图像配准技术方法研究
医学图像配准技术的研究与应用
医学图像配准技术的研究与应用一、背景介绍医学图像是指通过医疗设备获取的人体内部信息的图像数据。
医学图像具有不同的模态，例如X光、CT、MRI、PET等。
医学图像配准技术是将多幅不同模态或者同一模态但不同位置的医学图像的空间位置对应起来，在三维空间内的重叠区域进行像素级别的比较和分析，进而为疾病的诊断、治疗和手术提供更准确和可靠的依据。
二、技术原理和方法图像配准技术包含两个基本步骤：对两幅或多幅图像进行几何或者形态变换以使它们在某种度量下相同，并将它们的像素值对齐。
如图1所示，左侧为MRI图像，右侧为PET图像，需要进行配准。
简单的图像配准技术包括：刚性配准、仿射配准和非刚性配准。
1. 刚性配准刚性配准是指图像经过平移、旋转和缩放等变换后相互匹配。
这种方法适用于需要同时解决多种问题的情况。
在医学领域，临床医生可以将不同的模态图像，如MRI和CT，进行刚性配准以实现完整的诊断。
2. 仿射配准仿射配准是指图像的变换被限制在缩放、旋转和平移这三种变换上。
该方法可以对图像进行透视变换，同时实现对医学影像的重建。
这种方法也常常被用来对不同部位的医学影像进行配准。
3. 非刚性配准非刚性配准是指对图像进行弹性变换，使得各部分的空间位置均相匹配。
可以通过非刚性配准技术将MRI和PET图像进行配准，实现对人体细胞分布的更为详尽的观察和分析。
非刚性配准技术在肺、脑、心脏等部位的图像配准中被广泛应用。
三、技术应用医学图像配准技术已经成为临床医疗中重要的工具。
以下是该技术在不同领域的应用：1.临床医学在生物医学领域，医学影像配准技术可以帮助医生更好地理解人体结构，从而提供更加全面的临床诊断和治疗方案。
医学影像配准技术在眼科、神经学、心血管学、肿瘤学等领域中得到广泛应用。
2.手术辅助医学影像配准技术可以在手术之前通过预测患者的病情帮助医师制定更好的决策，使患者更好地理解和接受手术治疗。
手术过程中，医学影像配准技术可以帮助医生更好地定位病变组织，为手术提供更准确的操作。
医学图像配准技术研究
医学图像配准技术研究医学图像配准技术是医学影像学中的重要分支，主要是将两个或多个不同模态、不同采集时段或不同个体的医学图像对齐在同一空间中，从而实现有效的比较、分析和诊断。
目前，医学图像配准技术已经广泛应用于癌症治疗、手术导航、心脑血管病诊断、神经科学研究，以及人脑功能等领域。
图像配准技术的研究已经历经多年的发展，经历了从传统的手工方法到自动化方法的转变。
下面将从不同角度对医学图像配准技术的研究进行介绍。
一、传统的手工配准方法在计算机图像技术尚未发达的早期，医学图像配准技术是采用人工手动标记点的方法进行匹配。
这种方法是通过人工选择两幅图像中的一些特征点，对其进行配对，从而找到两张图像的相对位置关系。
然后通过简单的变换，使这些特征点对齐，并将整个图像进行变形，最终得到对准的医学图像。
虽然这种方法可以准确地配准两张图像，但需要大量的人力和时间成本，且难以应用于多幅图像的配准上。
二、基于特征的自动配准方法为了解决手工配准方法的缺点，基于特征的自动配准方法应运而生。
它使用计算机算法自动找到两张医学图像中的相似特征，然后将两张图像进行配准。
这种方法通常采用特征点或者特征描述子来描述医学图像中的相似特征。
常用的特征点包括角点、边缘点、Blob点等。
特征描述子则是一种在特征点周围提取出来的局部特征，用于对比医学图像中不同特征点的相似度。
基于特征的自动配准方法已经被广泛应用于医学图像中，其中最常见的是基于SURF特征的配准方法。
该方法是一种在特征检测和描述子匹配的基础上，采用随机抽样一致性算法来得出匹配结果的方法。
三、基于形变的配准方法基于形变的配准方法是在保证局部特征匹配的前提下，进一步利用MRF、SVM和ANN等模型来考虑整个医学图像的几何形态。
