简述Harris角点检测算法的基本原理和主要步骤

Harris角点检测算法是一种基于图像局部特征的角点检测技术，它的基本原理在于寻找图像中像素梯度强度变化显著的区域，因为这样的区域往往对应于物体边缘或角落，具有良好的描述性和稳定性。

主要步骤如下：

1. **计算灰度图像的梯度**：首先对输入图像进行灰度处理，然后通过Sobel算子或类似方法计算图像在x和y方向的梯度值，以及它们的导数。

2. **构建高斯核**：对梯度矩阵应用高斯滤波，以平滑图像并减少噪声的影响，同时保持局部结构信息。

3. **计算 Harris 矩阵**：使用以下公式计算每个像素处的Harris响应矩阵：

   H(x, y) = I_xx * Iyy - k * (I_xy)^2

其中 `I_xx` 和 `I_yy` 分别是x和y方向梯度的自相关系数，`I_xy` 是它们的互相关系数，k是调整因子（通常取0.04到0.06），这个矩阵衡量了像素周围的梯度变化是否一致。

4. **响应阈值判断**：对于每个像素点，计算Harris矩阵的最大特征值（λ1）和对应的特征向量。如果最大特征值大于预设的阈值（如常数乘以图像的最小主曲率），则认为该点是一个角点。

5. **非极大值抑制**：为了避免因小噪声导致的假角点，找出每个检测到的角点附近强度最大的邻域像素，如果其响应小于角点，则将其剔除。

6. **连接强邻接角点**：为了形成完整的角点集，将相邻且响应足够的角点合并。