图像配准是图像处理研究领域中的一个典型问题和技术难点，其目的在于比较或融合针对同一对象在不同条件下获取的图像，例如图像会来自不同的采集设备，取自不同的时间，不同的拍摄视角等等，有时也需要用到针对不同对象的图像配准问题。具体地说，对于一组图像数据集中的两幅图像，通过寻找一种空间变换把一幅图像映射到另一幅图像，使得两图中对应于空间同一位置的点一一对应起来，从而达到信息融合的目的。
    图像配准在目标检测、模型重建、运动估计、特征匹配，肿瘤检测、病变定位、血管造影、地质勘探、航空侦察等领域都有广泛的应用。

    图像配准的方法大致分为三类：
    1、基于待配准图像灰度信息的配准方法
    以整幅图像的灰度信息为依据，建立待配准图像和基准参考图像之间的相似性度量，利用某种搜索算法，寻找出使得相似度量达到最优值的变换模型参数。也称之为直接配准法；
    常用的配准算法有：

    • 平均绝对差算法（MAD）
    • 绝对误差和算法（SAD）
    • 误差平方和算法（SSD）
    • 平均误差平方和算法（MSD）
    • 归一化积相关算法（NCC）
    • 序贯相似性检测算法（SSDA）
    • hadamard变换算法（SATD）
    • 局部灰度值编码算法
    • PIU

    2、基于待配准图像变换域内信息的配准方法

    3、基于待配准图像特征信息的配准方法
    首先提取图像的特征，再生成特征描述子，最后根据描述子的相似程度对两幅图像的特征之间进行匹配。图像的特征主要可以分为点、线（边缘）、区域（面）等特征，也可以分为局部特征和全局特征。区域（面）特征提取比较麻烦，耗时，因此主要用点特征和边缘特征。
    点特征包括：

    边缘特征包括：

    • LoG算子
    • Robert算子
    • Sobel算子
    • Prewitt算子
    • Canny算子等

    **