医学图像配准是医学图像处理领域中的一项重要技术,对临床诊断和治疗有着重要的作用。现代医学经常需要将几幅图像结合起来进行分析,以便获取更多的医疗信息。序列图像提供了比单一图像更丰富的信息,对序列图像进行分析,更有利于对目标的监测与跟踪分析。对序列图像进行分析之前首先要解决图像间对应点的严格对齐问题,也就是所谓的图像配准。医学显微序列图像的自动配准是长期以来一直未能很好解决的一个重要问题。本文主要对医学显微序列图像的自动配准技术进行研究。提取和匹配图像特征是实现图像自动配准的一种重要方法。SIFT(尺度不变特征变换,Scale Invariant Feature Transform)最初是作为一种关键点的特征被提出来的,这种特征对图像的尺度变化和旋转变化是不变的,而且对于光照的变化和图像变形具有较强的适应性,同时,这种特征还具有较高的辨别能力,有利于后续匹配。因此,SIFT正是图像配准领域中一个热门的前沿研究方向。本文提出一种自动的配准方法。结合医学显微序列图像的数据特点,将SIFT特征检测算法引入到显微序列图像的配准中,并针对SIFT特征描述符的高维数和高复杂度问题对特征描述符的提取方法进行了改进,降低了特征描述符的维度,简化了特征提取算法步骤,再采用双向匹配算法,剔除部分错误匹配点,最后采用随机采样一致性算法(RANSAC)去除误匹配点对以提高匹配的准确性,估计变换模型参数。统计结果表明,改进后的SIFT算法相比于传统的配准方法在保证图像配准准确度的前提下,算法复杂度和运行时间上都有了明显的降低。