我已经实现了一个基于Harris 角的特征检测器。它在大多数情况下都能正常工作，但在某些情况下表现不佳。我需要让它在许多不同的图像上工作，而不需要单独配置。
问题在于检测器阈值。如果设置得太低，检测器会触发太多次，从而导致大量特征。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）部分解决了这个问题，以在为它们分配描述符向量之前减少特征数量。
但是，像这样的图像是问题所在：
它们的对比度很低，我不能“负担”为所有图像设置太低的阈值。它会导致检测器在这些图像上工作，但其他图像将包含数十万个特征，使用 ANMS 过滤这些特征会很慢，这会损害整体性能。
我正在考虑在特征检测之前调整图像。也许直方图均衡可以完成这项工作。这可能是一个有效的操作，因为对比度的全局变化对特征描述符没有影响（它们对于亮度和对比度的变化是不变的）。
也许使用自适应阈值或一些启发式会更好。
还有其他建议吗？
你真的必须使用哈里斯角吗？哈里斯弯道后发展了许多特征，具有更好的性能。可以在本文中找到一个很好的概述：
根据那篇文章以及我的个人经验，我建议切换到MSER（最大稳定外部区域），或者甚至将它们与DoG（高斯差）结合起来——这些功能最初是作为 SIFT 管道的一部分呈现的。
如果问题真的是低对比度，那么 MSER 特性应该真的让你高兴：它们（相当）不受光照变化的影响。简而言之，它们是通过一系列不同阈值二值化稳定的图像连接区域。
特征提取过程独立于描述符的计算，因此将新的特征提取方法集成到您的过程中应该不会太难。
另外，我听说过（但从未真正使用过）多尺度哈里斯角作为哈里斯角的延伸。我对它们了解不多，个人不能推荐任何关于这个主题的阅读材料，所以我把文章搜索和挑选最有趣的材料留给你。
此外，我是否可以建议您发布的图像可能存在除低对比度之外的其他问题。以我个人的经验，像灌木丛或可能是你拥有的田地这样的植被，以及可爱的气泡云往往会产生“通用特征” ——这些特征往往具有与许多其他特征相同（或不同）的描述符。
实际上，这意味着当从不同的角度对两张图像进行特征匹配时，从这些表面提取的特征往往会被错误地匹配。我已经完成了一篇硕士论文，其中很大一部分涉及用于特征匹配的特征提取，当我遇到这个问题时，它会进一步用于计算两个图像之间的单应变换。当时我没有找到任何其他描述这个问题的文章，但我的论文可能对你的整体方法有所帮助。
最后，正如您设置的那样，适用于大多数图像的阈值和技术提取到此类图像中的小特征，因为它的区域大多是同质的。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、跟踪以及类似的应用程序中存在问题。目前没有任何方法对它们非常有效。
目前正在探索和研究对此类图像以及典型案例效果良好的方法，例如我开始研究的一种方法，在此答案中进行了简要描述。
一种可能性是进行简单的边缘检测（例如拉普拉斯），并使用结果的平均强度作为哈里斯角阈值的基础。当你有低对比度时，你会得到更少的边缘和更低的强度，当你有高对比度时，你会得到更多的边缘和更高的强度。
你不是唯一一个在这个问题上苦苦挣扎的人。如果您可以访问纸质数据库，这可能会很有趣：
更多地搜索（自动）自适应哈里斯角检测可能是值得的。