细胞内镜需实现最大倍率约500倍的连续放大成像，受光纤照明及杂散光的影响，其图像存在不均匀光照，且光照分布会随放大倍率的变化而变化。这会影响医生对病灶的观察及判断。为此，本文提出一种基于细胞内镜光照模型的图像不均匀光照校正算法。根据图像信息由光照分量和反射分量组成这一基础，该算法通过卷积神经网络学习图像的光照分量，并基于二维Gamma函数实现不均匀光照校正。实验表明，经本文方法进行不均匀光照校正后，图像的光照分量平均梯度和离散熵分别为0.22和7.89，优于自适应直方图均衡化、同态滤波和单尺度Retinex等传统方法以及基于深度学习的WSI-FCN算法。

针对非均匀光照图像存在局部过暗或过亮区域而导致图像对比度低、细节不清晰和可视化效果差的问题，提出了一种基于对称亮度映射和虚拟多曝光融合的图像增强方法。该方法通过颜色空间转换保留输入图像的色度和饱和度分量并分离出亮度分量进行增强。根据相机响应模型，采用图像信息熵和平均梯度最大化原则估计最优曝光比，设计了一种对称亮度映射函数用于虚拟生成对应的最优增强曝光图像和减弱曝光图像，从而与原始亮度分量一起组成具有不同曝光的图像序列，再使用带细节提升的多曝光融合方法对该图像序列重构即得到增强结果。实验结果表明，本文方法在7个公开数据集上的图像信息熵、平均梯度、图像对比度、颜色一致性评价指标均值分别为7.644，9.209，450.683，0.962，均优于对比方法，获得了动态范围高、对比度强、细节清晰和可视化效果好的增强结果。

针对当前视觉检测系统LED光源照度优化研究中存在的照度效果评价因素单一、照度优化方法通用性不足等问题，以芯片封装质量视觉检测为例，提出一种基于改进樽海鞘算法的LED光源照度优化方法。该方法在单个LED光源照度数学模型基础上，建立标准条形LED阵列光源照度数学模型，获取条形LED阵列在任意空间位姿与被测面的照度值；基于照度均匀度、照度梯度变化与对中度、平均照度、目标与背景区分度等因素建立平面照度效果评价函数；提出改进樽海鞘算法，通过改进算法收敛系数、速度、领导者与追随者位置等更新策略，增强区域搜索的多样性；应用改进樽海鞘算法对平面照度效果评价函数进行优化求解，获取具有最优照度效果的空间位姿参数。实验结果表明：考察优化区域的相对照度分布，文中提出的LED光源照度优化方法所得照度分布与实际测量所得照度分布结果基本一致，目标区域理论照度均匀度在98.78%以上，误差在5.57%以内。因此文中提出方法优化目标合理，可用于视觉检测系统具有最优照度效果时光源位姿信息参数的获取。