I

本文旨在按字母顺序对团队研究过程中涉及的术语进行分类解释，为对该领域感兴趣的读者提供一份全面的术语表。

Image Fusion

++ Need to Fill ++

Image Registration(Alignment)

当同一个场景或对象以不同的时间或视角进行拍摄时，图像将在不同的坐标系中获得。图像配准（image registration）是一种处理技术，通过对这些不同图像进行变换，使它们在同一个坐标系中表示出来。 通过图像配准，可以了解通过不同测量方式获得的图像如何相互对应。图像配准算法主要可分为基于强度（intensity-based）和基于特征（feature-based）两种方法。将固定的图像称为目标图像（target image），待配准的图像称为源图像（source image）。图像配准包括将源图像在空间上变换以适应目标图像的过程。基于强度的方法是通过比较图像的灰度强度来进行配准，而基于特征的方法是通过找到图像中的点、线、边缘等特征来进行配准。基于强度的方法是对整个图像进行比较和配准，而基于特征的方法则在两个或多个图像中找到多个特征进行比较。如果在两个图像中特征点对的数量超过了所需的最小数量，可以使用像RANSAC这样的方法来计算两个图像之间的变换关系。 图像配准算法还可以根据领域的不同分为空间域（spatial domain）和频率域（frequency domain）。空间域方法是在图像的空间中对像素强度模式或特征进行配准。频率域方法是直接在频率域中寻找调整两个图像之间的变换所需的参数。

Inference

推理（Inference）是指已经完成训练的模型对测试集进行预测的过程。在统计学中，它指的是根据特定的观测数据来调整分布的参数的过程。

Interpolation

插值（Interpolation）是指根据已知点的值来估计位于已知值之间位置的值的方法。

Iteration

迭代（Iteration）是指以批量大小（batch size）的训练数据执行一次算法的次数。从神经网络的角度来看，对于批量大小的训练数据，进行一次前向传播和反向传播（forward/backward pass）被称为一次迭代。 简单来说，迭代指的是通过一次前向传播和反向传播的次数。举个例子，假设有1000个训练数据，批量大小为500。完成一轮训练（epoch）需要经过2次迭代。简单来说，迭代次数可以表示为 迭代次数 = （总数据量）/（批量大小）。