1.目标定位与语义分割相结合的超广角眼底图像视盘提取方法，其特征在于包括以下步骤：步骤1：建立YOLOv4模型，进行视盘区域的粗定位；

步骤2：根据视盘区域的粗定位结果，提取包含视盘区域，除去眼周区域；

2

步骤3：通过活动轮廓模型Snake模型交互式分割视盘区域，构建U‑Net模型训练所需的具有视盘标签的数据集；

2

步骤4：使用U‑Net模型进行视盘区域提取。

2.根据权利要求1所述目标定位与语义分割相结合的超广角眼底图像视盘提取方法，其特征在于：所述步骤2中，根据YOLOv4模型视盘定位结果，提取包含视盘的感兴趣区域，除去干扰视盘区域提取的眼周区域，将视盘中心置于截取图像的偏左或者偏右的位置，截取两个256×256大小感兴趣区域，并覆盖上了掩模。

3.根据权利要求1所述目标定位与语义分割相结合的超广角眼底图像视盘提取方法，其特征在于：所述步骤3包括以下步骤：首先，对超广角眼底图像进行灰度归一化和高斯滤波，除去噪声；然后手动选取初始轮廓曲线的坐标点，利用插值法得到封闭轮廓曲线；接着计算能量函数E，利用能量函数E得到其梯度F以及五对角带状矩阵A，进而更新曲线上各点位置；最后，填充封闭曲线内的空白区域，得到视盘标签；

如公式(1)‑(6)所示：

Esnake＝∫E(v(s))ds＝Eint(v(s))+Eext(v(s)) (1)；

其中：v(s)代表曲线函数，Esnake代表Snake曲线能量，Eint代表内部能量，Eext代表外部能量；

2 2

Eint(v(s))＝∫(|v′(s)|+|v″(s)|)ds (2)；

其中：v′(s)为曲线函数一阶导数，v″(s)为曲线函数二阶导数；

Eext(v(s))＝Eimg(v(s))+Econstaint(v(s)) (3)；

其中：Eimg(v(s))、Econstaint(v(s))分别表示图像能量和约束力能量；

其中：I为输入图像，Ix与Iy分别代表图像对x轴与y轴的偏导，x与y为坐标值；

表示图像倒数，Ixx、Ixy、Iyy分别表示：图像在x轴上二阶偏导数，在x与y轴上各一次求导的二阶偏导数、在y轴上的二阶偏导数；

其中：xss与xssss分别代表v(s)对x轴的一阶与二阶偏导，yss与yssss分别代表v(s)对y轴的一阶与二阶偏导；α、β为权重；

其中：fx与fy分别代表Esnake对x轴与y轴的偏导，t代表迭代次数；

xt、yt为本次迭代曲线各点的坐标；

xt‑1、yt‑1为上次迭代曲线各点的坐标，A为五对角带状矩阵，γ为权重系数。

4.根据权利要求1所述目标定位与语义分割相结合的超广角眼底图像视盘提取方法，2

其特征在于：所述步骤3中，在U ‑Net模型训练前，通过对比度受限直方图均衡化技术CLAHE，增强视盘与背景的对比度，以提升模型训练效果。

5.根据权利要求1所述目标定位与语义分割相结合的超广角眼底图像视盘提取方法，其特征在于：所述步骤4包括以下步骤：2

S4.1：将增强图片输入U‑Net模型，提取视盘区域；

2

S4.2：对U‑Net模型输出结果进行二值化，得到二值视盘区域图像。