一种眼底图像血管的识别方法、装置、电子设备及存储介质

摘要

本发明涉及一种眼底图像血管的识别方法、装置、电子设备及存储介质，该方法包括：获取待测眼底图像；基于检测算子，提取待测眼底图像的第一特征图像及第二特征图像；基于语义分割模型，提取待测眼底图像的空间形状特征图像；根据第一特征图像、第二特征图像及空间形状特征图像，重建待测眼底图像；将重建后的待测眼底图像输入血管分割模型，得到待测眼底图像的血管分割图像；其中，语义分割模型为根据眼底图像训练集训练得到的；血管分割模型为根据重建的眼底图像训练集训练得到的。本发明通过重建待测眼底图像，提升了图像清晰度，使图形特征更加明显，通过将重建后的眼底图像输入血管分割模型进行血管识别，得到了分割精度更高的血管分割图像。

说明书

技术领域

本发明涉及图像处理技术领域，尤其涉及一种眼底图像血管的识别方法、装置、电子设备及存储介质。

背景技术

眼底图像分析是医学影像分析的重要议题，出于眼底筛查结果客观性、可重复性、准确性以及大批量的需求，采取有效的方法自动提取视网膜眼底图像中的血管结构，有助于对眼底疾病的早期诊断、治疗跟踪，在临床上具有重要的应用价值。

图像特征提取是图像学处理和计算机视觉相关领域必不可少的一步。在进行模型训练时，图像特征的选择和提取将会直接影响到模型的学习效果，从而影响到最终分类的精准度和学习速率。目前，在医学图像领域中提取血管的精度有待提高，尤其是对于模糊的眼底图像，其眼底血管边缘难以准确分割，使得提取的效果并不理想。

