1.基于非对称卷积神经网络双通道的视网膜血管分割方法，其特征在于：该方法包括以下步骤：

步骤一、获取主、细血管特征图

选取视网膜血管图像的绿色通道分量图像作为待处理图像f(x,y)，x、y分别表示图像像素点的横纵坐标，图像的宽度和高度分别为H、W；

引入二维Gabor函数 模拟视皮层简单细胞的方向选择特性和感知尺度差异特性：

其中， γ表示Gabor滤波器的椭圆率；1/λ表示cosine因子的空间调制频率；σ表示Gabor滤波核响应的尺度，即血管尺度；θ表示Gabor滤波器的方向，即血管方向； 表示Gabor滤波器的相角；

设置血管方向θ∈[0,180°)，以15°为间隔，选取12个不同的方向，记为θi，i＝1,2,…,

12；将12个不同方向的Gabor滤波器分别与待处理图像f(x,y)进行卷积，得到卷积响应其中，*表示卷积运算；

将卷积响应 经过奇偶对称Gabor滤波处理后得到Gabor滤波器响应其中， 和 表示卷积响应经过奇偶对称Gabor滤波后的响应，其中在σ＝2.5的条件下提取不同方向θi所对应的Gabor滤波器响应 的最大值其中，θZY为Gabor滤波响应取最大值时所对应的血管方向，即血管方向最佳匹配角；

设置Gabor滤波核响应的尺度σ∈(σmin,σmax]，尺度间隔为tab，选取 不同的尺度，记为σj， σ1＝σmin+tab；在最佳匹配角θZY下提取所有尺度σj下的Gabor滤波器响应 并计算其熵ENTj：然后获取最大熵值ENTjmax及其所对应的尺度σjmax；

计算细血管特征图 和主血管特征图步骤二、分割主血管特征图

构建主血管分割网络，将步骤一得到的主血管特征图 输入四个由两个3×3卷积层和2倍下采样组成的模块中，依次得到尺寸为原图1/2、1/4、1/8、1/16的特征图Qp，p＝1,2,3,4：

Qp＝pool(conv1(Qp‑1))    (8)其中，pool表示2×2最大池化操作；conv1表示两层3×3、步长为1的普通卷积；Q0为主血管特征图

引入逐级连接策略，对特征图Q4进行逐级上采样，完成对主血管特征图的分割：1

其中，unsampling表示采用双线性内插值法的上采样操作，Q3表示特征图Q4经过2倍上采样后得到的与特征图Q3尺寸相同的特征图；

步骤三、分割细血管特征图

构建细血管补偿网络，将步骤一得到的细血管特征图 经过编码器由卷积层和下采样组成的三个模块，依次得到三个低层特征图P1，P2，P3；其中低层特征图P3经过两个混合空洞卷积残差块，得到特征图P4：P4＝Res2(conv2(P3))    (10)其中，Res2表示两次残差块操作；conv2表示两层空洞卷积；

将特征图P4输入解码器由上采样和混合空洞卷积残差块组成的三个模块，依次得到三

1 1 1

个高层特征图P3，P2，P1；

在解码器与编码器之间增加跳跃连接模块，通过三个扩张率为2、4、8的空洞卷积并行采样，对应的空洞卷积核nq为：nq＝k+(k‑1)×(dq‑1)    (11)其中dq表示空洞卷积的扩张率，q＝1,2,3；k表示卷积核尺寸；

将编码器的三个低层特征图P1，P2，P3分别经过三个并联的空洞卷积，将每个特征图获得的三个不同尺度的上下文信息通过串联拼接，形成对应的跳跃响应特征图 将1

每一层跳跃响应特征图与其对应的解码器高层特征图Pq进行通道拼接后经过解码器的混合空洞卷积残差块后，获得细血管补偿分割图 并且将最后一层解码器输出的 作为细血管的分割图Ffine(x,y)：步骤四、获得血管分割图

对步骤二、三中的非对称卷积神经网络进行双通道融合，将步骤二得到的粗血管分割图经过1×1卷积和ReLu激活函数得到的单通道血管预测图 与步骤三得到的细血管分割图经过1×1卷积和ReLu激活函数得到的单通道血管预测图 进行逻辑或操作，得到视网膜血管预测分割图Ffuse(x,y)：其中， 表示逻辑或操作；

步骤五、网络训练优化

计算步骤四得到的视网膜血管预测分割图Ffuse(x,y)与对应已知标签Xm的损失值Loss：其中，zm表示经过sigmoid激活函数得到的第m个图像像素点的预测值；

对非对称卷积神经网络进行反复的迭代训练，使用Adam优化函数对非对称卷积神经网络的双通道参数进行优化，当Loss的值小于阈值ε时结束迭代，并保存网络权重；

步骤六、视网膜血管分割

将标签未知的视网膜血管图像经过方向和尺度特征预处理后，输入步骤五训练优化后的非对称卷积神经网络双通道模型中，获得视网膜血管分割图。

2.如权利要求1所述基于非对称卷积神经网络双通道的视网膜血管分割方法，其特征在于：在步骤一中，设置γ＝0.5、λ＝3.5；σmin＝1，σmax＝4，tab＝0.5。

3.如权利要求1所述基于非对称卷积神经网络双通道的视网膜血管分割方法，其特征在于：在步骤三中，设置空洞卷积的卷积核尺寸k＝3。

4.如权利要求1所述基于非对称卷积神经网络双通道的视网膜血管分割方法，其特征在于：在网络训练优化过程中，设置阈值ε为输入的血管图像样本像素总数的1％～3％。