1.cv2.cornerHarris(gray, 2, 3, 0.04) # 找出圖像中的角點
參數說明：gray表示輸入的灰度圖，2表示進行角點移動的卷積框，3表示后續進行梯度計算的sobel算子的大小，0.04表示角點響應R值的α值
角點檢測：主要是檢測一些邊角突出來的點，對於A和B這樣的面上的點而言，一個卷積框在上面移動，框中的基本像素點不發生變化， 對於像C和D邊界點，只有x或者y軸方向上的平移，像素框內的像素會發生偏移，而對於E和F這樣的角點而言，不管是像x軸或者向y軸平移，像素框內的像素都會發生偏移, 就好比圖中的綠色方框一樣
角點檢測的基本原理，使用一個3*3的卷積框，在圖上每一點進行平移操作，對於當前位置，在向上或者向下，向左或者向右平移一個像素點后的，兩個圖像像素點之間的差異，即w表示的是加權值，可以全部都是1，也可以使用高斯卷積，以此對中心點的像素改變做加權
使用一階泰勒展開對I(x+∆x, y+∆y) 進行泰勒展開 等於 I(x, y) + Ix * ∆x + Iy*∆y + o(x, y) Ix表示∂I(x, y) / ∂x 即該點對x方向上的梯度，同理Iy
對上述式子進行化解操作
c（x, y, ∆x, ∆y） = (Ix * ∆x + Iy*∆y) ^ 2
將上述式子進行拆分 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 這是一個斜橢圓方程，對M(x, y)進行特征變換, 獲得特征值λ1和λ2，即最終的表示為λ1*∆x ^ 2 + λ2*∆y ^ 2
即對斜橢圓做了一個變化，使得其是一個正橢圓，結果不變
舉例說明，λ1越大，那么x軸的方向上∆x變化，所引起的變化也就越大，即像素的變化越大
根據λ1和λ2的對比，我們可以知道x方向和y軸方向的y軸的像素變化情況，因此可以判斷到底是什么邊界
右邊的是角點響應值，用來進行實際的計算
在一個角點附近可能存在多個角點，因此我們需要對角點做一個極大值抑制操作
代碼：
第一步：讀入圖片
第二步：對圖片進行灰度值變化
第三步：使用cv2.cornerHarris進行角點檢測
第四步：判斷dst > dst.max() * 0.01 的角點在圖上進行標紅
# cv2.cornerHarris() import cv2 # 進行角點檢測 # 第一步：讀取圖片 img = cv2.imread('test_1.jpg') # 第二步:進行灰度化 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 第三步：進行角點檢測 dst = cv2.cornerHarris(gray, 2, 3, 0.04) # 第四步：進行畫圖秒點操作 img[dst > 0.01*dst.max()] = (0, 0, 255) cv2.imshow('img', img) cv2.waitKey(0) cv2.destroyAllWindows()
