眼底血管是诊断疾病的重要依据,本文根据眼球的解剖学特征进行分析,建立了适于医学可视化的眼底数学模型重建的参数,由原始的彩色图像经过图像类型转换、图像增强,图像的匹配滤波,骨架细化和惯性矩阵的跟踪分别实现了视网膜血管的中心线的提取,为临床应用提供了三维眼底血管的参数环境和显示环境,为诊断、显示、激光治疗、手术定位等提供有益的帮助。本课题针对视网膜图像处理和分析中的关键技术问题作了研究,视网膜的关键技术问题包括视网膜血管的网络提取、视网膜血管的宽度测量、视网膜图像的配准及平滑拼接。准确的视网膜血管的提取是视网膜图像的分析和处理的前提,视网膜血管的分割方法包括匹配滤波的方法,形态学的方法,区域增长的方法,阈值分割方法,边缘灰度提取方法,统计学的方法,Hessian矩阵的测量方法,视网膜血管的跟踪方法。鉴于视网膜血管的灰度低,图像和背景分辨率小,血管宽度的像素变化范围很大,血管的中心线的灰度和背景中噪声的灰度相差很小,视网膜血管的边界,视盘,其他的病理学结构,很容易错误的检测出非血管的结构。本文考虑到视网膜图像的特点及主要针对视网膜血管网络中心线的提取,提出了一种基于改进熵的匹配滤波的方法提取视网膜血管,再通过视网膜血管的细化方法提取出视网膜血管的中心线,这种方法适合于低灰度的,狭窄的以及宽度变化的血管,通过使用熵闽值,改进的熵阂值,速度上有了一定的提高,原始的熵阈值是不断检测水平方向上和垂直方向上的灰度共生矩阵统计的相邻像素的灰度变化的概率,改进的熵阈值是统计对角线方向的相邻像素的灰度变化的概率。基于惯性矩阵的视网膜血管跟踪方法是一种半自动的方法,通过指定初始的点,在调整初始点的半径尺度,找到最优的半径,根据惯性矩阵的特征向量判定下个点的方向,反复迭代,直到实现视网膜血管中心线的跟踪提取。