糖尿病性视网膜病变是一种对视网膜产生严重损害的糖尿病并发症,早期的诊断和干预可以有效降低视力丧失的风险。在标准采集的彩色眼底照片中,微动脉瘤、出血和渗出液等病变的数量可以被当作诊断的依据。本文重点研究了糖尿病性视网膜疾病的病变识别问题,提出了一种用于微动脉瘤识别的局部连通性限制和对比度归一化算法框架,用于出血识别的渐进性血管移除算法框架和用于渗出液识别的双尺度形态学算法框架,并在这些算法的基础上实现了糖尿病性视网膜病变的辅助诊断系统。微动脉瘤的检测问题属于复杂背景中的小目标识别问题。基于目标特性,通过建立连通性规则对微动脉瘤的形态进行约束,然后利用局部对比度归一化算法将微动脉瘤与间断血管的差异进行扩大,得到局部对比度特征图,最终根据特征分类获得真正的微动脉瘤。在国际公开数据集DIARETDB1和ROC上进行实验之后,各项数据表明本算法框架能够对眼底微动脉瘤的识别结果有明显改进。眼底图像中的出血识别主要是解决因尺寸和形态上的差异而导致的误判,以及因与视网膜脉管系统相黏连而导致的漏识。基于以上问题,本文提出的算法首先对眼底暗区采用双尺度进行分割,根据连通性复原算法对小血管的连续性进行恢复,然后应用渐进性血管移除算法逐渐去除血管分支,产生出血候选。在分类阶段通过特征训练的分类器将候选者分类为出血和非出血。对DIARETDB1和DIARETDB0的实验表明,本方法在灵敏度和特异性方面实现了可靠、高质量的性能。眼底渗出液具有形态大小各异、边缘较为清晰的特点。渗出液的识别算法应当对不同尺寸的病变具有鲁棒性,并且因眼底视盘等与渗出液形态相似,算法也应排除以上结构的干扰。本文提出了基于双尺度形态学的算法框架,使用顶帽和黑帽操作检测渗出液的轮廓,并在相同分辨率下,重复采样图像,对图像进行重构以获得双尺度下的最终区域。实验性能测试和对比都验证了本方法的有效性。