1.一种基于多层P样条和稀疏编码的医学图像配准方法，其特征在于，包括：使用步长为1的滑动窗把含有灰度偏移场的参考图像R和浮动图像F划分成为大小为的图像块，把两幅图像的图像块分别记为：IR＝[R1,R2,…,Rn],IF＝[F1,F2,…,Fn]  (1)训练集为两幅图像中图像块的集合：

初始化多层P样条变换模型参数和优化模块的参数；

使用K-SVD算法训练图像块，记录训练得到的分析字典Ω，寻找每个图像块的稀疏系数Yi，进而计算两幅图像中图像块的稀疏表示αRn和αFn；

通过L1SM计算图像块的相似性程度函数，将相似性程度函数L1SM作为优化模块的目标函数C(R,F)的第一部分Csim(R,F)，另一部分加入相关的平滑变换Csmooth，对目标函数迭代优化，进而更新变形场；

使用多层P样条变换更新浮动图像，并判断是否达到迭代次数，如果没有达到迭代次数，则重新使用K-SVD算法训练图像块，直到达到迭代次数；

输出配准后的浮动图像和控制网格。

2.如权利要求1所述的方法，其特征在于，多层P样条变换模型如下：其中，控制点位置为 [.]

表示取整数值运算，βl(u)表示三次P样条第l个基函数，总的惩罚P为：其中，P0，P1，P2，P分别代表边缘基B0，B1，B2，B3的惩罚，λ0，λ1，λ2，λ3为平滑系数，Ik0，Ik1，Ik2，Ik3为单位矩阵。

3.如权利要求2所述的方法，其特征在于，步骤使用K-SVD算法训练图像块，记录训练得到的分析字典Ω，寻找每个图像块的稀疏系数Yi，进而计算两幅图像中图像块的稀疏表示αRn和αFn包括稀疏编码和字典更新两个阶段：在稀疏编码阶段，计算图像块I＝[R1,R2,…,Rn,F1,F2,…,Fn]在分析字典Ω上的稀疏系数Yi：其中，||Y||0表示稀疏系数向量Y中非零元素的个数，ε表示允许偏差的精度，上述公式的求解过程即为稀疏编码；

在字典更新阶段，对字典中的每个原子进行更新，假定稀疏系数向量Y和分析字典Ω都是固定的，待更新字典的第k列为Ωk，令稀疏系数矩阵中Y与Ωk相乘的第k行为 则式(4)可以写为：公式(6)为除第k个原子以外其他原子产生的表示误差，定义为含有原子Ωk成分的图像块αi的索引所组成的集合，定义大小为N×wk的矩阵Dk，矩阵元素(wk(i),i)为1，其他矩阵元素均为0，定义向量 长度为|wk|，定义矩阵大小为n×|wk|，是去掉不受原子Ωk影响的样本中带来的误差，此时公式(6)等价于：将误差矩阵 进行奇异值SVD分解，得到 其中Δ中的奇异值是由大到小排列的，记 为矩阵U中的第一列，使用 来更新字典中的Ωk，同时将矩阵V中的第一列与Δ(1,1)的乘积来更新稀疏系数矩阵中的 实现字典的更新；

通过交替执行稀疏编码和字典更新两个阶段，即可得到分析字典Ω和两幅图像中图像块的稀疏表示αRn和αFn。

4.如权利要求3所述的方法，其特征在于，步骤通过L1SM计算图像块的相似性程度函数，将相似性程度函数L1SM作为优化模块的目标函数C(R,F)的第一部分Csim(R,F)，另一部分加入相关的平滑变换Csmooth，对目标函数迭代优化，进而更新变形场具体为：通过L1SM计算图像块的相似性程度函数：

L1SM＝||Ω(R-F)||1＝||αR-αF||1  (8)将相似性程度函数L1SM作为优化模块的目标函数C(R,F)的第一部分Csim(R,F)，另一部分加入相关的平滑变换Csmooth，使待配准的两幅图像之间保持权衡，并且变换光滑；

其中，A是区域的面积，λ是权重系数。

5.如权利要求4所述的方法，其特征在于，使用梯度下降法迭代优化目标函数，进而更新变形场，L1SM的导数表达式如下：其中， 为浮动图像的梯度，θ表示变换参数，sign(.)为符号函数。