為了減少運(yùn)算量，提高算法的速度，在算法的實(shí)現(xiàn)中采用了二維快速傅里葉正反變換。由于低頻背景和極高頻噪聲得到衰減，在反變換后的圖像中病變的灰度值得到相對(duì)增強(qiáng)，明顯高于周?chē)谋尘盎叶戎?，這樣可以較容易地分離病變和背景，因此，經(jīng)過(guò)傅里葉正反變換病變得到增強(qiáng)的圖像，灰度值可以作為輸入特征進(jìn)行提取。
　利用上述方法獲得樣本圖像的方差、殘差和灰度特征，歸一化后組成輸入特征向量，輸入到如圖1所示的神經(jīng)網(wǎng)絡(luò)分類(lèi)器，利用神經(jīng)網(wǎng)絡(luò)BP訓(xùn)練算法進(jìn)行訓(xùn)練。訓(xùn)練完畢后，輸入待分類(lèi)的眼底熒光圖像，提取圖像特征，并進(jìn)行歸一化處理。將歸一化后的特征值輸入已訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類(lèi)器進(jìn)行分類(lèi)，根據(jù)分類(lèi)結(jié)果就可得到眼底熒光圖像中的目標(biāo)區(qū)域。
3 實(shí)驗(yàn)結(jié)果分析與對(duì)比
　圖4所示為視網(wǎng)膜血管圖像分割結(jié)果,其中圖4(d)為基于最大熵的閾值方法分割后的血管圖像，圖4(e)為基于神經(jīng)網(wǎng)絡(luò)分割后的血管圖像。圖5所示為視網(wǎng)膜病變區(qū)域分割結(jié)果,其中圖5(d)為基于最大熵的閾值方法分割后的圖像，圖5(e)為基于神經(jīng)網(wǎng)絡(luò)分割后的圖像。對(duì)比兩種不同的分割方法可以發(fā)現(xiàn),基于閾值的分割方法運(yùn)算速度較快，采用神經(jīng)網(wǎng)絡(luò)方法分割后的圖像噪聲更小，圖像更清晰。

參考文獻(xiàn)
[1] 文峰．淺談眼底血管造影的臨床釋義[J] ．中華眼底病雜志，2001，3（17）：67-68.
[2] 章毓晉.圖像分割[M].北京:科學(xué)出版社,2001.
[3] Gao Ning, Shao Lushou. Application of BP neural network prediction nodel on corps pests level by MATLAB [J]. Computer and Agriclture,2003,7:16-18.
[4] 王傳永,孫杰，陳輝，等.基于BP神經(jīng)網(wǎng)絡(luò)的血液圖像細(xì)胞色彩分割[J].光電子·激光,2005,16(12):1506-1509.
[5] 楊治明,王曉蓉，彭軍，等.BP人工神經(jīng)網(wǎng)絡(luò)在圖像分割中的應(yīng)用[J].計(jì)算機(jī)科學(xué),2007,34(2):234-236.
[6] 周志華,曹存根.神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[M] .北京:清華大學(xué)出版社,2004.