本文是本人看bilibili教学结合官方文档的观后笔记，链接在下：

（全）基于python的Opencv项目实战_哔哩哔哩_bilibili

如果有什么理解不到位的地方，欢迎指正。

理论：

先放角点定义（百度百科）：角点就是极值点，即在某方面属性特别突出的点。 当然，你可以自己定义角点的属性（设置特定熵值进行角点检测）。 角点可以是两条线的交叉处，也可以是位于相邻的两个主要方向不同的事物上的点。

opencv中的解释:corners are regions in the image with large variation in intensity in all the directions.

在图像上表现在：在不同的方向像素值有较大变化。

 于是可以利用各个方向移动强度的不同，判断是否为角点，公式如下：

 第一项为权值函数，可以为方形加权，也可以为高斯加权

第二项基于泰勒展开

 其中：泰勒公式：

 

 可以近似等于：

其中两个偏导数可以用梯度函数，例如：sobel()

公式容易看出为二次型，可以写为：

其中：

根据矩阵加法，将累加符换入矩阵中。

 由数学定理可知：实对称矩阵必可以相似对角化。所以M中的矩阵可以化为对角矩阵：

其实是一个椭圆方程：

写为方程式：

 所以：

当λ1与λ2都很大时，表示在U，V方向变化快速，应为角点。

故，可以用一个函数来说明图像特征关系，来自官方文档：

当|R|值很小，意味着：λ1与λ2都很小，检测点为flat

当R<0，意味着λ1>>λ2或者λ2>>λ1，检测点为边界

当R值很大，意味着：λ1与λ2都很大，且近似相等，检测点为角点

函数：

        cornerHarris(img,blocksize,ksize,k)->dst

       •dst -  返回一个单通道数组

       • img - 数据类型为 float32 的输入图像。
　　• blockSize - 角点检测中指定区域小。
　　• ksize - Sobel 求导中使用的窗口大小
　　• k - 取值参数为 [0,04,0.06] 

代码：

import cv2 as cv
import numpy as np
img = cv.imread("test_1.jpg"
#需要传入灰度图像
grayimg = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
#返回的结果是一个单通道数组
grayimg = np.float32(grayimg)
dst= cv.cornerHarris(grayimg,2,3,0.04)
img[dst>0.01*dst.max()] = [0,0,255]
cv.imshow("Harris corner",img)
cv.waitKey(）

 结果：