这种方法可以克服基于特征点的配准方法对于区域形变影响的不足，增加了形变信息。
基于形变的配准方法常用的算法有两种，一种是基于光流场模型的配准方法，它通过计算医学图像中不同区域的形变量，来得到两张图像的变形矩阵。
遥感影像处理中的图像配准技术研究
遥感影像处理中的图像配准技术研究遥感影像作为一种远程获取地球表面信息的手段，已经广泛应用于农业、林业、城市规划、地质勘探等领域。
在遥感影像处理中，图像配准技术是非常重要的一步，它可以将不同时间、不同角度、不同分辨率、不同传感器获取的遥感影像精确地拼接起来，为后续的数据分析和信息提取提供准确的基础。
图像配准技术的基本概念图像配准是指将不同图像空间中的图像通过一系列变换，使得它们在相同的空间坐标系中具有相似的几何特征和像素值。
图像配准技术可以分为点匹配和区域匹配两大类。
点匹配是指在两幅图像中找出对应的特征点，通过计算这些特征点的坐标变换关系来进行图像配准。
常用的特征点匹配方法有SIFT、SURF和ORB等。
这些方法利用图像中的局部不变性特征点，在不同的图像中寻找出携带相同信息的点，然后通过点匹配对图像进行配准。
区域匹配是指在两幅图像中找出特征区域，以此来进行配准。
常用的区域匹配方法有基于互相关的方法和基于相位相关的方法。
其中基于互相关的方法是最简单的区域匹配方法，它利用图像中的像素值相似度进行匹配，并通过计算变换矩阵把两幅图像对齐。
基于相位相关的方法则是通过将图像转换到频域进行滤波、反变换等处理，从而实现图像配准。
图像配准技术在遥感影像处理中的应用在遥感影像处理中，图像配准技术是非常重要的一步。
由于遥感影像分辨率不同，光学成像区域不同等因素的影响，所获取的遥感影像之间存在较大的差异，必须经过配准才能拼接成一幅完整的图像。
同时，配准后的遥感影像还需要通过遥感影像处理技术来进行分析和提取信息。
图像配准技术在遥感影像处理中的应用广泛，其中最为常见的是农业、林业和城市规划等领域的应用。
在农业领域中，图像配准技术可用于对不同时间或不同角度获得的遥感影像进行配准，从而得出关于植物的生长状态、地面覆盖率等信息。
在林业领域中，图像配准技术可用于不同时间、不同季节甚至不同年份获得的遥感影像进行比较，从而了解森林变化、伐木状况等情况。
医学影像图像配准技术研究与应用
医学影像图像配准技术研究与应用在医学影像学领域，图像配准技术是一项非常重要的技术。
该技术的主要作用是将两个或多个医学影像图像的坐标系对齐，以便医生可以更方便和准确地进行病情分析、诊断和治疗。
随着计算机图像处理和医学影像学的快速发展，图像配准技术已成为医学影像研究和临床应用中不可或缺的一环。
医学影像图像配准技术主要包括两个方面：空间配准和时间配准。
空间配准是指将不同摄像设备采集到的不同类型的医学影像图像对齐，让它们在同一个空间中对比显示；而时间配准是指将同一个患者在不同时刻采集到的医学影像图像对齐，以分析疾病发展和治疗效果。
不同类型的医学影像图像包括CT图像、MRI图像、PET图像、X光图像、脑电图（EEG）图像、心电图（ECG）等。
医学影像图像配准技术的研究和应用可以提高医疗诊疗水平和效率，帮助医生更好地诊断和治疗患者。
同时对于科研人员而言，它也具有非常重要的意义，因为它可以方便地对比分析和研究不同类型的医学影像，以便研究疾病发展、治疗和预防等方面的问题。
在医学影像图像配准技术研究和应用中，主要有以下几种方法：一、基于空间特征的医学影像图像配准技术在医学影像空间配准中，常用的技术是将两张甚至多张医学影像图像中的特征点对其进行匹配。
这些特征点可以是彼此之间间隔相等的网格点，也可以是图像中的特定结构或轮廓线，或者是特定颜色的像素等。
采用这些特征点进行匹配可以降低图像配准的计算量，提高计算速度和处理效率。
然而，由于医学影像图像的数据类型和分辨率都不同，特征点的匹配和确定需要一定的专业知识和技能。
