（1）图像配准：相对配准和绝对配准（先定义一个控制网格）
基于灰度信息（互相关法（模板匹配），序贯相似度检测匹配法，交互信息），基于变换域，基于特征
（2）图像中的其次坐标：黎曼几何
显然一个向量的齐次表示是不唯一的，齐次坐标的ħ取不同的值都表示的是同一个点，比如齐次坐标[8,4,2]，[4,2,1]表示的都是二维点[4,2]。
对于一个向量v以及基oabc，可以找到一组坐标（v1，v2，v3），使得v = v1 a + v2 b + v3 c （1）
而对于一个点p，则可以找到一组坐标（p1，p2，p3），使得p - o = p1 a + p2 b + p3 c （2），
从上面对向量和点的表达，我们可以看出为了在坐标系中表示一个点（如p），我们把点的位置看作是对这个基的原点o所进行的一个位移，即一个向量- p - o（有的书中把这样的向量叫做位置向量 - 起始于坐标原点的特殊向量），我们在表达这个向量的同时用等价的方式表达出了点p：p = o + p1 a + p2 b + p3 c（3）
（1）（3）的英文坐标系下表达一个向量状语从句：点的不同表达方式。这里可以看出，虽然都是用代数分量的形式表达向量和点，但表达一个点比一个向量需要额外的信息。如果我写出一个代数分量表达（ 1，4，7 ），谁知道它是个向量还是个点！
我们现在把（1）（3）写成矩阵的形式：v =（v1 v2 v3 0）X（abco）
p=（p1 p2 p3 1）X（abco），这里（a，b，c，o）是坐标基矩阵，右边的列向量分别是向量 v和点 p在基下的坐标。这样，向量和点在同一个基下就有了不同的表达： 3D向量的第4个代数分量是0，而 3D点的第4个代数分量是1.像这种这种用4个代数分量表示3D几何概念的方式是一种齐次坐标表示。
这样，上面的（ 1,4,7 ）如果写成（1,4,7,0），它就是个向量;如果是（1,4,7,1），它就是个点。下面是如何在普通坐标（普通坐标）和齐次坐标（Homogeneous Coordinate）之间进行转换：
（1）从普通坐标转换成齐次坐标时
如果（X，Y，Z）是个点，则变为（X，Y，Z，1）;
如果（X，Y，Z）是个向量，则变为（X，Y，Z，0）
（2）从齐次坐标转换成普通坐标时
如果是（x，y，z，1），则知道它是个点，变成（x，y，z）;
如果是（x，y，z，0），则知道它是个向量，仍然变成（x，y，z）
以上是通过齐次坐标来区分向量和点的方式。从中可以思考得知，对于平移T，旋转R，缩放S这3个最常见的仿射变换，平移变换只对点才有意义，因为普通向量没有位置概念，只有大小和方向。
而旋转和缩放对于向量和点都有意义，你可以用类似上面齐次表示来检测。从中可以看出，齐次坐标用于仿射变换非常方便。
此外，对于一个普通坐标的点P =（Px，Py，Pz），有对应的一族齐次坐标（wPx，wPy，wPz，w），其中 w不等于零。比如，P（1,4,7）的齐次坐标有（1，4,7，1） ，（2，8，14，2），（-0.1，-0.4，-0.7，-0.1）等等。因此，如果把一个点从普通坐标变成齐次坐标，给x，y，z乘上同一个非零数w，然后增加第4个分量w;如果把一个齐次坐标转换成普通坐标，把前三个坐标同时除以第4个坐标，然后去掉第4个分量。
由于齐次坐标使用了4个分量来表达3D概念，使得平移变换可以使用矩阵进行，从而如FS Hill，JR所说，仿射（线性）变换的进行更加方便。由于图形硬件已经普遍地支持齐次坐标与矩阵乘法，因此更加促进了齐次坐标使用，使得它似乎成为图形学中的一个标准。
（3）非奇异矩阵