很多机器学习算法已经被应用于医学图像处理。为了进一步处理医学图像，使得医学图像的分割质量好、配准效果好、融合效果佳、含噪量低，本文结合机器学习原理，改进传统医学处理方式，针对常见的四种医学图像，分别从图像分割、融合、配准和去噪等四个方面进行阐述。结果表明机器学习在医学图像中的应用，大幅改进了图像处理的效果、提高了图像的精度，为医生分析病情和手术操作提供更高的可靠性。

C++/Opencv实现的FFD形变+梯度下降法图像配准算法

MATLAB环境下的图像配准技术研究.pdf

matlab图像融合源码 I'm terribly sorry, there are errors of the description in Section-III(B) of the paper “Remote Sensing Image Registration with Modified SIFT and Enhanced Feature Matching”. We have uploaded the errors in document named 《 revised of the PSO-SIFT》.I'm sorry to have affected your reading. 我们已经出版的文章《Remote Sensing Image Registration with Modified SIFT and Enhanced Feature Matching》在第三部分（B）存在一些描述性错误，可能会给你的阅读带来麻烦，因此我们上传了出错的地方，并给出了正确的描述方法，文档名字为“revised of the PSO-SIFT”。CSDN 博主对已经翻译了该论文： Im

Kinect采集的点云存在点云数量大、点云位置有误差, 直接使用迭代最近点(ICP)算法对点云进行配准时效率低. 针对该问题, 提出一种基于特征点法向量夹角的改进点云配准算法. 首先使用体素栅格对Kinect采集的原始点云进行下采样, 精简点云数量, 并使用滤波器移除离群点. 然后使用SIFT算法提取目标点云与待配准点云公共部分的特征点, 通过计算特征点法向量之间的夹角调整点云位姿, 完成点云的初始配准. 最后使用ICP算法完成点云的精细配准. 实验结果表明, 该算法与传统ICP算法相比, 在保证点云配准精度的同时, 能够提高点云的配准效率, 具有较高的适用性和鲁棒性.

TK（ Insight Segmentation and Registration Toolkit）是美国国家卫生院下属的国立医学图书馆开发的一款医学图像处理软件包，是一个开源的、跨平台的影像分析扩展软件工具。

RegNet 介绍 在这项工作中，我们提出了一种通过学习方法来解决非刚性图像配准的方法，而不是通过对预定义的相异性度量进行迭代优化来解决。 我们设计了卷积神经网络（CNN）架构，与所有其他工作相反，该架构直接从一对输入图像中估计位移矢量场（DVF）。 提议的RegNet使用大量的人工生成的DVF进行了训练，没有明确定义相异性度量标准，并且以多种比例集成了图像内容，从而为网络配备了上下文信息。 在测试时，与当前的迭代方法相反，非刚性配准是一次完成的。 引文 [1] ， ， ， ， ， ， 和 ，2019年。。 arXiv预印本arXiv：1908.10235。 [2] ， ， ， ， IvanaIšgum和Marius Staring ，2017年9月。 使用多尺度3D卷积神经网络进行非刚性图像配准。 在医学图像计算和计算机辅助干预国际会议上（第232-239页）。 湛

联合估计条件下多传感器配准误差可观测性问题研究

脑MRI序列的预处理 这是对ADNI数据集的大脑MR图像进行预处理的管道通过使用FMRIB软件库（ FSL ）和高级归一化工具（ ANTs ）。 1.安装FSL和ANT 按照说明下载并安装FSL 。 从或源代码编译ANT 。 2.安装Python软件包 所有必需的库如下所示： tqdm 麻木 科学的 py 尼巴​​贝 matplotlib sciKit-fuzzy（可选） scikit-learn（可选） 3.下载数据集 此仓库中使用的数据集是ADNI1和ADNI2的AD和NC筛选图像。 见。 这是原始图像的一个样本。 4.重新组织文件 将工作目录切换到src 。 运行reorgnize.py，它将ADNI1和ADNI2合并到一个文件夹中。 python reorgnize.py 5.注册 运行registraion.py通过FSL FLIRT将图像转换为模板的坐标系。

运行前请自己在pro文件中配置OpenCV的头文件和lib文件 少积分转运，拿走不谢