此外，医学影像中所包含的噪声、伪像和患者体位变化等因素也对特征点的匹配和图像配准产生了一定的影响。
二、基于相似度的医学影像图像配准技术相似度匹配是一种常见的医学影像图像配准技术，其主要思想是通过相似度度量来确定两张医学影像图像之间的位置关系。
在此基础上，通过不断调整其位置和角度来实现图像配准。
相似度匹配常用的方法有正定核（Positive Definite Kernel）和互信息（Mutual Information）方法。
基于深度学习的图像配准方法研究
基于深度学习的图像配准方法研究一、引言随着图像处理和计算机视觉技术的不断发展，图像配准作为其中的一个重要研究领域，受到了广泛的关注。
图像配准的目标是将多个图像中的相同场景对齐，以有效地进行图像融合、目标跟踪、医学影像分析等应用。
传统的图像配准方法往往需要手工选择特征点，再通过优化算法进行对齐，存在计算复杂度高和容易受到图像干扰的问题。
而基于深度学习的图像配准方法能够自动学习图像的特征并进行对齐，具有更好的鲁棒性和准确性。
本文将对基于深度学习的图像配准方法进行研究和探讨。
二、基本概念1. 图像配准图像配准是指将多个图像的位置关系对齐，使得它们在几何结构或像素强度上保持一致。
图像配准有两个基本任务，即特征提取和特征匹配。
特征提取是从图像中提取出能够表示图像内容的特征，通常包括角点、边缘等局部特征。
特征匹配则是通过计算两个图像的特征之间的距离或相似度，找到相同特征点的对应关系。
2. 深度学习深度学习是机器学习的一个分支，通过模拟人脑神经细胞网络的结构和功能，实现对数据的自动化处理和学习。
深度学习通过多个神经网络层次的连接和学习来提取和表示数据的复杂特征，广泛应用于图像识别、语音识别等领域。
三、基于深度学习的图像配准方法1. 卷积神经网络（CNN）方法卷积神经网络是深度学习的核心模型之一，已经在图像处理和计算机视觉任务中取得了重大突破。
在图像配准中，CNN主要用于特征提取。
通过对原始图像进行卷积和池化操作，提取出具有鲁棒性和可区分性的图像特征。
然后将提取出的特征输入到后续的配准算法中，完成图像对齐。
2.生成对抗网络（GAN）方法生成对抗网络是一种通过训练生成器和判别器来学习数据生成分布的方法。
在图像配准中，GAN可以用来生成配准前后的图像对，通过比较生成对的图像对之间的差异，评估配准结果的准确性。
通过训练生成器和判别器的对抗，可以使得生成的图像对更加接近真实的配准结果。
3.循环神经网络（RNN）方法循环神经网络是一种可以处理序列数据的深度学习模型，通过自循环单元来保存和传递之前的信息，并对当前输入进行处理。
基于深度学习的跨模态图像配准技术研究
基于深度学习的跨模态图像配准技术研究跨模态图像配准是医学图像处理领域中非常重要的一项应用，能够将不同的医学图像（如CT、MRI等）之间进行配准，提高图像重建的准确性和可视化效果。
传统的跨模态图像配准方法通常基于特征点匹配或者图像统计学方法，这些方法往往受到噪声、失真等因素的影响，导致配准效果较差。
近年来，深度学习技术的快速发展使得基于深度学习的跨模态图像配准成为了一个热门的研究方向。
本文将从深度学习的角度出发，分析当前的研究进展和未来的发展方向。
一、传统的跨模态图像配准方法在介绍基于深度学习的跨模态图像配准方法之前，我们先简单介绍传统的跨模态图像配准方法。
传统的配准方法主要包括以下两种：1. 特征点匹配方法：通过在图像中提取特征点，并对这些特征点进行匹配，从而实现图像配准。
其中比较常用的特征点包括SIFT、SURF、ORB等。
这种方法主要的问题在于对于一些模糊或者失真的图像，特征点的提取和匹配往往无法取得好的效果，导致配准效果不佳。
2. 图像统计学方法：通过对图像进行一系列的数学变换（如旋转、平移、缩放等），并比较变换后的图像与目标图像之间的相关性，从而实现图像配准。