发明内容

本发明提供一种眼底图像血管的识别方法、装置、电子设备及存储介质，用以解决现有技术中眼底图像血管的识别精度不高的缺陷。

第一方面，本发明提供一种眼底图像血管的识别方法，包括：

获取待测眼底图像；

基于检测算子，提取所述待测眼底图像的第一特征图像及第二特征图像；

基于语义分割模型，提取所述待测眼底图像的空间形状特征图像；

根据所述第一特征图像、第二特征图像及所述空间形状特征图像，重建待测眼底图像；

将重建后的待测眼底图像输入血管分割模型，得到所述待测眼底图像的血管分割图像；

其中，所述语义分割模型为根据眼底图像训练集训练得到的；所述血管分割模型为根据重建的眼底图像训练集训练得到的。

根据本发明提供的一种眼底图像血管的识别方法，所述基于检测算子，提取所述待测眼底图像的第一特征图像及第二特征图像，进一步包括：

基于检测算子，提取所述待测眼底图像的多个种类的特征图像；

对所述待测眼底图像的多个种类的特征图像，分别计算信息熵；

取最大信息熵对应的特征图像，作为第一特征图像；

取信息熵仅次于所述最大信息熵的特征图像，作为第二特征图像。

根据本发明提供的一种眼底图像血管的识别方法，所述多个种类的特征图像为灰度特征图像、纹理特征图像、边缘特征图像及梯度特征图像中的至少两种；

相应的，所述基于检测算子，提取所述待测眼底图像的多个种类的特征图像，进一步包括：

对所述待测眼底图像进行灰度转化，得到灰度特征图像；

对所述灰度特征图像进行直方图均衡化，并基于检测算子，提取所述待测眼底图像的纹理特征图像、边缘特征图像或梯度特征图像。

根据本发明提供的一种眼底图像血管的识别方法，所述根据所述第一特征图像、第二特征图像及所述空间形状特征图像，重建待测眼底图像，进一步包括：

将所述第一特征图像、第二特征图像及空间形状特征图像分别作为所述待测眼底图像的RGB三通道的一个分量，进行图像合成，得到重建后的待测眼底图像。

根据本发明提供的一种眼底图像血管的识别方法，所述将所述重建后的待测眼底图像输入血管分割模型，得到所述待测眼底图像的血管分割图像之后，还包括：

将所述待测眼底图像的血管分割图像输入随机场模型，得到降噪后的血管分割图像。

根据本发明提供的一种眼底图像血管的识别方法，所述获取待测眼底图像之前，还包括；

获取眼底图像训练集；

根据所述眼底图像训练集，训练得到所述语义分割模型；

基于检测算子，提取所述眼底图像训练集的第一特征图像集及第二特征图像集；

根据所述眼底图像训练集的第一特征图像集、第二特征图像集以及所述眼底图像训练集对应的空间形状特征图像集，重建眼底图像训练集；

根据重建后的眼底图像训练集，训练得到所述血管分割模型。

根据本发明提供的一种眼底图像血管的识别方法，所述获取眼底图像训练集之前，还包括：

获取原始眼底图像训练集；

对所述原始眼底图像训练集进行图像预处理，得到第一样本集；所述图像预处理包括：旋转、翻转中的至少一项；

将所示第一样本集加入所述原始眼底图像样本集中，得到第二样本集；

对所述第二样本集进行归一化统一尺寸，得到所述眼底图像训练集。

第二方面，本发明还提供一种眼底图像血管的识别装置，包括：

获取模块，用于获取待测眼底图像；

第一提取模块，用于基于检测算子，提取所述待测眼底图像的第一特征图像及第二特征图像；

第二提取模块，用于基于语义分割模型，提取所述待测眼底图像的空间形状特征图像；

重建模块，用于根据所述第一特征图像、第二特征图像及所述空间形状特征图像，重建待测眼底图像；

生成模块，用于将重建后的待测眼底图像输入血管分割模型，得到所述待测眼底图像的血管分割图像；

其中，所述语义分割模型为根据眼底图像训练集训练得到的；所述血管分割模型为根据重建的眼底图像训练集训练得到的。

第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面任一种所述眼底图像血管的识别方法的步骤。

第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面，任一种所述眼底图像血管的识别方法的步骤。

本发明提供的一种眼底图像血管的识别方法、装置、电子设备及存储介质，通过检测算子提取了待测眼底图像的第一特征图像、第二特征图像，通过语义分割模型提取了待测眼底图像的空间形状特征图像，并根据三类特征图像重建了待测眼底图像，提升了图像清晰度，使图形特征更加明显，通过将重建后的眼底图像输入血管分割模型进行血管识别，得到了分割精度更高的血管分割图像。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种眼底图像血管的识别方法的流程示意图；

图2是本发明提供的一种眼底图像血管的识别方法的语义分割模型、血管分割模型获取流程示意图；

图3是本发明提供的一种眼底图像血管的识别装置的结构示意图；

图4是本发明中第一提取模块32的结构示意图；

图5是本发明提供的另一种眼底图像血管的识别装置的结构示意图；

图6是本发明提供的一种电子设备的结构示意图；

图7是本发明中眼底图像的灰度特征图像示例图；

图8是本发明中眼底图像的纹理特征图像示例图；

图9是本发明中眼底图像的边缘特征图像示例图；

图10是本发明中对灰度特征图像进行直方图均衡化后的示例图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

现有技术训练的血管分割模型的效果与训练样本的图像质量有着很大的关系，即图像质量差的训练样本训练出来的模型分类结果较差，使得一些血管特征较差的模糊病理图像训练的模型得到的分类结果不够精细，对质量较差的图像中的细节不敏感，对于边缘精度不高，基于此，提出本发明。

下面结合图1-图10描述本发明。

第一方面，本发明提供一种眼底图像血管的识别方法，如图1所示，本发明提供一种眼底图像血管的识别方法包括：

S11、获取待测眼底图像；

其中，待测眼底图像为本方法血管识别的目标对象，用于提取血管组织图像，供医师参考分析。其中，眼底为医学概念，为眼球内后部的组织。

S12、基于检测算子，提取所述待测眼底图像的第一特征图像及第二特征图像；

其中，检测算子为用于提取图像特征的工具，可以理解的是，提取不同的图像特征需要使用不同的检测算子。举例来说，如果需要提取的是边缘特征图像，那么检测算子可以是Canny算子、Sobel算子、 Lapace算子、prewitt算子、roberts算子等，如果需要提取的是纹理特征图像，那么检测算子可以是LBP算子、GLCM算子、GLDS算子、Gabort算子等。具体的检测算子选择不作限制，只需满足目标特征图像提取要求即可。基于检测算子对待测眼底图像进行特征提取，得到第一特征图像和第二特征图像，用于后续重建待测眼底图像，其中，第一特征图像和第二特征图像表征了待测图像的两种不同种类的特征。

S13、基于语义分割模型，提取所述待测眼底图像的空间形状特征图像；

语义分割模型是一个编码器-解码器网络，其中，编码器对输入进行下采样，解码器对编码器的输出进行上采样，恢复分辨率，将编码器学习到的可判别特征从语义上投影到像素空间，以获得密集分类。语义分割模型可以是FCN、U-Net、SegNet、DeepLab、E-Net、Mask R-CNN、PSPNet、RefineNet、G-FRNet模型等等，此处不再作具体限制。语义分割模型是根据眼底图像训练集预先训练好的，用于提取待测眼底图像的空间形状特征图像，其中，空间形状特征是指从待测眼底图像中提取出来的多个血管之间的相互的空间位置或相对方向关系，这些关系也可分为连接/邻接关系、交叠/重叠关系等。利用预训练好的语义分割模型提取待测眼底图像的空间形状特征图像，用于后续重建待测眼底图像。

