医学图像配准是可能来自不同的时间、条件、设备的图像,通过寻找一种空间上的变换,使其与另一幅医学图像配准,取得空间上的对齐。如今,图像配准已被应用到遥感图像处理,计算机视觉等领域,尤其是在医学领域已成为研究热点。在医学诊断中,主要依靠MRI, CT等设备提供病人的二维图像信息,不能够直观的给出内部结构信息。而利用二维图像重构后获得的三维图像,可以准确显示出人体器官结构特征以及空间位置,图像配准是其中的关键。本文研究基于特征的医学图像配准。在基于特征的医学图像配准中图像的特征提取和匹配尤为关键,本文研究SURF(Speeded-Up Robust Features)算法在特征提取和匹配阶段的应用。该算法对存在平移、旋转、缩放的图像具有一定的鲁棒性,而且由于积分图像和盒子滤波器的引入加快了算法运行速度。但其在医学图像配准中进行特征提取时提取的特征点数目比较少,从而导致了特征匹配对数目不足,往往达不到医学图像配准的要求,并且在特征点匹配阶段容易发生误匹配,给后续的配准精度上带来很大影响,而且对有发生仿射变换的图像配准效果差。针对以上问题,本文提出一种改进SURF算法。在特征提取阶段,建立仿射相机模型,模拟生成不同视角下的图像序列,在图像序列中结合盒子滤波器建立尺度空间检测特征点,然后确定图像序列中特征点的主方向,并生成64维特征描述子,最后将图像序列中的特征点映射回原图像,从而增加特征点的检测数目；在特征点的匹配阶段,引进先进的GTM(Graph Transform Matching)算法,建立两幅图像匹配点的GTM图形,通过GTM图形计算两幅图像的差值邻接矩阵,根据差值邻接矩阵删除错误匹配点,完成匹配点的优化,提高匹配的精确度。在图像配准中,采用初步配准和精配准两步配准的方法。在初步配准阶段,通过刚体变换模型进行图像变换,由于直接对刚体模型求解精度比较低,本文利用遗传算法优化刚体变换模型的矩阵参数,对待配准图像进行初步配准。在精配准阶段,本文采用薄板样条函数对经过初步配准之后的待配准图像进行精配准,提高医学图像配准的精度。并对医学上比较常见的存在平移、旋转、仿射的医学图像进行测试分析,实验结果证明了改进后的SURF算法的优越性。