详细介绍了图像配准的算法，综述了各个算法的优缺点！对初学者有很大帮助

传统随机抽样一致性（RANSAC）算法只能进行粗配准, 且配准效率低。针对该问题提出一种改进的RANSAC快速点云配准算法。该算法将内部形态描述子算法和快速点特征直方图(FPFH)算法相结合, 得到特征描述子, 然后采用预估计和三维栅格分割法改进RANSAC算法, 最后与传统配准算法采样一致性初始配准算法进行比较。实验结果表明, 本文算法能快速精确地剔除误匹配点, 进行仿射变换矩阵求解, 无需二次配准。本文算法相较于传统配准算法有很大优势, 在大规模三维点云配准中具有很好的稳健性, 并且在保证精度的同时可大幅提高配准效率。

完整点云代码，以及论文，适合学习啊，走过路过不要错过

AAN：医学图像注册的外观调整网络 图像配准是许多医学图像分析的基础。 精确图像配准的主要障碍是图像外观的变化。 最近，使用深度神经网络的基于深度学习的注册方法（DLR）的计算效率比传统的基于优化的注册方法（OR）高几个数量级。 但是，DLR的一个主要缺点是无视OR中固有的特定于目标对的优化，而是依赖于使用一组训练样本进行训练的全局优化网络来实现更快的注册。 因此，当图像对（固定/运动图像）的外观差异较大时，与OR相比，DLR固有地具有降低的适应外观变化的能力，并且性能较差。 因此，我们提出了外观调整网络（AAN），其中我们通过解剖结构受限的损失函数来利用解剖结构边缘，以生成保留解剖结构的外观变换。 我们设计了AAN，以便可以轻松地将其插入各种DLR中，以减少固定图像和运动图像之间的外观差异。 我们的AAN和DLR的网络可以无监督且端到端的方式进行协作培训。 工作流程 出版物 快来了。

DRAMMS是一个软件包，设计用于2D到2D和3D到3D变形医学图像配准任务。 由宾夕法尼亚大学生物医学图像分析（SBIA）部门发布。 DRAMMS的一些典型应用包括：-同一器官（可以是大脑，乳房，心脏等）的跨学科配准； -单模态和多模态配准（MRI，CT，组织学）; -纵向注册（小儿脑部生长，癌症发展，小鼠脑部发展等）； -在缺少对应信息的情况下进行注册（例如，血管病变，肿瘤，组织学切口）。 DRAMMS在UNIX / Mac OS中的命令行中运行，它接受Nifti / ANALYZE / MetaImage图像格式。 它是全自动的---拍摄两个输入图像，并生成配准图像和（可选）变形场。 有关更多信息（安装，教程，手册，演示，常见问题解答等），请访问http://www.rad.upenn.edu/sbia/software/dramms/。

提出一种针对三维点云的快速全局配准算法, 用于估计两组相似点云在空间中的刚性位姿变化关系。首先通过计算两组点云的三个主成分向量, 配合各自中心点形成自身主成分(PC)坐标系。然后对两组点云分别进行坐标系转换, 再利用最近点的欧氏距离均值校正对应PC坐标轴的方向, 得到两组相似点云的大致位姿变化关系。经过上述粗配准后利用快速迭代最近点(ICP)算法, 即可实现任意位姿关系下两组点云的快速精确配准。实验结果表明, 该方法对任意两组形状和完整度相似的点云都可以实现任意位姿下的全局配准, 并且具有较高的速度与精确度。

按下空格键进行一次迭代，清晰明了地看出迭代最近点ICP算法的每一步计算。

这个代码是自己按照算法流程写的，调用了OpenCV的Eigen数学库，没用函数也都在这一个文件，适合新手学习，同时也希望大家可以对我提出意见改正

遗传算法对Powell图像配准方法的改进，深入研究图像配准方法和优化搜索算法有帮助。

Doris软件中InSAR配准步骤的源码 适用人群：了解InSAR粗配准和精配准的初学者