这种方法的优点是适用于各种类型的图像，且配准效果相对较好。
但是，在实际应用中，由于医学图像往往包含噪声和失真等因素，导致统计学方法的配准效果也不尽如人意。
二、基于深度学习的跨模态图像配准方法近年来，随着深度学习技术的快速发展，越来越多的研究开始尝试将深度学习应用于跨模态图像配准中。
相比传统的跨模态图像配准方法，基于深度学习的方法具有以下几个优点：1. 自动学习特征：深度学习模型可以自动学习特征，无需手动提取特征点，因此可以避免传统方法中由于高噪声和低对比度等因素导致的匹配精度下降。
2. 鲁棒性更强：深度学习模型具有更强的鲁棒性，能够更好地适应多种图像类型的配准。
3. 更高的配准精度：通过深度学习模型，可以实现更高的配准精度，从而提高医学图像诊断的准确性和可视化效果。
计算机视觉中的图像配准与目标跟踪技术研究
计算机视觉中的图像配准与目标跟踪技术研究随着计算机视觉技术的不断发展，图像配准与目标跟踪技术已经成为了计算机视觉领域中的重要研究方向。
图像配准是指将两幅或多幅不同的图像中的对应特征点进行匹配，使它们对应位置一致的过程。
而目标跟踪则是指从连续的图像序列中自动检测并跟踪目标对象，同时保持目标对象的姿态、形状和尺寸不变。
本文将围绕图像配准与目标跟踪技术展开探讨。
一、图像配准技术1. 非刚体变换配准在图像配准中，最简单也是最基础的方法是刚体变换配准。
但是，刚体变换配准无法解决非刚体的变换，因此，研究者们又逐渐发展了一些非刚体变换的配准方法。
其中，双向均值形变是常用的非刚体变换方法之一。
该方法可以在一定范围内对目标进行形变，同时保证其特征点始终对应相同的位置。
这种方法在面对形态各异的目标时能够提供更为精确的配准效果。
2. 相位相关性方法相位相关性方法是基于频域特性的配准方法。
该方法通过对待配准的两幅图像进行傅里叶变换，提取出其相位谱和幅度谱，再通过对相位谱进行相关度计算，得到两张图像的最佳匹配位置。
该方法具有精度高、鲁棒性好等优点，因此在医学影像领域中得到了广泛的应用。
但是，相位相关性方法也有很大的局限性，如对图像变形、旋转等情况无法实现精确的配准。
3. 基于特征提取的方法基于特征提取的方法是比较常见的一种图像配准方法。
通过对两幅图像中的关键点进行提取，再通过计算这些关键点的特征值，然后通过特征点之间的匹配实现图像配准。
该方法可以适应多种图像变换，因此在图像配准领域中得到了广泛的应用。
限制该方法的主要因素是关键点提取的稳定性和准确性。
二、目标跟踪技术1. 基于特征匹配的目标跟踪基于特征匹配的目标跟踪是一种非常常用的目标跟踪方法。
该方法通过从原始图像中提取目标特征值，再通过一个匹配函数对当前图像帧中的目标进行匹配，从而实现目标跟踪。
该方法相对简单，但是在面对视角变化、光照变化等情况时，会出现跟踪失败甚至跟踪错误的情况。
图像处理中的图像匹配与图像配准技术研究
图像处理中的图像匹配与图像配准技术研究图像匹配与图像配准是计算机视觉和图像处理领域的重要研究课题。
图像匹配是指在不同图像中找出相同物体或场景的过程，而图像配准是将不同图像中相同场景或物体对齐的过程。
在计算机视觉、遥感、医学图像等领域，图像匹配和配准技术具有广泛的应用前景。
图像匹配的目标是找到一组对应关系，将两个或多个图像中相同物体或场景的像素点对应起来。
图像匹配的困难之处在于图像中可能存在多个相似的特征点或区域，而且图像噪声、光照变化、遮挡等因素都会对匹配过程造成干扰。
图像匹配的常用方法包括特征点匹配、颜色直方图匹配、形状匹配等。
特征点匹配是一种常用的图像匹配方法，它通过提取图像中的特征点，并寻找两幅图像中具有相同或相似特征的点进行匹配。
特征点可以是角点、边缘点、斑点等在图像中具有独特性的点。
特征点匹配的过程通常包括特征提取、特征描述和特征匹配三个步骤。
常用的特征点匹配算法包括SIFT（尺度不变特征变换）、SURF（加速稳健特征）和ORB（增强的Oriented FAST and Rotated BRIEF）等。
