首先，将低对比度特征与噪声区分开来，然后是可能的替代行动方案来解决我认为您正在尝试做的事情。

根据我的经验，区分噪点和低对比度特征是一件很难的事情。当您尝试对图像进行边缘检测时，问题经常出现。使用最常见的算法，如 Canny、Sobel、LoG 等，通常会产生大量噪声，这取决于您设置的参数（例如：需要设置（选择）“阈值”以定义边缘候选像素在哪个强度值下被分类为边缘的一部分，那么如果噪声比正确边缘更“强烈”怎么办？）

那么，立体对应/视差有什么意义呢？一些学者解决了噪声边缘检测的问题，现在有一个非常好的边缘检测器，即伯克利边缘检测器，它使用机器学习技术来“改进”边缘检测。

这里有 3 张图片，左边是原始的，中间是 Canny 边缘的，右边是伯克利的。（图片来源：ETHZ-Shape-Class Dataset）

您可以看到（虽然可能对 Canny 进行了一些调整）伯克利提供了比 Canny 更好（噪音更小）的边缘图。

因此，您可以看到，您可以尝试采用一些技术来区分噪声中的显着特征。我不能保证它会起作用，因为我自己没有做过。另外，请注意，这些机器学习算法非常慢，这妨碍了它们在图像的实时处理中的使用。

这就是说，您真正想要做的是通过相关技术测量图像之间的差异，这显然并不成功。让我告诉你所谓的关键点描述符。你可以在那里阅读这个主题。广义的想法是能够评估两个图像之间一些（很多）特征的对应关系。它通常用于对象检测（您想要在输入图像中查找某个对象的存在和位置）或图像拼接（例如全景图制作器，您想要“对齐”两个或更多图像）。现在，你怎么知道你有两个图像对应于同一个对象？这些使用关键点描述符的方法最终给出了相似度的度量两个图像之间。实际上，他们中的许多人都在测量特征之间的差异，以判断它们是否相似......

我希望您能够更好地了解这种情况。这不是直接的预制解决方案，但它可以帮助您的工作！