眼底视网膜血管的走向、弯曲度、分叉度等性状分析已成为医学上诊断全身血管性疾病的重要手段。随着医学影像处理的发展,利用计算机对眼底病变进行观察和检测可帮助医生提高疾病诊断的效率和准确度。作为眼底病变检测的基础,视网膜血管的准确分割是能否正确、智能检测出眼底病变发生的前提。然而由于眼底照相机的光学设计缺陷,采集到的眼底图像中常存在大量噪声和背景光照不均匀等现象,利用传统的血管分割方法容易丢失微小血管,难以保证整个血管网络的正确分割,影响了眼底病变的正常检测,尤其是血管区域病变的正确检测。因此,如何在实现大血管脉络准确分割的同时,尽可能的分割出微小血管,是提高眼底图像病变检测能力的关键。本课题对眼底图像中视网膜血管的分割方法进行了研究和改进,并利用改进方法分割眼底病变图像的视网膜血管,检测背景区域病变和血管区域病变。方法首先根据Hessian矩阵对线段结构的高识别能力,使用高斯核函数构建多尺度Hessian滤波器,增强血管像素的对比度;然后构建尺度空间,运用改进的Top-hat变换分割增强图像中的视网膜血管;最后利用形态学重建进一步去除分割结果图像中的孤立点噪声。主要研究内容体现在以下方面:(1)研究眼底视网膜血管的传统分割方法。证明应用Hessian矩阵的可行性,分析空间尺度因子对Hessian分割或增强效果的影响;讨论形态学分割的理论方法和多尺度分割流程,分析运用尺度空间形态学分割的优势和不足。(2)Hessian增强的关键是血管相似性函数的构造。针对眼底图像中背景光照不均、背景像素起伏较大的问题,改进了原有的Hessian血管相似性函数,使其具有更好的自适应能力和血管增强效果,同时平滑图像以减小噪声的影响。(3)改进传统Top-hat变换,引入尺度空间,实现基于Top-hat尺度空间的视网膜血管初步分割。尺度空间根据血管直径的范围,选取一系列大小的结构元素,分别使用每个结构元素进行一次Top-hat分割操作,生成多个结果图像,最后在所有像素点处取各图像的灰度最大值。(4)采用形态学重建操作改善分割结果图像质量。结合尺度空间和形态学开重建,利用多尺度开重建修正经过初步分割的视网膜血管图像,进一步突出血管像素,消除伪边缘及孤立点噪声。