外科手术导航系统中,利用人体嵌入基准标记物来辅助X光影像与CT影像的医学图像配准,然而目前的技术如果要确定标记点的位置,还要依靠专家手动识别和实践经验。所以自动提取X光影像标记点对于手术导航系统的全自动化具有重要意义。本课题基于实际科研项目展开,工作目的是医学图像配准中X光影像标记点特征检测算法研究与实现,包括标记点模板构建、特征描述算法的研究与创新,结合SVM学习分类算法实现X光影像标记点的检测三方面。本文主要研究工作如下:(1)X影像标记点模板构建方法的研究。在分析不同成像部位和不同成像角度的标记点影像特征的基础上,研究传统的标记点模板构建方法,提出基于Ray-casting算法的标记点模板构建方法。实验验证,应用本文提出的模版构建方法的构建的标记点模板能够提高标记点的检测精度。(2)标记点特征检测改进算法的研究。基于粗精匹配理论对标记点检测,先实现NCC算法的粗匹配,粗匹配结果作为精匹配的标记点候选点,再研究及实现基于特征匹配算法的精匹配过程。精匹配过程针对X影像标记点形变、背景重叠、边缘模糊的问题,提出对HOG进行改进的特征描述算法。包括标记点梯度高斯加权的HOG改进和图像分块方式的HOG改进,并采用积分梯度直方图加快算法处理。实验结果表明,本文提出标记点特征检测改进算法可以有效提高标记点检测的鲁棒性。(3)基于SVM的X光影像标记点分类检测。将NCC粗匹配结果作为SVM的正负样本,提取样本的HOG改进算法的特征向量作为训练集,再将训练出的分类器进行标记点的分类检测。实验结果表明,SVM分类检测能够克服常用图像检测算法中相似性度量方法和阈值设置对检测结果的影响,实现X光影像中标记点检测,最后将检测的标记点用于医学影像配准应用。本文的创新成果主要包括两点:(1)针对标记点检测中的模板构建的问题,提出将Ray-casting算法应用在标记点模板构建中,提高了标记点的检测精度。(2)针对标记点这个单一的研究对象,提出了HOG特征描述算法的改进算法,提高了检测的鲁棒性。