Túneis subterrâneos, galerias integradas e outros ambientes apresentam iluminação insuficiente e forte interferência de poeira e névoa. Robôs com pernas em rodas, ao inspecionar esses espaços não estruturados, facilmente geram vibrações de alta frequência, causando baixa estabilidade na sequência de imagens capturadas pela câmera de profundidade embarcada, reduzindo a precisão da reconstrução 3D. Para resolver esses problemas, este artigo propõe um método de realce e estabilização de imagem voltado para condições complexas; primeiramente, a imagem é processada para atenuar os efeitos das variações de iluminação e da poeira e névoa; em seguida, é construído um framework de estimação de movimento ramificado duplo baseado no rastreamento de características KLT (Kanade Lucas Tomasi) e no fluxo óptico piramidal LK (Pyramidal Lucas Kanade): o ramo KLT usa o algoritmo RANSAC (Random Sample Consensus) para eliminar pontos de correspondência anômalos, obtendo uma estimativa esparsa do movimento das características; o ramo de fluxo óptico LK utiliza clusterização K-means para selecionar os vetores de movimento principais, obtendo uma estimativa contínua do fluxo óptico. Também é proposta uma estratégia adaptativa de fusão de confiança que, por meio da atribuição dinâmica de pesos, obtém uma estimativa global de movimento e realiza compensação quantitativa na imagem original para gerar uma sequência de imagens estável. Resultados experimentais validam que o método KLRK-Stab (Estabilização Robusta baseada em KLT e LK) supera outros algoritmos nos indicadores PSNR (Peak Signal-to-Noise Ratio) e SSIM (Structural Similarity Index Measure). Na reconstrução 3D, a espessura da nuvem de pontos convergiu de 0,111~0,163 m antes da estabilização para 0,058~0,084 m, indicando melhora na precisão da reconstrução 3D; este método melhora efetivamente a confiabilidade da reconstrução 3D.

condições complexas;realce e estabilização;rastreamento de características;fluxo óptico;precisão da reconstrução 3D