眼底视网膜相关病变会损害患者的视力,严重时会导致失明。早期诊断与筛查可延缓眼底疾病的进一步发展,防止失明的发生。目前,基于特定类型病灶筛查的计算机辅助技术可从视网膜图像中检测指定类型的病灶,但对其他类型的病灶“视而不见”。本文拟研究视网膜图像中各类异常区域的检测问题,该问题是计算机辅助的视网膜影像读片中的关键环节。通常,视网膜图像中的病灶数量和类型未知,并且不同类型的病灶呈现出不同的视觉特征。这些因素使得检测视网膜图像中各种类型的异常区域十分困难。目前尚无有效的自动检测各种异常区域的方法。借鉴医生的视觉诊断模式,本文提出了有效的检测各种异常区域的方法。在该类方法中,首先收集大量正常视网膜图像作为先验知识,然后在先验知识指导下从测试图像中学习它的背景图像,从而从测试图像中分离出各类异常区域。本文的主要贡献和创新点如下:(1)提出从视网膜图像中检测各种异常区域的可行的计算方法。通过有效抑制不同视网膜图像的成像偏差和不同人视网膜血管个性化差异带来的干扰,将视网膜图像中各种异常区域的检测问题转化为视网膜图像的背景图像学习问题。基于视网膜图像中病灶和背景图像各自不同的的特性,提出两类有效的检测异常区域的计算方法,一类为基于基底或字典重构背景图像的方法,另一类为基于低秩分解的背景图像学习方法。(2)提出基于正交基底学习及编码的背景重构方法。首先基于PCA(Principal Component Analysis)从正常视网膜图像集合中学出一组正交基底。其次,基于正交基底重新编码测试图像,通过测试图像与编码图像的重构误差检测异常区域。最后根据异常区域的局部上下文信息,采用局部视觉感知模型进一步抑制假阳性区域。该方法计算简单,能有效检测显著性小病灶,但检测大病灶效果欠佳。(3)根据异常区域在正常视网膜图像集合中表现为稀疏结构的特点,提出分层稀疏的背景重构方法(Hierarchical Sparse Learning,HSL)。首先从正常视网膜图像集合学出一个字典。其次,基于该字典稀疏编码(Sparse Coding,SC)测试图像,得到测试图像的多个具有不同逼近精度的背景图像。最后基于低秩逼近从这些背景图像中进一步学出精细背景图像。该方法用字典稀疏编码测试图像,并从多个信息互补的背景图像中进一步学习精细的背景图像,能比(2)中的方法学出更好的背景图像。但HSL在稀疏编码时,隐含了病灶服从高斯分布的假定,这与病灶的实际分布不符,导致稀疏编码时无法抑制病灶,出现一些误检。(4)根据病灶的统计特性,提出字典学习与混合高斯编码(Dictionary Learning and Mixture of Gaussian,DMOG)的背景重构方法。该方法用混合高斯模型来刻画病灶所服从的分布,并基于从正常视网膜图像集合学出的字典来混合高斯编码测试图像。由于混合高斯模型能更好地刻画病灶所服从的分布,在编码得到的背景图像中,正常区域被较好地逼近,同时病灶区域也被较好地抑制。相比HSL方法,能更好地抑制病灶。但DMOG在编码背景图像和拟合病灶分布之间做了折中,导致不能很好重构某些具有个性化变化的正常区域,因此,不能很好区分弱病灶和正常的个性化区域。(5)根据背景图像在正常视网膜图像集合中表现出低秩性,提出双层低秩分解的背景学习方法。不同于基于基底或字典重构背景图像的方法,它首先通过测试图像在不同的正常视网膜图像集合中的低秩逼近,分别得到不同精度的背景图像,测试图像在这些精度不同的背景图像集合中进一步进行低秩逼近,将测试图像分解为包含各类病灶的稀疏结构及低秩的背景图像。与基于基底或字典重构背景图像的方法相比,能更好地区分弱病灶和正常个性化区域。但该方法需要多次低秩矩阵分解,计算复杂度高。此外,该方法启发性强,模型可解释性偏弱。