Czy naprawdę musisz używać narożników Harrisa? Po narożnikach Harrisa opracowano wiele funkcji o lepszych właściwościach. Dobry przegląd można znaleźć w tym artykule:
Opierając się na tym artykule oraz na moich osobistych doświadczeniach, sugerowałbym przejście na MSER (Maksymalnie stabilne regiony zewnętrzne) , a nawet połączyć je z DoG (Różnica Gaussów) - funkcje przedstawione po raz pierwszy jako część potoku SIFT.
Jeśli problem naprawdę jest w niskim kontraście , funkcje MSER powinny naprawdę cię uszczęśliwić: są (dość) niezmienne dla zmian w oświetleniu. Krótko mówiąc, są one połączonymi regionami obrazu stabilnymi poprzez szereg różnych progresywnych binaryzacji.
Proces wyodrębniania funkcji jest niezależny od obliczania deskryptorów, dlatego integracja nowych sposobów ekstrakcji funkcji z procesem nie powinna być trudna.
Poza tym słyszałem (ale nigdy tak naprawdę nie pracowałem) na rogach Harris Multiscale jako rozszerzenie do rogów Harrisa. Niewiele o nich wiem i osobiście nie mogę polecić żadnych materiałów do czytania na ten temat, dlatego zostawiam wyszukiwanie artykułów i wybieranie najciekawszych materiałów.
Ponadto, czy mogę zasugerować, że opublikowany obraz może mieć inne problemy niż niski kontrast . Z mojego osobistego doświadczenia, roślinność podobna do krzaków lub ewentualnie pola, które masz, a także piękne bąbelkowe chmury zwykle wytwarzają „cechy ogólne” - cechy, które zwykle mają równie podobne (lub odmienne) deskryptory, jak wiele innych cech.
W praktyce oznacza to, że podczas dopasowywania elementów na dwóch obrazach z innej perspektywy elementy wyodrębnione z tego rodzaju powierzchni zwykle były fałszywie dopasowane. Zrobiłem pracę magisterską, która w dużej części dotyczy ekstrakcji cech do wykorzystania w dopasowywaniu cech, a następnie wykorzystywana do obliczania transformacji homografii między dwoma obrazami, kiedy natknąłem się na ten problem. W tym czasie nie znalazłem żadnych innych artykułów opisujących ten problem, ale moja teza może być pomocna w ogólnym podejściu.
Wreszcie, po ustawieniu, progi i techniki, które działają dobrze na większości obrazów, wyodrębniają małe cechy tego rodzaju obrazów, ze względu na ich w większości jednorodne obszary. Tego rodzaju obrazy stwarzają problemy z dopasowywaniem funkcji (które można rozszerzyć o łączenie obrazów), pobieranie obrazów w oparciu o treść, i zakładam śledzenie, a także podobne aplikacje. Żadna metoda obecnie nie działa na nich całkiem dobrze.
Metody, które działają dobrze na tego rodzaju obrazach, a także typowe przypadki są obecnie badane i badane, takie jak podejście, nad którym zacząłem krótko pracować w tej odpowiedzi .