颜色直方图匹配是一种基于颜色分布的图像匹配方法，它主要通过比较两幅图像的颜色直方图的相似性来进行匹配。
颜色直方图可以根据像素的颜色信息统计图像中不同颜色的像素点的数量，并进行归一化处理。
然后，可以通过计算两幅图像的颜色直方图之间的距离或相似性指标来进行图像匹配。
颜色直方图匹配常用于图像检索、目标识别和图像对准等应用。
形状匹配是一种基于图像形状的匹配方法，它通过比较两个图像的形状特征来判断它们是否匹配。
形状特征可以通过图像轮廓、边缘、角点等信息来描述，常用的形状特征包括Hu 矩、Zernike矩和小波描述子等。
形状匹配的关键是选择合适的形状特征和相似性度量方法，以准确地判断图像是否匹配。
与图像匹配相似，图像配准也是将多个图像对齐的过程。
图像配准可用于图像拼接、遥感影像纠正、医学图像重建等应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图像配准技术方法研究摘要随着信息技术的迅猛发展，图像配准技术已经在军事、遥感、医学、计算机视觉等多个领域得到了广泛的应用。
图像配准技术是图像处理的一个基本问题，它是将不同时间、传感器或视角下获取的相同场景的多幅图像进行匹配的图像处理的过程。
三类图像配准的方法大致如下：基于灰度的图像配准方法。
基于变换域的图像配准方法。
基于特征的图像配准方法。
本文将应用这三种方法对图像配准进行研究。
并重点研究基于特征的图像配准方法。
关键词图像配准，特征点匹配，灰度插值，控制点的提取AbstractThe technology of image registration is being widely used in the military, remote sensing , medical, computer, visual and any other fields with the rapid development of information technology. The technology of image registration is a kind of process to match different pictures getting from different periods and different cameras but a same scene, it is a basic point to handle the pictures. There are three kinds of ways to do the image registration:According to the level of the color of gray getting from the pictures.According to transforming domains.According to the features The three kinds of ways will be used to discuss the image registration in the thesis, and the way according to the features will be discussed more in the thesis.Key words: Image registration, Match feature points, Gray inerpolation ,Collect the control points目录1.绪论 (1)1.1课题研究目的及意义 (1)1.2国内外对本课题涉及问题的研究现状 (1)2.研究方法与研究内容 (3)2.1研究内容 (3)2.2研究方法 (3)3.