于相機外參標定結果，確定某一特征點在另一幅圖像中的可能匹配區(qū)域（極線），僅在極線附近搜索匹配點，大幅提升匹配效率與精度；此外，還可結合單應性約束、RANSAC算法（隨機抽樣一致性算法）進一步剔除異常匹配點，確保匹配結果的可靠性。第四個環(huán)節(jié)是視差計算與深度恢復，核心是將匹配后的同名點轉化為視差圖，再通過視差與深度的映射關系求解三維坐標。視差計算算法可分為稀疏視差計算與稠密視差計算：稀疏視差計算僅針對匹配成功的特征點計算視差，適用于對重建速度要求高、無需完整表面信息的場景（如目標定位）；稠密視差計算則針對圖像中的每個像素計算視差，生成完整的稠密視差圖，適用于需要高精度完整三維模型的場景（如文物重建、工業(yè)檢測）。常用的稠密視差計算算法包括塊匹配算法（BM）、半全局匹配算法（SGM）、基于深度學習的視差估計算法等，其中SGM算法通過融合多個方向的路徑代價，在速度與精度之間取得較好平衡，是工業(yè)級重建場景的主流選擇；基于深度學習的算法（如PSMNet、GCNet）則通過神經(jīng)網(wǎng)絡自動學習圖像特征與視差映射關系，在復雜光照、遮擋場景下的匹配魯棒性更強，視差圖精度更高。得到視差圖后，結合相機內(nèi)參（焦距）與基線距離，通過視差-深度映射公式（深度Z = 焦距f × 基線B / 視差d）即可求解每個像素對應的三維深度信息，生成稀疏或稠密的三維點云。第五個環(huán)節(jié)是點云優(yōu)化與三維建模，核心是提升三維數(shù)據(jù)質(zhì)量，生成完整、精準的三維模型。初步生成的點云通常存在噪聲、冗余點、缺失區(qū)域等問題，需通過點云濾波算法（如統(tǒng)計濾波、半徑濾波、雙邊濾波）剔除噪聲點與孤立點，通過點云簡化算法（如體素柵格下采樣）減少冗余點，提升后續(xù)處理效率；對于多視角重建形成的多片點云，需通過點云配準技術（如ICP算法、NDT算法）將不同視角的點云統(tǒng)一到同一世界坐標系，實現(xiàn)點云拼接；針對點云缺失區(qū)域，可通過插值、曲面擬合或多視角融合的方式進行補充。