糖尿病视网膜病变作为糖尿病的一种并发症,具有高发病率、高致盲率的特点。对早期病变如硬性渗出的诊断和治疗,可以避免病变恶化,防止患者出现视力下降甚至失明。现有的纯人工诊断方式,对医生的专业技能提出了较高的要求,并且重复繁琐的任务容易使得医生出现误诊。考虑到硬渗大小形状不一,且与血管反光、视神经盘等正常结构具有相似的颜色、对比度等特点,因此通过计算机进行病变自动检测是一项具有挑战和现实意义的工作。本文针对眼底图像进行硬性渗出的自动检测算法设计,主要研究内容如下:(1)研究了糖网图像的视觉检测基础理论,包括数学形态学理论、机器学习模型和深度学习中的图像分类网络和语义分割网络。(2)提出了基于鲁棒主成分分析(RPCA)的硬性渗出检测方法。首先使用RPCA来提取硬渗候选区域,并分别使用条件随机场和SLIC超像素分割来分割血管和视神经盘,以此来掩模候选区域;基于分形特征和LBPV特征,使用集联支持向量机来得到真实病变区域。在e-optha数据集上,算法灵敏度、特异性和F-score分别为 0.8253、0.8322、0.8277。(3)提出了基于深度特征和多特征融合的硬性渗出检测方法。首先采用基于优化形态学重建的候选区域提取算法(OMRBS)来进行候选区域提取,接着分别提取每块连通候选区域的深度特征和传统特征,然后基于岭回归将深度特征和传统特征进行降维和融合。最后使用随机森林来分类出真实硬性渗出。在e-optha数据集上,算法灵敏度、特异性和F-score分别为0.8990、0.8868和0.8929;在HEI-MED数据集上,相应的指标分别为0.9477、0.9179和0.9326。(4)提出了基于语义分割的硬性渗出候选区域检测方法。基于实时语义分割思想,本文设计出了一种实时硬性渗出分割的特征级联神经网络FCNet。该网络包括三大模块:注意力机制模块、特征融合模块和残差精细化模块。在e-optha数据集上,算法灵敏度、特异性和F-score分别为0.8199、0.9669和0.8874;在HEI-MED数据集上,相应的指标分别为0.9721、0.9890和0.9805。为了验证算法的鲁棒性,本文还将算法用于四川省人民医院采集到的眼底图像,其分割效果均达到预期效果。