图像配准的常用方法 (4)3.1图像配准的定义 (4)3.2基于灰度的图像配准方法 (5)3.3基于变换域的图像配准方法 (6)3.4基于特征的图像配准方法 (8)3.4.1特征提取 (8)3.4.2变换模型 (10)3.4.3坐标变换与插值 (13)3.4.4图像配准实现 (17)4.实验设计及分析 (18)4.1图像配准实验一 (18)4.1.1研究对象 (18)4.1.2 过程实现 (19)4.2图像配准实验二 (24)4.2.1研究对象 (24)4.2.2过程实现 (25)实验总结 (34)参考文献 (35)致谢 (36)附录 (37)1.绪论1.1课题研究目的及意义图像配准是遥感图像处理、目标识别、图像重建、机器人视觉等领域中的关键技术，是多传感图像融合的基础。
军事、遥感、医学、计算机视觉等许多领域都需要图像配准，实际应用过程可能会有所不同，但其中关键的因素是类似的。
经过多年的研究，图像配准技术已经取得了众多研究成果，但由于图像配准的输入数据来源的多样性，以及配准问题的复杂性，还有待于更进一步的发展。
图像配准是图像融合技术的基本环节和首要问题，只有经过配准后的图像才能进行有效的融合，目标定位，变化监测，高分辨率图像的重建等后续处理工作，处理结果的好坏将直接影响后续工作质量。
1.2国内外对本课题涉及问题的研究现状国外从20世纪60年代就开始在图像配准领域进行研究，但直到1980年代才开始引起学者们的关注。
到上世纪末，单模图像配准问题已基本解决，但多模图像配准由于涉及模式和领域的复杂性，仍需密切关注。
国际上对图像配准技术曾做过调查，其结论是1990年代初技术文献明显增加。
而国内从1990年代初才开始涉足此领域。
图像配准最早在美国七十年代从事的飞行器辅助导航系统、武器投射系统的末制导以及寻地等应用研究中提出。
八十年代后，在很多不同领域都有大量配准技术的研究，如遥感领域，模式识别，自动导航，医学诊断，计算机视觉等。
由此可见，图像配准技术经过多年研究，不论国内外，发展的都非常迅速，已经取得了许多研究成果。
图像配准的高精度、图像配准算法的强鲁棒性、图像配准算法的配准速度以及图像配准的自动化一直以来都是图像配准领域所不断追求的目标。
2.研究方法与研究内容2.1研究内容本论文主要是对图像配准技术方法进行研究。
讨论了图像配准技术的常用方法，包括基于灰度的图像配准方法，基于变换域的配准方法以及基于特征的图像配准方法，并通过一定的理论分析来了解每种图像配准技术的特点。
除此之外，本文还重点就基于特征的图像配准方法展开的深入的讨论研究，并通过一系列的实验来具体实现不同图像的配准。
2.2研究方法该论文主要是运用一系列图像处理手段，对待配准的图像进行一定的变换与处理，例如:投影变换，非线性变换，刚体变换，放射变换，傅里叶变换，坐标变换与插值等，从而实现不同图像间的高精度配准。
3.图像配准的常用方法所有的图像配准方法都可以概括为两类，相对配准和绝对配准。
相对配准指的是从多个图像中选择一张图像作为参考，而其他图像与之相配准，坐标任意。
绝对配准指的是定义一个控制网络，其他图像都与之相配准，进而分别完成各个分量图像的几何校正，实现坐标系的统一。
本论文主要研究图像的相对配准。
目前，根据图像配准中利用的图像的信息区别将配准方法分为三类：基于灰度的图像配准、基于变换域的图像配准和基于特征的图像配准。
3.1图像配准的定义图像配准就是寻求图像之间一对一的映射的过程，即两幅图在空间和灰度上的映射[1]。
假设给定尺寸的二维矩阵图像I1(x,y)和I2（x,y）,分别表示相对位置（x,y）上的灰度值。
图像配准的关键问题就是图像之间的空间和几何变换。
I1(x,y)作为参考图像，而I2(x,y)作为待配准图像。
令f表示一个二维空间的坐标变换，设变换后图像为I f(x,y)，则参考图像I1(x,y)与变换后的图像I f(x,y)之间的关系为：I f(x,y)=f(I1(x,y))根据配准的定义，希望变换后的图像I1(x,y)与待配准图像I2（x,y）的对齐度最大。
