1.cv2.cornerHarris(gray, 2, 3, 0.04) # 找出图像中的角点
参数说明：gray表示输入的灰度图，2表示进行角点移动的卷积框，3表示后续进行梯度计算的sobel算子的大小，0.04表示角点响应R值的α值
角点检测：主要是检测一些边角突出来的点，对于A和B这样的面上的点而言，一个卷积框在上面移动，框中的基本像素点不发生变化， 对于像C和D边界点，只有x或者y轴方向上的平移，像素框内的像素会发生偏移，而对于E和F这样的角点而言，不管是像x轴或者向y轴平移，像素框内的像素都会发生偏移, 就好比图中的绿色方框一样
角点检测的基本原理，使用一个3*3的卷积框，在图上每一点进行平移操作，对于当前位置，在向上或者向下，向左或者向右平移一个像素点后的，两个图像像素点之间的差异，即w表示的是加权值，可以全部都是1，也可以使用高斯卷积，以此对中心点的像素改变做加权
使用一阶泰勒展开对I(x+∆x, y+∆y) 进行泰勒展开 等于 I(x, y) + Ix * ∆x + Iy*∆y + o(x, y) Ix表示∂I(x, y) / ∂x 即该点对x方向上的梯度，同理Iy
对上述式子进行化解操作
c（x, y, ∆x, ∆y） = (Ix * ∆x + Iy*∆y) ^ 2
将上述式子进行拆分 c（x, y, ∆x, ∆y） = (Ix * ∆x + Iy*∆y) ^ 2 = [∆x, ∆y] * M * [∆x, ∆y]
那么上述的式子就化解乘了A∆x ^ 2 + 2C*∆x * ∆y +∆y ^ 2 这是一个斜椭圆方程，对M(x, y)进行特征变换, 获得特征值λ1和λ2，即最终的表示为λ1*∆x ^ 2 + λ2*∆y ^ 2
即对斜椭圆做了一个变化，使得其是一个正椭圆，结果不变
举例说明，λ1越大，那么x轴的方向上∆x变化，所引起的变化也就越大，即像素的变化越大
根据λ1和λ2的对比，我们可以知道x方向和y轴方向的y轴的像素变化情况，因此可以判断到底是什么边界
右边的是角点响应值，用来进行实际的计算
在一个角点附近可能存在多个角点，因此我们需要对角点做一个极大值抑制操作
代码：
第一步：读入图片
第二步：对图片进行灰度值变化
第三步：使用cv2.cornerHarris进行角点检测
第四步：判断dst > dst.max() * 0.01 的角点在图上进行标红
# cv2.cornerHarris() import cv2 # 进行角点检测 # 第一步：读取图片 img = cv2.imread('test_1.jpg') # 第二步:进行灰度化 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 第三步：进行角点检测 dst = cv2.cornerHarris(gray, 2, 3, 0.04) # 第四步：进行画图秒点操作 img[dst > 0.01*dst.max()] = (0, 0, 255) cv2.imshow('img', img) cv2.waitKey(0) cv2.destroyAllWindows()
