1.一种U‑Net与自适应PCNN相结合的视网膜血管分割方法，其特征在于：首先原始彩色眼底图像进行预处理；接着使用预处理之后的数据集对深度学习模型进行训练、增强；然后使用改进的U‑Net模型进行二次增强，先将一次增强结果与原彩色图像相融合、灰度化和CLAHE处理，再将图片输入改进的U‑Net模型增强图片质量；将图片再次输入U‑Net，整体性提高图片质量；通过Otsu算法得到目标与背景分割阈值，使用公式得到相关自适应参数，再使用PCNN进行血管分割；

视网膜血管分割方法包括以下步骤：

步骤1：对实验中所选用的眼底图像数据库做数据增广；

步骤2：数据集图片进行灰度化处理；

步骤3：数据集图片进行CLAHE处理，加大视网膜血管与背景之间的对比度；

步骤4：图像分块；

步骤5：U‑Net神经网络模型的搭建、训练以及图片增强；

所述步骤5包括以下步骤：

步骤5.1：针对数据集图片质量参差不齐的问题，搭建U‑Net模型作为预处理神经网络，提升图片质量，U‑Net模型是一个具有U型对称结构的全卷积神经网络，其包括下采样单元、上采样单元，下采样单元由第一卷积层、第一批标准化层、第一激活层、第一正则化层、最大池化层组成，在网络的训练中能够对输入图像进行路径收缩从而捕捉到全局信息，每经过一次下采样单元，输出图像缩小到输入图像的1/4，激活函数采用Leaky‑ReLU函数；

上采样单元由上采样层、第二卷积层、第二批标准化层、第二激活层、第二正则化层组成，每经过一次上采样单元，输出图像扩大到输入图像的4倍；再经过第二卷积层二维卷积，第二批标准化层拉伸第二卷积层输出到正态分布，Leaky‑ReLU激活函数进行非线性映射，第二正则化层以设定的概率丢弃神经元激活值，输出层激活函数为softmax函数；

步骤5.2：在U‑Net模型训练阶段，每一轮训练时我们选取训练集中90％的数据用于训练，将剩余10％的数据用作验证，U‑Net模型中使用交叉熵代价函数计算误差，然后使用随机梯度下降的方式来最小化代价，然后反向传播更新权重和偏置；

步骤5.3：将初步处理过的测试集图片输入训练好的改进U‑Net模型，进行第一次增强；

步骤5.4：初次增强图片进行第二次增强；

步骤6：自适应PCNN神经网络模型的搭建；

所述步骤6具体为：

针对灰度图像的二值分割，构建了自适应PCNN模型，PCNN模型由接受域、调制域、脉冲产生域组成；接受域由连接输入L和反馈输入F组成；调制域主要是产生内部活动项U；脉冲产生域由阈值调节器、脉冲发生器组成；当内部活动项U大于动态门限θ时，神经元点火，Y＝

1；PCNN的数学表达式为：

L[n]＝∑klWijklYkl[n‑1](2)U[n]＝F[n](1+βL[n])(3)

自适应PCNN将图像分成多块，使用OTSU方法计算各个图块目标背景分割阈值T，再使用公式(6)、(7)计算初始点火阈值θ0和连接系数β，θ0＝m0+k1*σ0(6)

k1、k2为常数系数，k1∈[1,2]，k2∈[0,1]；

步骤7：使用自适应PCNN进行血管分割。

2.根据权利要求1所述一种U‑Net与自适应PCNN相结合的视网膜血管分割方法，其特征在于：所述步骤1包括以下步骤：步骤1.1：将DRIVE、STARE和CHASE_DB1三个数据集中的每一幅图片进行水平翻转；

步骤1.2：数据集图片进行垂直翻转；

步骤1.3：数据集图片再进行Gamma变换。

3.根据权利要求1所述一种U‑Net与自适应PCNN相结合的视网膜血管分割方法，其特征在于：所述步骤4包括以下步骤：步骤4.1：训练集图片的分块是在图片中随机选取48×48大小的图片；

步骤4.2：测试集图片分块是在图像中每隔5个像素取一个图像块，将图像分成重叠的

48×48图像块，在边缘以补充0灰度级像素的方式防止像素数量不足的问题出现。

4.根据权利要求1所述一种U‑Net与自适应PCNN相结合的视网膜血管分割方法，其特征在于：所述步骤7包括以下步骤：步骤7.1：将二次增强得到的灰度图像，分割成多块M×N的不重叠图块；

步骤7.2：只保留图块中0.3‑0.7的像素值，其他像素值归0，步骤7.3：各图块将0灰度级像素除去，再使用Otsu计算各自目标背景分割阈值T，再计算初始点火阈值θ0、初始连接系数β；

步骤7.4：将处理之后图块输入到PCNN；

步骤7.5：使用初始点火阈值和连接系数以及公式(2)‑公式(5)进行迭代分割；

步骤7.6：迭代结束后，将PCNN分割结果重组为原始图像大小；

步骤7.7：将分割图像中对应于二次增强图像中0.7以上像素位置的像素置为1,0.3以下的置为0。