医学图像配准有多种，根据人工交互形式的多少，医学图像配准可分为手动配准和自动配准。此外，根据转换方式的不同，医学图像配准可分为刚性配准与非刚性配准，刚性配准过程中包括简单的平移变换和旋转变换，适合刚性目标的配准，而对于复杂的人体胸腔器官，刚性配准并不适合，非刚性配准更具潜力。文献[3]对常用的非刚性配准方法进行了综合性介绍。此外，对图像自动配准进行归类，图像自动配准方法大体分为基于灰度的方法、基于特征的方法、和基于变换域的方法。27538
基于灰度的配准算法是在所需的文度上找到一个变换，而这个变换把参考点移动到对应的位置，可以视为一个优化性的问题[4]。这样的变形匹配算法有的基于空间变换，有的基于物理模型。基于空间变换较广泛的研究使用的基函数法、和多项式法实现。而基于物理模型的方法是假定图像之间的差异是由于某些物理模型代表的变化而产生的，主要的配准思想是用公式模拟这些物理变形，通过这些物理模型对图像进行改变，最终达到配准的目的。目前，主要的物理模型分为三种：弹性模型、粘流体模型和光流模型。弹性模型指的是将参考图到目标图之间的配准变换过程建立成类似弹簧的弹性施力模型，这个过程由外力和内力来共同控制，外力是外外部作用在弹性物体上的力，内力是抵抗外力压迫而生成的内部驱动力，当内力和外力互相作用，使得变形达到平衡点时，作用过程结束。在弹性模型中，较大的形变会相应产生较大的内部弹力，内部弹力会阻止配准过程中的大范围形变，因此弹性模型仅适合小的形变情况下的配准。粘性流体模型是将源图像建模为粘性流体的物理模型，这个流体就在内力下先和目标图进行结合，内部力在整个配准过程中得到应用，粘性流体模型不仅可以进行部分小的形变的模拟，也能够对大范围的变形进行模拟，能够适应任何变化的配准。光流场模型，光流出现于计算机视觉，能够弥补连续图像之间的视觉点与物体的运动差异[5,6]。论文网
基于特征的方法通过利用图像的部分特征点或特征像素进行配准，由于减少了配准点的数量，从而大大减少了运算时间，然而，由于用于配准的图像信息不完整，并且特征的选取往往需要人工操作，费时费力。基于特征的配准方法中，尺度不变特征变换算法(SIFT)[8]有较广泛的应用,该方法有很好的旋转和尺度不变性，但是容易出现很多异常引入错误以及误匹配错误，因此很多学者提出了一些改进方法。例如，Wu等[9]提出结合蚁群算法提高效率的SIFI-FCACO方法。Herbert Bay等提出的SURF算法[15]使用块状滤波(Boxlet)[10]和积分图来进行图像滤波，其计算效率相对于SIFT提高了约5倍。此外，一些学者提出结合区域选择方式改进特征配准[11]。例如，Mikolajczyk 和Schmid 提出的Harris—Laplace特征提取算法[12]在位置可重复性、定位精确度、尺度不变性等方面均有较好的性能。另外，文献[13]通过剔除冗余区域来提升匹配效果。同时，很多的特征点提纯算法也被开发出来，用于加工提取的特征，例如，随机采样一致算法RANSAC[14]。
     基于区域变换的方法，是对待配准图像进行分块,根据分块后处理的情况整合成完整的配准。这里有许多值得借鉴的基于区域变换的方法，第一种方法就是多项式函数方法，该方法能够模拟全局形状上的变化，但是却不能调整局部形状的变化；第二种方法是样条法，该该法能够在在两幅图像中确定一组控制点，目标函数的点经过映射，在参考图像上找到对应；第三种是基函数法，使用各种基函数进行组合，然后将这些组合用于描述形变场[5]。 医学图像配准算法国内外研究现状:http://www.youerw.com/yanjiu/lunwen_22051.html