图像配准在医学图像分析中扮演着非常重要的作用。借助于图像配准技术,医生可以将不同时间或者不同设备拍摄的图像数据综合起来,从而获得病人更为全面的信息。一般来说,常用的图像配准方法可以分为两大类:基于图像特征信息的配准方法和基于像素灰度值信息的配准方法。在图像中,特定的区域,线,点等都可以视作特征。因为提取的特征只是图像的一部分,所以基于特征的匹配过程耗时相对较少。但是,较少数量的特征也带来了不利影响。例如,即使所提取的特征中异常量所占的比例较小,配准结果也会收到很大的影响。因此,基于特征方法所获得的配准结果的精度和准确度一般都较低。相反,因为将整个图像都考虑在内,所以基于像素灰度值的方法比基于特征的方法精确度要更高。但是由于对图像中所有的像素点进行了计算,所以基于像素灰度值的配准方法也比较耗时。此外,此类方法将图像中的像素点看作孤立的个体而忽略了像素点之间的空间联系,所以基于像素点灰度值的方法对扰动呈现较低的鲁棒性。为了解决图像匹配方法所存在的一些缺陷和不足,本文对相关问题做了深入的研究并取得了如下的一些成果。首先,本文提出了一种混合型的图像配准方法,我们称之为边缘和邻居体素相似度方法(Contour and Neighbor Volume Similarity,CNVS),它较好地融合了特征配准法和像素灰度值配准法各自的优势。该混合型方法的实施过程可以通过一个由粗到细的配准框架来描述。在粗配准阶段,首先提取图像中物体闭合的外轮廓线作为图像稳定的特征集,在用改进的豪斯多夫距离测度在全局范围内快速估计一个初步的参考图像与浮动图像之间的空间变换。然后针对特征方法在匹配外形对称的物体时可能出现误匹配的情况我们采用一种“对齐纠正”方案,确保初步空间变换的正确性。最后在细配准阶段,采用改进的特征邻域互信息方法(拥有多尺度的滤波机制)去获取更为准确的空间变换结果。此外,本文将一种均衡策略引入差分进化算法(Differential Evolution,DE)并将改进后的算法用于粗配准阶段的空间变换参数寻优。通过与一些最新的配准算法对多模脑部图像做配准研究,详细评测了所提混合型配准方法的性能。实验结果表明,我们的方法可以自动对齐待配准的图像对,配准精度和算法的鲁棒性都较高。然后,本文又提出了一种空间结构描述算子用图像表征,方便了多模图像对的配准。算子的建立仅仅依赖于图像的结构和空间信息而没有涉及像素灰度值关系,所以算子独立于图像的模态。特别地,为了挖掘图像的结构信息,我们在计量坐标系下计算出了低阶差分图像和高阶差分图像的最佳组合。实验结果表明,将绝对差值和(Sum of Absolute Difference,SAD)与该算子相结合作为相似度,比其他知名的相似度方法更鲁棒,更高效。