很多人脸图像，需要将其配准，可以交互点击眼睛嘴巴位置实现配准

评估扩散张量图像配准算法

图像融合是数据融合的一个重要分支，它在遥感图像 处理、目标识别、医学、机器人视觉等方面具有广阔的应用 前景。将获取的对应同一场景的不同图像数据进行空问 匹配这个医学图像配准融合的详细程序

图像配准工具AIR5.可匹配两幅图像。 工具包及其源代码。

基于深度学习的端到端无监督配准模型——变形图像配准网络DIRNet图像配准网络，这是一个使用 CNN 来预测控制点的网格的神经网络，这些控制点能够被用来生成根据参考图像来对待配准图像进行变形的位移矢量场。

为解决多通道光谱图像数据成像过程中更换滤光片造成的几何畸变问题，研究了一种基于快速稳健特征(SURF)与最大子矩阵的多通道光谱图像配准方法。利用SURF算法提取了多通道光谱图像的特征，经过透视变换得到初步配准图像。针对配准后图像边缘出现零像素值无效区域的问题，提出了通过最大子矩阵检测图像中最大内接矩形的方法，去掉了无效边缘区域，最大化地保留了有效区域信息。对壁画的多通道成像数据进行了实验。结果表明，所提方法在图像尺度与亮度变化方面具有更好的稳健性，能够避免其他配准方法中无效区域对后续光谱重建与颜色复原的影响，在配准精度、信息最大化保留、时间效率方面也具有更好的性能。

Faster R-CNN+粒子群优化+图像配准 首先利用深度学习 Faster R-CNN，在训练好 训练集的情况下检测和提取当前帧中的目标，利用 5.1 节的动目标提取算法校验 目标；然后以此作为接下来配准的模板，利用多自由度的图像配准来求解图像变 换参数，并结合粒子群优化 PSO 的快速求解性能[20]，高速的配准定位、跟踪与 提取目标，将算法处理速度提升到了每秒 60 帧以上（配准时的速度）。在配准过 程中，如果出现配准相似度低于设定阈值，则认为目标跟踪失败，此时将重新利 用 Faster R-CNN 检测与提取新目标，并重复过程。

有详细的备注，步骤易懂，有每个函数的详细介绍，详见https://blog.csdn.net/u014509577/article/details/80262896?utm_medium=distribute.pc_relevant_download.none-task-blog-BlogCommendFromBaidu-9.nonecase&depth_1-utm_source=distribute.pc_relevant_download.none-task-blog-BlogCommendFromBaidu-9.nonecas 适合入门小白，备注详细，输入main 即可执行。

这个函数是D. Rueckert等人提出的b样条配准算法的(增强的)实现。“使用自由形状基于仿射和b样条网格的两个二维彩色/灰度图像或三维体或点数据的配准和数据拟合。 变形的非刚性配准:在乳房MR图像中的应用”。包括Rueckert的平滑惩罚(薄板金属弯曲能量)。此外，将归一化互信息定位为配准错误，允许图像或体积具有不同类型/模式，例如MRI T1和T2患者扫描。

除了光流配准之外，还有其他配准方法，可以作对比。 具体使用方法可以看readme。