视网膜疾病在眼底视网膜上体现为黄斑、出血点、渗出物等病变,可以通过观察眼底图像进行诊断。视网膜区域较大,而一次眼底成像并不能完整地获取所有区域,往往需要采集多幅眼底图像才能满足临床诊断的需求。通过配准不同角度的眼底图像,医生能够更精确地检查和诊断各种视网膜疾病。因此,研究眼底图像的配准对视网膜疾病的早期辅助诊断和治疗具有重要的临床意义。本文首先提出了基于改进型Pixel Net网络的眼底图像血管分割方法。在Inception-v1模块基础上提出了3种增强型卷积模块,并将其运用于Pixel Net网络中。将像素分层采样和增强的卷积结构相结合,可以更好地提取像素特征,得到较好的眼底血管分割结果。在血管分割结果的基础上,本文提出了基于k-core分解的眼底图像特征点配准方法。根据血管分叉点和端点建立有向图(Di Graph),利用k=2时的k-core对眼底血管的整体结构进行分解得到了相对稳定的配准特征点,再在高斯差分空间选择极值点建立SIFT特征描述符进行配准,最后利用配准结果进行图像融合。采用本文配准方法对FIRE眼底图像配准数据库的15组眼底图像对进行测试,并与其他代表性方法比较。测试结果表明本文方法对15组眼底图像对的配准准确率方差较小,平均配准准确率为91.96%,高于其他代表性方法。此外,通过融合结果图的细节对比可以看出,本文方法配准之后能更好地融合眼底图像的血管结构。上述实验结果表明本文提出的基于Pixel Net和k-core的眼底图像配准方法具有好的鲁棒性和较高的配准正确率,实现了较准确的眼底图像自动配准。