眼底视网膜血管是人体可以通过非创伤手段直接观察到的唯一更深层次的微小血管。其形态特征地变化可以直接反映各种疾病(如青光眼、白内障、糖尿病、高血压等)对视网膜血管网状结构不同程度的影响。医疗人员由此可以诊断各类疾病的发病情况。传统依靠医疗人员手动分割眼底图像中视网膜图像血管的方法,不仅过程繁琐、工作量大,而且过于依赖医疗人员地主观判断,容易造成血管的误识别。难以满足现代医学的需求。找到一套高精度的眼底视网膜血管自动分析技术势在必行。在过去的几十年里视网膜血管的自动提取技术取得了一定的研究成果。然而,视网膜血管宽度多变结构繁杂。并且由于现有图像采集技术的限制,在图像的某些区域一些微小血管往往存在对比度偏低的情况。导致血管的提取精度不高,与此同时部分血管存在断点。针对现有算法存在的这些问题,本文提出了一种PCNN与形态匹配增强技术相结合的算法。该算法主要分为图像预处理和图像分割两个部分,旨在去除背景噪声,增强血管对比度,实现视网膜血管的高精度自动提取。具体研究如下:1)基于形态匹配增强的眼底图像预处理。首先对原始图像作灰度变换,然后对灰度图像进行CLAHE处理,然后对增强后的图像分别进行高斯滤波以及Gabor滤波,最后按照Gabor滤波与高斯滤波4:6的比例将滤波后的结果进行融合。通过预处理可以减少光照不均和血管对比度低等因素带来的影响。2)基于改进的RG-PCNN的视网膜血管分割算法的设计。将PCNN模型,快速连接机制与种子区域增长相结合。该算法根据实际应用场景增加了生成血管边缘像素点数量占血管像素点总数的比例小于设定的阈值以及血管占整幅图的面积比大于设定阈值两个限定条件,一方面能够找到合适的种子生长区域,另一方面又能防止血管过度生长。3)视网膜血管分割系统实现。在MATLAB平台下实现了一套视网膜血管自动提取系统,方便对本文预处理和分割算法的效果有更加直观的理解。本文结合形态匹配增强技术和改进的RG-PCNN分割模型,提出了一种适用于眼底图像的视网膜血管分割方法。该算法在DRIVE和STARE眼底数据库上的性能表现较好,同目前主流的算法进行了大量的对比实验。实验结果表明,该算法能够有效地减少血管断点数量,提高微血管的分割准确率,具有较好的应用价值。