由于数码眼底图像可以无创获取和直观观测,近年来成为多种眼部疾病筛查的有利工具。青光眼和糖尿病视网膜病变(Diabetic Retinopathy,DR)是人类三大致盲眼病中的两种,患者若不及时进行治疗,将导致视野不可逆转的缺损。因此,疾病的早发现成为降低患者视力下降甚至失明的重要措施之一。临床中,以上两种疾病的筛查需要医生凭经验对眼底图像进行人工审阅,工作量大、主观性强、易疲劳、耗时久,且筛查效率难以提高。针对这一问题,本课题利用图像处理技术,有效融合专家经验知识,对眼底图像中与青光眼发病密切相关的视杯结构进行分割,对DR早期病变硬性渗出物(Hard Exudates,HE)进行检测,为青光眼和DR计算机辅助诊断系统的实现奠定基础。本文的主要研究内容包括:1.实现视杯的自动分割。首先,对绿色通道眼底图像进行基于形态学的对比度增强操作;然后,进行血管检测,并利用一种改进的Bertalmio–Sapiro–Caselles–Ballester(BSCB)模型对血管区域进行填充修复;最后,利用Local-Chart-Vest(LCV)模型对修复后的图像进行视杯自动分割。本文共使用公开数据库中的94幅眼底图像(62幅正常图像,32幅青光眼图像)对上述视杯分割算法进行有效性评估。与其他算法相比,本文所得视杯分割结果的F值(F-Score,F)和边界距离(Distance,D)具有一定的优势。本文算法测试正常图像和青光眼图像的平均杯盘比(Cup-to-Disc Ratio,CDR)分别为0.4369±0.1193和0.1193±0.7156,与医生测量结果相似。实验结果表明,本文提出的视杯分割算法准确性高和可行性好。2.实现HE的自动检测。本文利用HE的亮度与边缘特征,提出了一种基于改进Canny边缘检测算法与形态学重构相结合的HE自动检测方法,该方法包括四个步骤。步骤一,图像预处理,主要包括RGB通道选取、基于形态学的图像对比度增强;步骤二,视网膜图像关键结构的消除,利用基于Gabor滤波的血管分割方法,消除血管边缘对HE检测的影响。将本文视杯分割算法应用在眼底图像红色通道上实现视盘自动分割,消除视盘及其边缘对HE检测的影响;步骤三,利用改进的Canny边缘检测算法和形态学重构方法对HE进行提取;步骤四,基于形态学的图像后处理,消除眼底图像边缘部分假阳性区域。本文测试了公开数据库中的40幅图像(35幅HE病变图像,5幅正常图像),得到基于病变的灵敏性和阳性预测值分别为93.18%和79.26%,基于图像的灵敏性、特异性和准确率分别为97.14%、80.00%和95.00%,并将以上评价指标分别与其他方法进行了对比,结果证明了本文算法的可行性。总之,本研究实现了眼底图像中视杯的自动分割,以及HE的自动检测,并用实验证明了算法的可行性,为青光眼和DR计算机辅助诊断系统的实现奠定了基础。