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

手术导航三维 空间配准技 术研究_向华

为了解不同点云配准方法的配准效率和配准精度,使用不同的点云配准方法(三维形状上文、点特征直方图、快速点特征直方图、四点一致集、迭代最近点、正态分布变换)对三维点云数据进行了粗配准实验。在实验过程中记录了点云配准的时间和点云配准在x、y、z轴上的旋转角度误差和平移距离误差,通过分析实验记录的数据来比较不同点云配准方法在粗配准实验中的配准效率和配准精度。实验结果表明,三维形状上文、点特征直方图、快速点特征直方图在粗配准实验中表现良好;四点一致集配准效果较好,但耗时较长;迭代最近点不适用于粗配准;正态分布变换在粗配准实验中表现一般。该实验结论能够为不同情况下点云配准方法的选择提供有效的借鉴。

通过分析机载雷达（LIDAR）点云数据与航空影像数据特点，提出了融合机载LIDAR点云和航空影像的建筑物轮廓探测方法。分别提取机载点云和航空影像中的部分建筑轮廓线，将轮廓线拟合成直线段的建筑物轮廓边，并以两相邻且垂直的轮廓边相交得到建筑的角点，根据建筑物的同名角点实现机载点云和航空影像的配准融合；将航空影像的光谱信息赋予机载点云，并将光谱信息作为特征向量进行聚类，分离出植被和树木等地物，利用高程信息从光谱信息相似的地面道路和建筑物中分离出建筑物，提取建筑物的轮廓边，完成建筑物轮廓的探测。实验结果表明，利用该方法进行建筑物点云的分类正确率可达97.96%，轮廓边的提取精度可达0.21 m，能够有效的实现建筑物轮廓的探测。

ArcGis中进行地形图的配准 方法简介