前面已经做过 Sobel 梯度、边缘方向和纹理分析，这次继续往"特征点"方向走一步。
这次我用华为云码道辅助开发了一个：
OpenCV Harris 角点检测工具。
它可以自动寻找图片中灰度变化明显、两个方向都具有较强变化的位置，并把这些位置作为角点标记出来。
1. 这次工具做什么？
主要功能包括：
- 上传 JPG / PNG 图片
- 自动转换灰度图
- 使用 Harris Corner Detection
- 调节 Block Size
- 调节 Kernel Size
- 调节 Harris K
- 调节 Threshold Ratio
- 在图片上标记角点
- 统计 Corner Count
- 支持下载检测结果
整体流程：
图片
→ 灰度化
→ Harris Response
→ 阈值筛选
→ 聚合相邻候选点
→ 输出角点
2. 什么是 Harris Corner？
Harris Corner Detection 是一个经典角点检测算法。
它主要寻找这种位置：
无论向哪个方向移动，局部灰度都会发生明显变化。
比如：
直线内部通常只在一个方向变化明显。
平坦区域基本没有变化。
而真正的角点，在多个方向上都会出现明显变化。
所以像：
建筑拐角
眼睛边缘
鼻子轮廓
纹理交叉位置
都比较容易产生较强 Harris Response。
3. 核心代码怎么实现？
先转成灰度图：
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)gray = np.float32(gray)然后调用：
response = cv2.cornerHarris( gray, blockSize=2, ksize=3, k=0.04)这次实际参数：
- Block Size：2
- Kernel Size：3
- Harris K：0.04
得到的 response 就是每个位置对应的 Harris 响应强度。
4. Threshold Ratio 是怎么用的？
并不是所有响应都算角点。
这次使用：
Threshold Ratio = 0.010
先找到最大响应：
Maximum Response = 6.1586 × 10⁷
然后计算阈值：
Threshold
= Maximum Response × Threshold Ratio
= 6.1586e7 × 0.01
= 6.1586e5所以最终：
Threshold Value = 6.1586 × 10⁵
只有响应强度超过这个值的位置，才进入角点候选区域。
5. 为什么不能直接统计所有红色像素？
如果直接写：
mask = response > thresholdcorner_count = np.count_nonzero(mask)会有一个问题：
同一个真实角点周围，可能连续很多像素都超过阈值。
这样一个角点就可能被统计成几十个甚至上百个点。
所以这次工具没有直接统计所有响应像素，而是：
把相邻候选区域聚合，再保留一个代表角点。
这样最终得到的 Corner Count 更合理。
6. 真实测试结果
这次继续使用狗狗公园图片。
图片尺寸：
1650 × 953
最终得到：
- Corner Count：605
- Maximum Response：6.1586 × 10⁷
- Threshold Value：6.1586 × 10⁵
- Block Size：2
- Kernel Size：3
- Harris K：0.04
- Threshold Ratio：0.010
最终一共检测到：
605 个角点区域。
7. 角点主要出现在哪里？
从检测结果可以看到，红色角点主要集中在：
狗狗眼睛
鼻子
嘴巴
耳朵和毛发边缘
草地
树叶
建筑结构
这些位置都有一个共同特点：
局部结构变化比较明显。
而：
天空
湖面
大面积平滑区域
基本不会出现大量角点。
这和 Harris 的检测逻辑是一致的。
8. Block Size、Kernel Size、K 分别是什么？
Block Size
决定计算局部结构时参考多大的邻域。
这次：
2
Kernel Size
是 Sobel 梯度计算使用的窗口大小。
这次：
3
Harris K
是 Harris 响应公式中的经验参数。
常见值通常在：
0.04～0.06
这次使用：
0.04
这些参数都会影响最终角点数量和灵敏度。
9. Threshold Ratio 为什么很重要？
Threshold Ratio 越低：
检测会更敏感。
角点数量通常更多，但也更容易产生弱响应点。
Threshold Ratio 越高：
只保留更强的角点。
数量会减少，但结果更加严格。
这次使用：
0.010
最终检测出：
605 个角点
说明当前图片本身纹理和结构比较丰富。
10. 总结
这次用华为云码道辅助开发了一个：
OpenCV Harris 角点检测工具。
核心流程：
Grayscale
→ Harris Response
→ Threshold
→ Connected Region
→ Corner Marker
真实测试结果：
- Corner Count：605
- Maximum Response：6.1586 × 10⁷
- Threshold Value：6.1586 × 10⁵
- Block Size：2
- Kernel Size：3
- Harris K：0.04
- Threshold Ratio：0.010
最终可以看到，角点主要集中在狗狗脸部、毛发、草地、树叶和建筑等结构变化明显的位置。
这一篇相比前面的边缘分析又进一步：
边缘告诉我们"哪里发生了变化"，角点则告诉我们"哪里结构更有辨识度"。
下一篇可以继续做：
图片里的关键点怎么找？用华为云码道开发 OpenCV FAST 特征点检测工具
这样可以从 Harris 继续过渡到更实际的 Keypoint Detection。