考虑到随机测量矩阵存在硬件上存在无法实现的缺陷，结合压缩感知的稀疏投影理论，提出了基于多项式确定性矩阵的尺度不变特征变换（SIFT）医学图像配准算法。通过增加方向梯度数提高特征向量的有效性，利用测量数为7的多项式确定性矩阵对关键点特征向量进行降维，用欧式距离作为特征向量匹配的相似性度量，kd数据结构避免穷举。实验结果表明，该算法和传统SIFT算法及几种改进的SIFT算法相比，配准性能有了显著提高，同时确定性矩阵有利于图像配准系统的硬件实现。

针对尺度不变特征变换 (Scale-invariant feature transform, SIFT) 算法在关键点特征描述向量阶段计算复杂并且维数较高的现象,提出了一 种基于压缩感知理论的SIFT算法。通过压缩感知理论的稀疏特征表示方法,对SIFT关键点特征 向量进行提取,将高维梯度导数向量降到低维稀疏特征向量,降低了关键点描述向量维度。采 用欧式距离作为关键点的相似性度量, Best-Bin-First(BBF) 数据结构避免穷举,使数据的运算量大为减少。实验结果表明,新算法对存 在仿射变换的医学图像配准性能优于传统SIFT算法,与当前改进型的SIFT算法相比,本文算法的实时性明显增强。