1.基于双尺度全卷积重构网络的无监督视网膜图像分割方法，其特征在于，包括：设计解码器架构，采用三层转置卷积网络作为解码器；此解码器与编码器联合构建七层全卷积网络；

还包括：设计双尺度重构网络结构：

通过重新设计的解码器直接对整个图像进行重构，局部补丁重建和全局图像重建的方法不互斥，通过两者相互补充的方式获得更好的修复效果；根据具体的修复任务和要求来决定选取的方法或组合；通过将全局图像重建与局部补丁图像重建相结合，提高图像修复的准确性和完整性；

还包括：损失函数设计；

损失函数结合局部对比学习、局部补丁重构损失和全局图像重构损失；对比损失的目标是确保编码器以有组织的方式将相似的像素中心补丁映射到嵌入空间；

在进行损失函数设计时，使用邻近启发式和图像结构相似性度量来确定正例和负例对；正例是与锚点补丁相似度高于阈值的局部邻域补丁，而负例是离锚点补丁远或未通过相似性检查的补丁；

在嵌入空间中，进行对比学习，比较每个锚点补丁的嵌入向量 和 通过这种方式，生成正负对，计算对比损失，并建立嵌入空间中的不变性；使用来自不同锚点补丁的正样本作为当前锚点补丁的负样本，以提高挖掘速度；具体公式如下：+

其中，最小化这种损失函数鼓励网络将正样本集合Ω 嵌入到靠近锚点的位置，而接近‑程度则根据负集Ω 和锚点之间的距离进行缩放；温度参数τ控制对比损失中使用的距离的缩放方式，将其值固定为0.5；sim(·)是相似度函数，在实现中设置为余弦相似度。

2.根据权利要求1所述的基于双尺度全卷积重构网络的无监督视网膜图像分割方法，其特征在于，所述损失函数设计中，局部重构损失和全局重构损失使用相同的损失函数，通过重构损失来确保每个以像素为中心的补丁的嵌入向量保留周围补丁的信息以及整体图像的结构和纹理信息。

3.根据权利要求2所述的基于双尺度全卷积重构网络的无监督视网膜图像分割方法，其特征在于，所述损失函数设计中，对于嵌入 补丁重建损失为：

4.根据权利要求3所述的基于双尺度全卷积重构网络的无监督视网膜图像分割方法，其特征在于，所述损失函数设计在训练过程中，使用补丁重建模块frecon(·):来重建补丁，它与卷积编码器一起进行联合优化。

5.根据权利要求4所述的基于双尺度全卷积重构网络的无监督视网膜图像分割方法，其特征在于，所述引入了全局图像的重构损失，使用fglobal(·): 来处理编码器输出的全局特征图；

总目标函数是对比损失和重建损失的总和，并通过控制相对大小的权重系数λ∈[0,1]进行平衡：loss＝λ·lcontrastive+(1‑2·λ)·lrecon+λ·lglobal其中，设置λ＝0.01。