Você realmente tem que usar os cantos da Harris? Existem muitos recursos desenvolvidos após as curvas de Harris, com melhores propriedades. Uma boa visão geral pode ser encontrada neste artigo:
Com base nesse artigo, bem como em minha experiência pessoal, eu sugeriria mudar para o MSER (regiões extremas maximamente estáveis) ou mesmo combiná-las com o DoG (diferença de Gaussianos) - os recursos apresentados pela primeira vez como parte do pipeline do SIFT.
Se o problema realmente estiver em baixo contraste , os recursos do MSER realmente o deixarão feliz: eles são (razoavelmente) invariáveis a mudanças na iluminação. Em resumo, elas são regiões conectadas da imagem estáveis por meio de uma série de diferentes binarizações de limite.
O processo de extração de recursos é independente do cálculo dos descritores; portanto, não deve ser muito difícil integrar novas formas de extração de recursos ao seu processo.
Além disso, ouvi falar (mas nunca realmente trabalhei com) cantos de Harris em escala múltipla como uma extensão dos cantos de Harris. Eu não sei muito sobre eles e, pessoalmente, não posso recomendar nenhum material de leitura sobre esse tópico, então deixo a pesquisa de artigos e escolho os materiais mais interessantes para você.
Além disso, posso sugerir que a imagem que você postou pode ter outros problemas além do baixo contraste . Na minha experiência pessoal, vegetação como arbustos ou possivelmente o campo que você possui, bem como as adoráveis nuvens borbulhantes, tendem a produzir "características genéricas" - características que tendem a ter descritores igualmente semelhantes (ou diferentes) como muitas outras características.
Na prática, isso significa que, ao fazer a correspondência de recursos em duas imagens de uma perspectiva diferente, os recursos extraídos desses tipos de superfícies tendem a corresponder falsamente. Fiz uma tese de mestrado que, em grande parte, lida com a extração de recursos a ser usada na correspondência de recursos mais usada para calcular uma transformação de homografia entre duas imagens quando me deparei com esse problema. Não encontrei nenhum outro artigo descrevendo esse problema no momento, mas minha tese pode ser útil para sua abordagem geral.
Por fim, conforme você definiu, os limites e as técnicas que funcionam bem na maioria das imagens são extraídos para pequenos recursos nesse tipo de imagem, devido às suas áreas principalmente homogêneas. Esse tipo de imagem apresenta problemas na correspondência de recursos (que pode ser estendida à junção de imagens), na recuperação de imagens com base em conteúdo, e eu presumiria o rastreamento, assim como em aplicativos similares. Atualmente, nenhum método funciona muito bem neles.
Os métodos que funcionam bem nesse tipo de imagem, bem como nos casos típicos, estão sendo explorados e pesquisados atualmente, como uma abordagem na qual comecei a trabalhar brevemente descrita nesta resposta .
