医学图像配准是指通过寻找某种空间的变换,使来自不同成像时间、不同或相同成像传感器、不同成像角度的同一组织的两幅或多幅图像的对应点在解剖结构上达到一致。医学图像配准技术在临床研究中有重要的应用,包括肿瘤检测、放射定位、可视化手术、结构匹配等等,是目前的一个研究热点。本文详细的分析了医学图像配准的基础理论以及各种关键技术,对医学图像弹性配准算法进行了初步的研究。弹性图像配准算法中有很多参数初始值需要人为确定,比如正则化参数、变形场初始参数、优化函数中的步长初始参数以及步长变化方式等等,这些配准初始参数的选择对配准过程有着重要的影响,本文着重对医学图像弹性配准过程中的初始参数自适应选择问题进行了研究,主要内容如下:1.研究了特征在弹性配准中的作用,着重对Sift特征点提取与匹配算法进行了研究,结合医学图像的特点,通过限制特征点的匹配范围,减少了错误的匹配点,提高了特征点匹配的正确率与速率;并对特征点匹配对数目进行了监视,通过调整匹配阈值的大小对匹配对数目进行调整,以保证配准过程的正确运行。2.研究了弹性配准算法中的初始参数的自适应选择问题。通过将Sift提取的特征应用到了配准算法变形函数中,实现了变形场初始参数的自适应选择,增强了算法的自适应性;并且在优化过程中克服了部分局部极小值的困扰,减少了寻优的时间,使配准速度得到了加快。3.设计了一种自适应步长选择算法,克服了步长初始值对优化函数的影响,在迭代中的步长自适应调整也加快了目标函数的收敛速度。通过实验证明,该步长自适应选择算法在收敛速率以及初始步长的自适应调整方面都有显著的效果。对实验结果进行分析可以看出,通过对配准中的初始参数的自适应选择,基于特征的自适应正则化算法在配准准确性、配准速度以及配准自适应方面都取得了不错的效果。