宋姝洁，崔振超+，陈丽萍，陈向阳

1.河北大学 网络空间安全与计算机学院，河北 保定 071002

2.河北省机器视觉研究中心（河北大学），河北 保定 071002

视网膜血管自动分割是医学图像处理领域的重点研究任务之一。视网膜血管的结构检测，可为糖尿病和高血压的诊断提供重要临床信息，对辅助医师诊断身体疾病有着重要意义[1]。目前，视网膜分割标注是以专业医师手工标注为主，但人工标注存在无法批处理及主观因素影响的弊端。因此，计算机辅助的视网膜血管分割是该领域的重要发展方向。

目前，视网膜血管自动分割方法可划分为两类——非监督学习方法和监督学习方法[2]。非监督学习方法是根据已存在的特征对图像编码，然后对编码后的特征图检索，得到目标图像分割结果。最早在1989年，Chaudhuri等[3]利用高斯函数对血管图像进行编码得到眼底图像分割图。接着，根据眼底视网膜血管的结构特点，血管追踪法[4]、形态学处理法[5]、图方法[6]、形变模型[7]等方法相继提出。但非监督学习方法对血管特征编码方式不全，造成视网膜结构特点检测不充分，导致分割准确率下降。基于监督学习的分割方法是通过对手工标注的血管训练得到分类器，再利用分类器对图像进行模型分类，区别出前景像素和背景像素。基于监督学习的视网膜分割模型方法有贝叶斯分类器、支持向量机（support vector machine,SVM）、马氏距离分类器等。Ricci 等[8]对图像进行绿色通道预处理，并根据血管宽度采用SVM 分割。孟琳等[9]提出将Frangi滤波器和大津法融合对视网膜图像分割。……