吴振广，蒋志胜，孙海钦，朱英玮，魏文超

（上海航天电子技术研究所，上海201109）

伴随着生活水平的提高，糖尿病发病率逐年上升。糖尿病视网膜病变DR（diabetes retinopathy）是糖尿病的并发症之一[1]。硬性渗出HEs 是DR 患者最明显的早期病变特征之一，因此在DR 计算机辅助诊断系统的研究中，对HEs 的自动检测与分类方面的研究开展较早，目前主要有两类HEs 的自动检测算法。

一类是基于图像形态学，文献[2]利用形态学根据眼底图像HEs 的高灰度变化的特性得到眼底图像中的HEs 检测结果；文献[3]将图像的形态学操作和SVM 分类器分类结合起来进行HEs 病变的检测。

另一类是基于机器学习，文献[4]采用Kirsch 算子边缘和SVM 分类检测HEs；文献[5]提出基于邻域约束模型的眼底图像HEs 聚类检测算法；文献[6]采用形态学和SVM 分类器结合检测HEs；文献[7]将动态阈值和SVM 分类器相结合，得到了较为精确HEs检测结果。

综上所述，这些算法一般都需要配置各种参数。合理的参数配置是决定算法检测效果的重要因素。鉴于此，本文将探索在眼底图像分析和HEs 诊断过程中引入智能优化算法对算法的参数进行优化，以此来改善眼底图像的处理效果和提高HEs 的诊断精度。本文HEs 算法流程如图1 所示。

图1 HEs 检测流程Fig.1 HEs test flow chart

1 眼底图像预处理

本文眼底图像预处理共分为三部分，分别为通道分离、图像增强和图像去噪。

眼底图像数据库都是由RGB 格式的图像组成，图2 所示为眼底图像的通道分离结果。G 通道分量亮度适中，与背景对比度较高，能够清楚地分辨到眼底图像的结构与背景。……