医学图像配准是当前医学图像研究领域的研究热点和研究难点,在临床诊断和治疗方面具有重要的意义。医学图像配准是指对一幅医学图像寻找一种(或一系列)的空间的变换,使它与另一幅医学图像上的对应点在空间坐标中达到一致。很多学者已经提出了很多医学图像配准算法,它们大体上可分为基于灰度驱动的图像配准算法、基于模型驱动的图像配准算法和综合算法。在医学成像过程中,往往有着被检查部位远远大于图像探测器面积的矛盾,需要将该部位分为几次拍摄,再按照一定的规则拼接起来,这就是医学图像拼接。医学图像拼接在医学领域有着广泛的应用前景。可以解决医学图像获取过程中由于视野的限制而无法得到完整的图像的问题,为诊断提供更好的依据。典型的医学图像拼接算法主要有基于变换域的方法,基于图像灰度的方法和基于特征的方法等。随着医学影像技术、计算机科学技术的不断发展,医学图像的计算机智能化诊断是医学图像处理与分析研究的最重要的目标之一。要实现计算机智能化诊断或计算机辅助诊断,信息的可对比性和完整性是至关重要的,而其中涉及到的技术就是图像的配准技术和图像的拼接技术。医学图像配准和医学图像拼接是医学图像研究的热点和难点。本文针对构建基于高分辨率CT图像的脑部疾病辅助诊断系统的需求,研究了基于特征点驱动的图像配准技术,并对图像拼接技术进行了初步探讨。在研究和分析特征点自动提取方法的基础上,着重研究了尺度不变特征变换(SIFT)算法,找出两幅CT图像的匹配的特征点,实现了特征点的自动匹配,为基于特征点驱动图像配准和图像拼接做好铺垫。进一步对基于模型驱动的配准算法中的基于特征点驱动的图像配准方法进行研究,采用薄板样条插值方法,实现了两幅脑CT图像的正确配准,并提出了采用区域特征向量来去除不正确匹配点的方法。论文还着重研究了基于特征的医学图像拼接方法,给出了对两幅医学图像实现正确拼接的详细算法和实施步骤,并提出了采用统计斜率最多法和随机抽样一致性法去除不正确匹配点的方案,保证了所拼接出来的图像的质量。