视网膜眼底图像中的生理结构,无需创伤就可以直接通过照相仪器观察到正常的血管、视盘以及可能存在的病变,对于临床医学具有重要的研究参考价值。眼底图像中血管的粗细、视盘的大小和亮度变化,都在一定程度上反映了人体机能的改变。糖尿病视网膜病变作为糖尿病引起的一种视网膜病变,是世界三大致盲眼病之一。因此,视网膜眼底图像生理结构的识别,以及潜在病变特征的筛查,对于降低糖尿病视网膜病变导致的失明具有重要意义。本文结合视网膜眼底图像的研究热点,基于MATLAB实现了眼底图像的血管分割、视盘定位,以及病变眼底图像的硬性渗出物检测,主要研究内容如下:(1)研究并实现了一种基于半训练广义线性模型的视网膜血管分割方法。首先采用CLAHE增强、均值滤波以及多尺度Gabor小波变换对绿色通道图像进行预处理,其结果血管特征突出且背景噪声较弱。随后基于广义线性模型,提取预处理图像半幅图像的Gabor特征,训练模型并用于整副图像的分割。最后结合绿色通道的灰度最大值进行后处理,降低噪声。将本文方法在DRIVE数据库上进行验证,实验显示平均准确率为0.9455、灵敏度为0.8724、特异性为0.9337。该方法针对半幅图像进行训练,弥补了传统机器学习分类器可能不适用于所有图库的缺陷,实验结果证明灵敏度远高于其他基于分类的算法,在正常眼底图像和病变眼底图像中均取得了较好的分割效果。(2)研究并实现了一种基于背景减除和霍夫圆检测的快速视盘分割方法。在预处理阶段,采用AHE图像增强和形态学开运算对红色通道图像进行处理;随后结合红色通道均值滤波结果实现背景减除,得到视盘的阴影图像。在定位阶段,结合视盘大小比例以及血管分割结果双重筛查阴影图像中的视盘候选区域,并基于霍夫圆检测实现视盘定位及分割。结合HRF眼底图库进行验证,本文方法取得了 0.87的平均重叠指数;结合自定规则对DRIVE数据库以及糖尿病视网膜病变常用数据DIARETDB0和DIARETDB1眼底图库进行视盘分割,取得了 100%、96.15%和95.51%的准确率。该方法结合视盘与背景亮度差异实现视盘定位,分割速度快,准确率高,在糖尿病视网膜病变图像中也具有良好的适用性。(3)研究并实现了一种基于CMY品红通道动态阈值分割的支持向量机硬性渗出物检测方法。首先提取眼底图像CMY色彩空间的M通道图像作为预处理图像,结合其直方图面积进行阈值分割,并基于本文视盘分割方法剔除视盘,获取渗出物检测的候选区域。最后提取DIARETDB1图库眼底图像的渗出物候选区域24维特征构造SVM,进行模型训练和测试集验证。本文方法在基于病变区域的评价标准中取得了93.91%和95.7%的敏感度及预测率;在基于图像的评价标准中平均灵敏度为100%,特异性为89.3%,平均准确率为94.6%。该方法结合渗出物的颜色特征进行预处理,采用传统机器学习方法取得了较高的预测率和准确率,避免了深度学习方法需要大量数据支撑的弊端。