1.一种基于GPU的三维医学图像配准相似度计算方法，其特征在于，所述方法包括以下步骤：

步骤一，读取数据，在CPU内存中开辟内存空间，读入两幅相同分辨率的三维医学图像数据，两幅图像分别记为参考图像R和浮动图像F，对三维医学图像进行标记，由于医学图像中的图像主要信息均位于图像中心，忽略图像边缘体素点对最终信息熵的影响，三维图像的总体素个数N＝(x-2r)(y-2r)(z-2r)，其中x,y,z为三维图像分辨率，r为邻近点半径；

在CPU内存中创建基于邻域空间信息的列向量数组，每个列向量数组包含d＝2(2r+1)3＝54个元素，参考图像R和浮动图像F的体素分别为Ri,j,k和Fi,j,k，将两幅图像每个对应的体素点与其邻域体素点信息连列，获得联合体素Vi,j,k，代表d维空间点Pi，所有Pi组成联合分布，即d×N大小的矩阵P，表示为P＝[P1,…,PN]；

步骤二，在显存中开辟空间，传输数据到显存；

在显存中为待运算的数据以及需要存放结果的变量开辟显存空间，CPU将图像数据读入系统内存后，获得图像大小，使用cudaMalloc函数在GPU上开辟相同大小的内存空间并初始化，并开辟两个d×N大小的显存空间用于保存联合灰度直方矩阵P和平均值 以及一个d×d大小的空间用于保存协方差矩阵C，用cudaMemcpy函数将CPU内存中待运算的图像信息数据拷贝到GPU显存中；

步骤三，计算联合体素的平均值 使用GPU中的原子操作，统计 求得

步骤四，分配线程，执行核函数，计算联合体素的平均值 与联合分布P之差P0；

每个线程块分配nthreadsPerBlock＝16×16＝256个线程，每个线程格分配个线程块，线程块中的线程索引为threadIndex＝threadIdx.x+threadIdx.y*blockDim.x，线程格中的线程块索引为blockIndex＝blockIdx.x+blockIdx.y*gridDim.x，线程索引为i＝threadIndex+blockIndex*blockDim.x*blockDim.y，每个线程i负责计算： 全部线程计算完毕后，Ki组成d×N矩阵P0；

步骤五，计算邻域每个点的协方差：

协方差计算是矩阵乘法运算，通过引入共享内存和矩阵分块概念，将大矩阵分解成若干子矩阵，每个线程块只读取块内共享内存中的子矩阵进行计算，再将共享内存中的矩阵合并得到最终结果，求得协方差C，其中C为d×d矩阵；

步骤六，用cudaMemcpy函数将计算结果传输到CPU内存中，基于CPU计算联合熵；

d

R空间内一组正太分布点的协方差矩阵的信息熵计算如下：

将步骤五求得的协方差C代入上述公式中，求得联合信息熵H(R，F)；

步骤七，求参考图像和浮动图像的信息熵H(R)、H(F)；

取CR为参考图像的协方差矩阵，CF为浮动图像的协方差矩阵，同样代入公式，求得两幅图像各自的信息熵H(R)、H(F)，其中CR为协方差矩阵C左上部分 大小的子矩阵，CF为协方差矩阵C的右下部分 大小的子矩阵；

步骤八，计算区域互信息RMI；

最终区域互信息为RMI(R,F)＝H(R)+H(F)-H(R,F)，通过区域互信息RMI值可以定量分析判断两幅三维医学图像的相似程度，即参考图像和浮动图像的相似度。

2.如权利要求1所述的一种基于GPU的三维医学图像配准相似度计算方法，其特征在于，所述步骤三中，原子操作的核函数线程索引为index＝(threadIdx.x+threadIdx.y×blockDim.x)+(blockIdx.x+blockIdx.y×gridDim.x)×blockDim.x×blockDim.y，其中threadIdx.x和threadIdx.y分别为线程块中x,y维度上的线程索引，blockIdx.x和blockIdx.y分别为线程格中x,y维度上的线程块索引，blockDim.x和blockDim.y分别为线程块x,y维度上的线程数量，gridDim.x和gridDim.y分别为x,y维度上的线程块数量；首先，线程并行读取数据，然后使用原子操作中atomicAdd函数对第d个维度的值进行累加求平均值，此过程循环执行54次，直至求出所有维度的联合体素的平均值

3.如权利要求1或2所述的一种基于GPU的三维医学图像配准相似度计算方法，其特征在于，所述步骤四中，设置dim3类型线程块，每个线程块选择维度为16×16的大小，即共256个线程，为保证总体素数与分配的线程数是整数倍关系，且分配的线程大于或等于总体素数，以向上取整的策略求出分配线程需要的总线程块数为 保证每个体素点都有唯一对应的线程和内核函数参数与计算，每个线程进行独立且相同的操作，根据线程索引i来获取数据和处理数据完成计算。