Harris角点检测+python实现+特征向量，特征值理解。

概述

是一种基于图像灰度的方法通过计算点的曲率和梯度来检测角点。

基本原理

如果在各个方向上移动窗口，窗口中的灰度值都会发生较大变化，那么认定在窗口遇到了角点；
如果在一个方向发生变化，另一个方向不变，就可能是一条直线；
如果各个方向移动，窗口内灰度值都没有发生变化，不存在角点。

具体实现

注意相对于Moravec而言，Harris之所以更加优秀，是因为通过引入微分的思想，从而使每个方向都可以由x，y方向的微分合成。也就是说检测了各个方向的变化。

其中对后面那一项进行泰勒展开

写成自相关函数（二次型）形式

M矩阵是根据此次型形式写的矩阵，同时矩阵中每一项是窗口W中每个元素通过“加权”的方式求和得到，通常用高斯滤波器进行滤波Harris角点检测原理。

可以把自相关函数写成二次项函数的形式

1.至此一种做法是把它看做是椭圆方程：
为什么Harris角点检测用特征值？ 为什么Harris像素值变化量矩阵代表椭圆？【文中均有答案】
上文解释了为何M矩阵二次型就是椭圆，以及关于长短轴表述。
二次型中间矩阵特征值分解后，对角矩阵代表对圆的伸缩，两边正交矩阵代表对椭圆的旋转
其中关于矩阵特征值和特征向量的表述，推荐
如何理解矩阵特征值和特征向量？
2.另一种做法是从梯度分布以及PCA的角度分析：
图像处理——角点检测（Harris、Shi-Tomasi、亚像素检测）

用一种角点响应值来简化角点识别

Harris角点检测原理中描述判断角点的标准。

cv2.cornerHarris

其中的k就是上文中的k，求导使用的是sobel算子，返回的是一个R矩阵。
代码参考机器学习进阶-图像特征harris-角点检测 1.cv2.cornerHarris(进行角点检测)

# 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)#这里是设置红色
cv2.imshow('img', img)
cv2.waitKey(0)#在这里无限等待键盘输入
cv2.destroyAllWindows()#删除

img[dst > 0.01*dst.max()] = (0, 0, 255)意思是大于0.01倍最大的R就可以认为是角点。