极大值极小值算法示意图

很抱歉，根据您提供的引用内容，我无法确定您所指的“极大值极小值算法”具体是哪一种算法。不过，我可以为您介绍一下常见的极值点检测算法——Harris角点检测算法。

Harris角点检测算法是一种经典的计算机视觉算法，用于检测图像中的角点。其基本思想是通过计算图像中每个像素点的局部自相关矩阵，来判断该点是否为角点。具体来说，该算法通过以下步骤实现：

1.计算图像中每个像素点的梯度值和梯度方向。

2.对于每个像素点，计算其周围像素的梯度值和梯度方向，并根据这些值构建一个局部自相关矩阵。

3.对于每个局部自相关矩阵，计算其特征值，判断该点是否为角点。如果该点的两个特征值都比较大，则说明该点是角点。

4.为了避免检测到重复的角点，可以使用非极大值抑制算法对角点进行筛选。

下面是一个简单的Python实现示例：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('image.jpg')

# 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 计算梯度
dx = cv2.Sobel(gray, cv2.CV_64F, 1, 0)
dy = cv2.Sobel(gray, cv2.CV_64F, 0, 1)

# 计算局部自相关矩阵
w = 5  # 窗口大小
k = 0.04  # Harris响应函数参数
h, w = gray.shape
R = np.zeros((h, w))
for i in range(w):
    for j in range(h):
        M = np.zeros((2, 2))
        for u in range(i - w // 2, i + w // 2 + 1):
            for v in range(j - w // 2, j + w // 2 + 1):
                if u < 0 or u >= w or v < 0 or v >= h:
                    continue
                dx2 = dx[v, u] ** 2
                dy2 = dy[v, u] ** 2
                dxy = dx[v, u] * dy[v, u]
                M[0, 0] += dx2
                M[0, 1] += dxy
                M[1, 0] += dxy
                M[1, 1] += dy2
        det = np.linalg.det(M)
        trace = np.trace(M)
        R[j, i] = det - k * trace ** 2

# 非极大值抑制
corners = []
for i in range(w):
    for j in range(h):
        if R[j, i] > 0.01 * R.max() and R[j, i] == np.max(R[max(0, j - 1):min(j + 2, h), max(0, i - 1):min(i + 2, w)]):
            corners.append((i, j))

# 在图像中绘制角点
for x, y in corners:
    cv2.circle(img, (x, y), 3, (0, 0, 255), -1)

# 显示图像
cv2.imshow('image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()