摘要：眼底图像的血管分析是当前诊断眼疾病以及糖尿病、高血压等全身性心脑血管疾病的重要依据之一。随着眼底图像数据的急剧增长,医生如果仅靠人工观察和经验诊断不仅效率低而且主观性强。因此,使用计算机来自动检测和分割眼底图像中的血管网络具有重要的临床意义。虽然大量已有的视网膜血管分割算法取得了较好的效果,但对病变眼底图像效果一般,且血管分支点、交叉点以及细血管的丢失等瓶颈问题依然存在。另外,视网膜血管自动分割算法需要人工标记的标准血管网络进行验证,而人工标记眼底图像需要耗费大量的时间和精力。针对这些问题,本文基于彩色眼底图像主要从视网膜血管的自动分割与交互式分割两个方面展开研究工作：针对已有视网膜血管自动分割方法鲁棒性差的问题,本文提出了基于梯度向量场散度和形态学底帽变换的视网膜血管分割方法。该方法首先通过计算归一化梯度向量场的散度来提取眼底图像中的血管中心线,该中心线能够很好地去除病变和噪声的影响；然后通过多尺度多方向的底帽变换操作提取主要的血管区域；并根据血管区域像素到中心线的距离将距中心线较远的血管像素视为病变或噪声去除；最后通过判断去噪前后血管连通域数量的改变修补被去掉的血管交叉点和分支点,得到最终的血管分割结果。针对视网膜血管自动分割方法与人工标记眼底图像的双重矛盾问题,本文提出了基于等梯度距离的双向区域增长的视网膜血管交互式分割方法。该方法在用户标记好局部血管和背景的前提下,计算出该局部区域的等梯度距离图,并将标记好的血管和背景作为种子点对等梯度距离图进行双向区域增长,然后对得到的血管结果进行基于中心线自适应和邻域自适应的边缘优化,得到最终的血管分割结果。本文采用国际上公认的两个彩色眼底图像库DRIVE和STARE进行测试,实验结果表明,基于梯度向量场散度和形态学底帽变换的视网膜血管分割算法能获得比较高的准确度、灵敏度和特异性,算法性能优于其他已有算法,且对于病变视网膜图像具有很好的鲁棒性。基于等梯度距离的双向区域增长的视网膜血管交互式分割方法能够达到实时性要求,该方法能获得与专家分割结果相一致的准确度,而且标记效率大幅度提高。图27幅,表6个,参考文献54篇。