视神经盘是视网膜血管汇聚的地方,是视网膜图像解剖结构的重要组成部分。在糖尿病视网膜诊断系统中,视神经盘的准确定位是进一步诊断和病变识别的前提和关键步骤。针对现有视神经盘检测方法存在的检测精度不高的问题,本文引入视觉显著性的相关算法对眼底图像中视神经盘区域进行检测,具体工作如下:首先,提出了一种基于稀疏重构误差的显著性检测算法。该方法根据显著区域一般不会出现在图像四周的假设,将位于图像四周的超像素作为背景模板,并以此构建稀疏重构模型,通过计算各个超像素与背景模板重构误差即可获得显著图。其次,提出了一种基于字典学习和条件随机场的显著性检测方法。该方法通过对训练图像进行超像素分割与稀疏编码,并利用条件随机场构建显著性模型。通过训练得到的显著性模型,我们便可以得到测试图像的显著性区域。最后,提出了一种基于Hough变换的视神经盘分割方法。该方法基于视神经盘的形状特征,利用Hough变换对自底向上和自顶向下方法得到的显著图进行形状检测,从而提高了检测的准确性并进一步优化了视神经盘检测效果。本文构建了全新的实际眼底图像数据库,为相关研究工作的顺利开展提供了基础保障。