此时变换f是一个二维空间域坐标的几何变换，即为：（x’,y’）=f(x,y)3.2 基于灰度的图像配准方法基于灰度的配准方法通常不需要对图像进行复杂的预处理，而是利用图像的某些统计信息来作为度量图像的相似程度。
主要的特点是实现较为简单，但应为的范围较窄，不能直接用于校正图像的非线性形变，并且在最优变换的搜寻过程中通常需要巨大的运算量。
经过多年发展，人们提出了多种基于灰度的图像配准方法，主要分为三类：序贯相似检测算法、互相关算法、交互信息算法。
（1） 序贯相似检测算法序贯相似检测算法（Sequential Similarity Detection Algorithms ，SSDAS ）是由Barnea 等人提出来的，这种方法具有效率高，处理速度快的特点[6]。
首先这个方法实际上是个误差绝对值的积累，在非匹配的图像位置，累加时E(a,b)增长较快，而在匹配图像位置上E(a,b)随累加次数增加而变得缓慢。
如果先选择一个简单的固定门限T ，若在某点上计算两幅图像残差和的过程中，残差和大于该固定门限T ，就认为当前点不是匹配点，从而终止当前的残差和的计算，转向别的点去计算残差和，最后认为残差和增长最慢的点就是匹配点。
这种方法就是固定门限的SSDA 算法。
上述E(a,b)为一个在计算上更为简单的相似性度量准则：(,)(,)(,)x y E a b T x y f x a y b =---∑∑（2） 互相关算法互相关算法是最基本的基于灰度统计的图像配准的方法，它常常被用在进行模板匹配和模式识别。
通过计算模板图像和搜索窗口之间的互相关值大小来确定匹配程度，互相关值最大时的搜索窗口位置决定模板图像在待配准图像中的位置。
以上的相似准则方法都是传统基于灰度的相关运算。
（3）交互信息算法Viola等人和Collignon等人于1995年分别把交互信息引入到图像配准领域，这是一个新的解决图像配准问题的方向，那就是基于信息理论的交互信息相似准则[2]。
最初的目的是为了解决多模态医学图像的配准问题。
交互信息用来比较两幅图像的统计依赖性。
交互信息是建立在概率密度估计的基础上的，它要求的计算量很大，由此函数可能出现病态，并且会出现大量的局部极值。
当两幅图达到最佳匹配时，它们对应的灰度互信息应该达到最大。
3.3 基于变换域的图像配准方法变换域最主要的方法是傅氏变换方法。
它具有以下优势：图像的平移，旋转，比例，仿射变换都能在傅里叶变换域中体现出来，利用变换域方法还有可能获得一定程度的抵抗噪声的鲁棒性[4]。
由于傅里叶变换的成熟的快速算法和易于硬件体现，因而在算法实现中也有独特的优势。
相位相关技术是两幅图像配准的平移失配的基本傅里叶变换方法。
相位相关依据的是傅里叶变换的平移特性。
源图像傅氏频谱平移后的图像平移后傅氏频谱旋转后的图像旋转后的傅氏频谱如上图所示，平移不影响傅氏变换的幅值，对应的幅值谱和原图像是一样的。
旋转在傅氏变换中是小变量。
根据傅氏变换的旋转特性，旋转一幅图，在频域相当于对这幅图的傅氏变换做相同的旋转。
在噪声的敏感性喝计算的复杂性上变换域配准方法有一定优势，但这一方法只限于傅氏变换的不变性，只适用于傅氏变换中旋转、平移的图像转换中，此时就需要基于特征的图像配准方法来解决[10]。
3.4基于特征的图像配准方法基于特征的图像配准首先要对待配准图像提取图像信息的特征，然后再利用提取得到的特征完成两幅图像特征之间的匹配，并通过特征的匹配关系来建立图像间的配准映射关系。
对于基于特征的图像配准方法而言，它的一般配准步骤通常为：特征提取，变换模型，坐标变换与插值，图像配准实现等步骤。
3.4.1特征提取对于大多数图像配准操作而言，在正式进行图像配准之前，对参考图像和带配准图像进行准确而有效的图像特征提取是十分必要的。