本文针对医学图像的配准进行了重点研究。采用了基于特征点提取与匹配的配准技术。对配准技术中的特征点的提取还有错误匹配的特征点的删除进行了详细的分析和研究。本文的大致流程如下：

首先，介绍了医学图像在成像过程中可能出现的一些噪声，以及医学图像预先处理方法，主要包括医学图像的滤波去噪技术和医学图像增强技术。

然后，介绍了医学领域中常用的图像配准方法，着重介绍了基于SURF算法的特征提取和匹配，并提出了改进的医学图像配准方法。

最后，进行参数模型求解，并验证配准精度。

研究内容

在机器学习逐渐走向主流的今天，本文提出了一种改进的图像配准方法。大致流程如下，首先，对已经预处理过的图像进行特征点提取，然后，对存在的误匹配点进行删除，与当下比较流行的RANSAC算法不同，本文提出了一种基于人工神经网络模型的误匹配点删除方法。建立训练数据集，通过人工神经网络训练分类器，通过分类器对提取到的特征点进行筛选，从而去掉错误的匹配点。最后计算出配准参数，得出配准结果。

研究框架

本文的研究框架如下:

第一章的综述全文，简单叙述研究背景与意义。

第二章就医学图像的主要特点展开讨论，简单介绍了医学图像中的噪声处理技术。

第三章介绍基于特征点的医学图像配准中的核心内容，介绍surf算法。

第四章介绍一种改进的基于机器学习的医学图像配准方法。

第五章对通过第四章得到的已经提纯了的匹配点进行参数模型估计，并得出最佳配准参数。

第六章对本文的工作进行总结和展望。

总结

不同领域的图像都有着自己的特点，所使用的配准技术也不尽相同。本文就医学图像的配准技术展开了研究，提出了一种基于人工神经网络的误匹配特征点删除方法，增加配准的精度和准度。本文仅仅是对医学图像配准相关技术进行了理论性的研究和实验验证，并在此基础上，进行了验证性的研究，总结如下：

1.首先对医学图像配准技术研究背景和意义进行了简单的介绍。然后介绍本文的大体框架。

2.介绍了医学图像中一些常用的预处理手段，针对医学图像的特点，从图像去噪和增强的角度，对一些常用的图像处理技术进行了简短的说明。

3.对基于SURF算法的特征提取方法进行了详细的介绍，包括原理及算法步骤。

4.提出了一种基于机器学习的误匹配点剔除方法，构建人工神经网络的分类器训练数据，对SURF算法提取的特征点对进行误匹配点进行剔除

5.通过提取到的特征点进行模型参数估计，得出配准参数，通过配准结果对本文的配准方法进行综合评估。