医学图像配准是信息科学、计算机图像技术与当代医学等多学科交叉的一个研究领域,已经在临床治疗与术前诊断中有了广泛的应用。但由于受噪声、图像细节畸变和模糊度等问题影响,配准效果不甚理想,为此本文将SVC引入医学图像配准。作为一种关注度很高的聚类方法,SVC具有较高的聚类精确度和聚类速度,很好地解决了上述问题。论文主要工作如下:(1)研究了基于特征的医学图像配准。无论是特征点还是轮廓,在图像配准过程中都只是侧重图像中的一部分信息。基于轮廓的配准方法可以快速地实现图像配准,但是处理远离轮廓区域的能力较差。而特征点具有很强的灵活性,可以分布在图像的任何位置,但缺乏对图像整体变形的控制。(2)图像预处理对配准精度及鲁棒性有很大影响,噪声信号使得一些组织的边界变得模糊,细微结构难以辨别,本文提出一种基于SVC的多窗口医学图像去噪方法。实验结果表明,该方法在滤除噪声、保持图像细节无畸变和模糊度低等方面有较好的效果。(3)提出一种基于SVC的多种特征医学图像弹性配准方法,利用轮廓特征与点特征共同引导图像配准。首先,在粗提取的轮廓点集中使用SVC聚类,确定轮廓中的关键点集,以保持图像边缘清晰;然后,在特征点集中使用SVC聚类,确定特征点的准确位置,以保持图像细节无畸变。SVC的应用减少了特征点和轮廓中关键点的数量,有效地改善了计算效率;同时,以特征点间距离与轮廓间距离的正反向累加和作为图像配准的相似性测度,提高了配准的精度和鲁棒性,补偿了图像间的差异。