图像配准技术是数字图像处理中的一个重要领域，它涉及将两个或多个不同图像之间对应点进行匹配的过程。在医学影像处理、计算机视觉、遥感图像分析等领域具有广泛的应用。图像配准的目的是为了增强图像的对比度、融合多模态图像、追踪动态变化过程或者对不同时间或空间采集的图像进行比较分析等。
根据变换模型的不同，图像配准主要分为刚体配准和非刚体配准。刚体配准通常只包括平移、旋转和尺度变换，而非刚体配准除了上述变换外，还包括更复杂的变形，如剪切、扭曲、弯曲等。非刚体配准常用于处理图像中存在较大变形的情况，如医学影像中的器官变形。
本文所讨论的“基于隐含形状表示和边缘信息融合的非刚体图像配准”主要涉及到以下几个关键技术点：
1. 隐含形状表示：在图像配准中，形状表示是选择合适的数学模型来描述感兴趣的图像区域形状。隐含形状表示是一种不依赖于具体形状参数的表示方法，通过距离变换图来表达形状。它能够处理任意维数和任意拓扑的形状，对形状扰动和噪声具有良好的鲁棒性。隐含形状表示的另一个优势在于它结合了图像的全局信息，这对于处理非刚体变形具有重要作用。
2. 互信息（Mutual Information, MI）：互信息是一种基于统计学的图像相似性度量方法，用于衡量两个图像之间的共同信息量。在非刚体图像配准中，互信息可以用来估计图像变换参数，实现对齐图像外部轮廓的全局配准框架。互信息具有平移、旋转、尺度不变性，适合于任意维数的变换模型，因此是全局配准的一个重要工具。
3. 多分辨率网格Free-Form Deformation (FFD)：FFD是一种局部变换模型，通过控制网格变形来实现图像的局部配准。基于B样条的多分辨率FFD模型具有较高的灵活性，可以对大尺度到小尺度的非刚体形变进行建模。FFD模型能够保持形状拓扑不变，并保证一对一的映射关系，这对于非刚体图像配准来说十分重要。
4. 边缘信息融合：在配准过程中，融合图像边缘信息可以增强算法的性能，特别是在处理具有复杂边界和结构的图像时。边缘信息强调了图像配准中形状的局部特征，有助于得到平滑、连续的变换域。
5. 层次变换模型：本文提出的配准算法使用了层次变换模型，这种模型覆盖了从全局到局部的变换域。首先进行全局配准对齐图像外部轮廓，然后进行局部配准以获取更精确的局部相关性。层次变换模型的使用有助于最小化形状失真，保证最终配准结果的质量。
6. 脑部MR、CT图像配准：文中最后提到，所提出的算法已经应用于脑部MR（磁共振成像）和CT（计算机断层扫描）图像的配准，并取得了令人满意的效果。这表明该算法在医学影像领域具有实际应用价值。
本文介绍的算法结合了隐含形状表示、互信息、多分辨率FFD模型以及边缘信息融合等方法，解决了具有较大局部形变的非刚体图像配准问题。该算法通过多层次、多维度的处理，实现了从全局到局部的精确配准，对于医学影像处理等领域具有重要的应用前景。
