基于深度学习的图像配准算法研究任务书

1. 毕业设计（论文）的内容和要求

使用深度学习理论中的卷积神经网络技术，并结合图像相似性和B样条设计出无监督变形图像配准框架，实现端到端的卫星图像配准。

2. 实验内容和要求

（1）传统图像配准方法现存问题的客观分析和比较研究，从而引出深度学习的概念，详细介绍其发展历史，明确本论文的研究方向和待解决的问题；

（2）研究卷积神经网络及其相关的原理和训练方法，使用b样条解决可变形图像配准问题，然后通过无监督学习方式来训练网络，将深度学习与特征相似性相结合，构建一个可以应用于图像配准任务的深度学习框架；

（3）通过实验仿真验证结果，与基于相似度和几何变换的配准算法进行了效果比较，还讨论了相关参数的变化对配准效果的影响；

3. 参考文献

[1] 张超. 基于局部特征的图像配准算法及应用研究[d]. 北京: 北京理工大学, 2015.

[2] shan s, yan w, guo x, et al. unsupervised end-to-end learning for deformable medical image registration[j]. arxiv: computer vision and pattern recognition, 2017.

[3] zhang z,bloom.a hybrid image registration technology for digital camera image fusion[j].information fusion,2000(2):135-149.

4. 毕业设计（论文）计划

1、收集资料，确定选题，撰写初稿：2022年12月21日--2020年2月25日；

2、初稿交指导教师审阅，完成中期检查：2022年2月26日--2020年4月10日；

3、在指导教师指导下修改初稿：2022年4月11日--2020年5月4日；