特征检测之前的图像处理

我已经实现了基于Harris角的特征检测器。在大多数情况下，它都能正常工作，但是在某些情况下，它的性能会很差。我需要使其在许多不同的图像上工作而不需要单独配置它。

问题出在检测器阈值上。如果设置得太低，检测器会发射太多次，从而导致大量功能。如果设置得太高，则功能太少。

我已经通过ANMS（自适应非最大抑制）解决了部分问题，以减少特征数量，然后再为它们分配描述符向量。

但是，像这样的图像是一个问题：

它们的对比度低，我不能“负担”所有图像的阈值。这将使检测器在这些图像上起作用，但是其他图像将包含成千上万的特征，而使用ANMS进行过滤将很慢，并且会损害整体性能。

我当时正在考虑在特征检测之前调整图像。直方图均衡也许可以胜任。这可能是有效的操作，因为全局对比度的改变对特征描述符没有影响（它们不变地改变亮度和对比度）。

也许使用自适应阈值或一些启发式方法会更好。

还有其他建议吗？

一种可能是进行简单的边缘检测（例如Laplace），并使用结果的平均强度作为哈里斯拐角阈值的基础。对比度低时，边缘较少，强度较低，对比度高时，边缘较多，强度较高。

您不是唯一在这个问题上苦苦挣扎的人。如果您可以访问书面数据库，这可能会很有趣：

• 基于块处理的自适应哈里斯角点检测算法

可能需要更多地搜索（自动）自适应哈里斯角检测。

您是否真的必须使用Harris角？哈里斯弯道后开发出许多具有更好性能的功能。可以在本文中找到一个很好的概述：

• AL Dahl，H。Aanæs和KS Pedersen。寻找最佳特征检测器-描述符组合

根据该文章以及我的个人经验，我建议切换到MSER（最大稳定的外部区域），或者甚至将它们与DoG（高斯差分）结合起来-这些功能最初是作为SIFT管道的一部分提出的。

如果问题确实是对比度低，那么MSER功能应该真的会让您感到高兴：（相当）它们不会改变照明。简而言之，它们是通过一系列不同的阈值二值化而稳定的图像连接区域。

特征提取过程与计算描述符无关，因此将新的特征提取方法集成到过程中应该不难。

另外，我听说过（但从未实际使用过）多尺度Harris角作为Harris角的扩展。我对它们了解不多，因此我个人不推荐有关该主题的任何阅读材料，因此，我将搜索文章并挑选最有趣的材料交给您。

此外，我是否建议您发布的图像可能会出现其他问题，而不是低对比度。以我个人的经验，像灌木丛这样的植被，或者可能是您拥有的田野，以及可爱的气泡云往往会产生“一般特征”，这些特征往往具有与许多其他特征相同（或不同）的描述词。

实际上，这意味着当从不同的角度对两个图像进行特征匹配时，从这类表面提取的特征往往会被错误地匹配。我完成了一篇硕士论文，主要涉及特征提取，以用于特征匹配，当我遇到此问题时，该特征匹配进一步用于计算两个图像之间的单应性变换。当时我没有发现任何其他文章描述此问题，但是我的论文可能会对您的整体方法有所帮助。

最后，正如您所设定的那样，由于大多数区域都是均匀的，因此在大多数图像上都可以正常工作的阈值和技术只能提取出此类图像中的微小特征。这种图像在特征匹配（可以扩展到图像拼接），基于内容的图像检索方面存在问题，我将假定跟踪以及类似的应用程序。目前尚无任何方法可以很好地解决这些问题。

目前正在研究和研究在此类图像以及典型情况下都适用的方法，例如我在此答案中简要描述的开始使用的方法。