图像配准是为了寻找不同条件下获得的两幅或多幅图像的空间变换关系,最终实现图像各点的空间一一映射。与刚性图像相比,非刚性图像具有局部形变严重、变换非线性,以及各点变换模型不统一等特点,其自动配准一直是计算机视觉领域的研究热点和难点,代表了该领域未来的发展方向。本文首先分析了非刚性图像配准的研究背景与意义,并对国内外的研究现状作了综述和说明;介绍了图像配准的基础理论知识、常用的非刚性图像配准方法,以及配准后的质量评价方法。其次,论文对基于光流场模型的非刚性图像配准算法作了深入研究。针对传统光流模型在非刚性配准中存在的细节丢失、精度不足等问题,提出一种改进的光流场模型;利用新的自适应扩散正则项来代替原来的一致扩散函数,以避免图像模糊,同时保留图像的边缘特征与细节特征;此外,通过引入包含邻域信息的非局部平滑项来去除光流噪点,同时增加了一个结合图像结构与光流运动信息的权函数,以减少由于过平滑引起的细节丢失,提高算法的鲁棒性。仿真实验结果表明,与传统方法相比,本文方法对不同类型的非刚性图像均具有较高的鲁棒性,取得了比较理想的图像配准效果。然后,针对传统光流法在配准大位移形变时效果不佳的问题,提出一种由粗到精的两步配准方法。首先利用图像分割技术与SIFT特征匹配实现图像的局部粗配准,再以粗配准获得的图像变化位移场作为初始值,采用光流法实现精确配准。光流模型采用灰度守恒与梯度守恒结合的数据项,以抑制光照与噪声的影响;同时通过结合自适应正则项来避免过平滑,保留图像边缘。实验结果验证了本文所提算法的有效性。最后,论文对本文工作进行了总结,并对未来研究方向作了展望。