医学影像作为疾病诊断的重要手段,日益受到人们的关注。特别是大脑医学影像往往作为大脑疾病诊断及治疗效果判断的重要依据,已成为当下计算机视觉领域研究热点之一。大脑医学图像配准技术作为医学图像融合、目标检测等多种复杂任务的基础,其重要性不言而喻。其中,基于特征的大脑医学图像配准技术具有速度快、鲁棒性强、针对性好等显著优势。但是该类方法精度较基于全像素的医学图像配准方法略差,且受图像中物体特征及环境噪声影响大。因此,为了加强基于特征的大脑医学图像配准方法性能,本文围绕该类方法展开研究,论文主要内容和创新工作如下:1)归纳总结了常见医学影像成像原理及其优缺点、配准分类方法、基本流程及所需的关键技术,同时对医学影像配准中的重点模块作详细描述,包括图像相似性测度算法、空间变换技术、图像插值方法及配准过程所使用的搜索优化算法。2)针对基于特征点描述的配准方法,借鉴蜘蛛网局部图像特征(spider local image feature,SLIF)描述子具有采样范围广(相对于传统采样模型且采样点相同的情况下)、采样范围可调节的优势,设计了一种新的描述子——改进的蜘蛛网局部特征(improved spider local image feature,ISLIF)描述子。该描述子利用图像自相似性质作为描述依据,将标准差作为自适应阈值调节相似度来描述图像的相似度特征;同时增强了描述的空域结构信息,将采样范围内全局邻域、环形邻域及径向邻域分别作为描述内容,纳入特征描述子,很好地遵循了设计特征描述子需尽可能保证不变性和可区分性的原则,大大提高了描述子的鲁棒性和稳定性,使得后续的医学图像配准性能得到显著提高。3)在基于图像分割的配准方法中,利用偏离场矫正模糊C均值聚类算法(bias corrected fuzzy c-means algorithm,BCFCM)处理多模态MR图像,该算法能够对光照不均匀的图像取得良好的分割效果。然后结合阈值分割、配准镜像对称(mirror symmetry via registration,MSR)对称轴检测算法和提出的稀疏对称性或稠密对称性约束算子,最终将多模态MR图像转换成人工模态图像用于配准,其配准精度大大提高。提出的算法很好地利用了各模态图像的一致性信息(大脑近似对称)来约束配准的多模态大脑图像,结合图像分割及对称算法用于图像配准算法的研究。同时,将提出的算法在合成医学图像和真实病人图像数据集上进行实验,对提出的对称性约束算子处理效果及方法中涉及的自由变量结合相关实验提出了一些参考建议。为了便于比较,还引入了相关方法的对比试验。实验结果表明,提出的算法在抗噪声能力、配准精度上具有显著优势。