视网膜眼底图像是医学图像处理中常用的一种重要图像,是诊断眼科类疾病和其他全身性疾病如高血压、糖尿病等的重要工具。作为视网膜上主要的生理结构,视盘的准确检测对自动提取视网膜中其他的解剖结构,检测视网膜病变以及识别其他的眼底特征有很多帮助。由于视网膜病变、非均匀照明以及对比度差异的存在,在视网膜图像中精确检测视盘具有很大的难度。在眼底图像中对视盘的检测可分为两部分:视盘的定位和视盘的分割。视盘的定位是确定视盘区域的近似几何中心,而视盘的分割是在视盘的精确定位基础上,提取感兴趣区域,检测出视盘的轮廓。针对视盘在眼底图像上的特有结构特征,本文对视盘的自动定位与分割方法分别进行了研究。本文在研究了视盘形状、亮度、位置等特征的基础上提出了一种新的视盘定位方法。针对视盘是具有更高亮度的圆形或椭圆形区域,并且其尺寸在一定范围内的特征,本文提出了一个简单而有效的算法,通过使用不同大小的同心圆形的卷积模板进行匹配来定位视盘的中心。我们利用快速傅里叶变换计算卷积,并且在视网膜图像预处理中不需要图像增强和血管分割,因此花费较少的时间。我们在四个公共数据集中验证了提出的算法,准确率为95%,96%,98.88%和100%。对于分辨率为565×584的视网膜眼底图像,平均处理时间为1.1s。在视盘定位的基础上,本文提出了基于含椭圆形约束参数活动轮廓模型的视盘分割方法。针对眼底图像中视盘的形状特征,本文在传统GVF(gradient vector flow)Snake模型中加入椭圆形约束项来检测视盘的轮廓。针对传统方法中手工初始化视盘轮廓的不足,本文用数学形态学方法检测视盘边缘并对检测到的边缘进行Hough变换检测圆,将检测出的圆作为视盘的初始轮廓。在自动初始化轮廓后,用含有椭圆形先验信息约束的GVF Snake模型方法分割出视盘。将本文中的方法在MESSIDOR数据集上进行了测试验证,得到0.83的平均准确率,证明了该算法具有较好的分割性能。