S14、根据所述第一特征图像、第二特征图像及所述空间形状特征图像，重建待测眼底图像；

第一特征图像、第二特征图像及所述空间形状特征图像反映了待测图像的不同种类的血管特征，根据这些特征重建待测眼底图像，使其图像清晰度更高，图像特征更明显，便于血管识别。

S15、将重建后的待测眼底图像输入血管分割模型，得到所述待测眼底图像的血管分割图像；

其中，所述血管分割模型为根据所述眼底图像训练样本的重建后的眼底图像训练样本训练得到的，血管分割模型的具体结构可以是 FCN、U-net、RNN模型及其变形等等。通过训练好的血管分割模型对待测眼底图像进行血管识别，得到待测图像的血管分割图像。

本实施例通过检测算子提取了待测眼底图像的第一特征图像、第二特征图像，通过语义分割模型提取了待测眼底图像的空间形状特征图像，并根据三类特征图像重建了待测眼底图像，提升了图像清晰度，使图形特征更加明显，通过将重建后的眼底图像输入血管分割模型进行血管识别，得到了分割精度更高的血管分割图像。

在一个实施例中，所述血管分割模型为根据眼底训练样本的重建待测眼底训练样本训练U-net模型得到的。

由于医学图像具有数据量较少、结构较为固定、边界不清晰，训练数据获取相对较难的特点，U-Net模型使用跳跃连接结构将下采样层与上采样层相连，使得下采样层提取到的特征(语义信息)可以直接传递到上采样层，融合不同尺度的特征，使得U-net模型的像素定位更加准确，分割精度更高。并且由于结合了底层特征，即使对于小样本也不容易过拟合，提高了模型训练效率。

在一个实施例中，所述基于检测算子，提取所述待测眼底图像的第一特征图像及第二特征图像，进一步包括：基于检测算子，提取所述待测眼底图像的多个种类的特征图像；对所述待测眼底图像的多个种类的特征图像，分别计算信息熵；取最大信息熵对应的特征图像，作为第一特征图像；取信息熵仅次于所述最大信息熵的特征图像，作为第二特征图像。

图像的信息熵是反映图像中平均信息量的特征的统计形式。它表示图像中灰度分布的聚集特征。图像熵被表示为图像中灰度集合的平均值，它也描述了图像的平均信息量。换句话说，图像的信息熵越大，图像中包含的信息就越多，说明这个图像的信息越多，质量也就越好。

本实施例中，计算提取到的不同种类特征图像的信息熵，通过比较信息熵值，筛选出质量更好，含有待测眼底图像信息更清晰的特征图像，用于重建待测图像，能够使待测图像更清晰，特征更加明显。

在一个实施例中，信息熵通过如下公式计算：

其中H为信息熵，p

在一个实施例中，所述多个种类的特征图像为灰度特征图像、纹理特征图像、边缘特征图像及梯度特征图像中的至少两种；

相应的，所述基于检测算子，提取所述待测眼底图像的多个种类的特征图像，进一步包括：

对所述待测眼底图像进行灰度转化，得到灰度特征图像；

对所述灰度特征图像进行直方图均衡化，并基于检测算子，提取所述待测眼底图像的纹理特征图像、边缘特征图像或梯度特征图像。

具体地，图7为灰度特征图像示例，灰度使用黑色调表示物体，即用黑色为基准色，不同的饱和度的黑色来显示图像；图8为纹理特征图像示例，纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性；图9为边缘特征图像示例，边缘是指图像局部灰度显著变化，存在于目标与背景、目标与目标、区域与区域之间；梯度是指图像某像素在 x和y两个方向上的变化率。灰度特征图像、纹理特征图像、边缘特征图像及梯度特征图像从不同角度描述了待测眼底图像的特征。多个种类的特征图像包含上述至少两种是为了保证有一定的筛选范围，以便提取出特征更清晰的第一特征图像、第二特征图像。

由于灰度特征是较为基础的特征，本实施例中，先对图形进行灰度转化，得到灰度特征图像，然后对所述灰度特征图像进行直方图均衡化，并基于检测算子，对直方图均衡化后的灰度特征图像进行特征提取得到待测眼底图像的纹理特征图像、边缘特征图像或梯度特征图像。

图10为对灰度特征图像进行灰度转化后的图像示例。在拍摄眼底图像过程中，眼球中玻璃体等病理造成透光度变化，眼底照相机出现的误差，不均匀照明、复杂背景等因素，这些都会造成眼底图像低对比度降低，掩盖一些血管的细节信息，因此，对基于灰度图像提取特征时，利用直方图均衡化增强灰度图像，能够凸显眼待测底图像中的血管脉络信息。

本实施例中从至少两类具体特征中筛选出第一特征图像、第二特征图像，得到了特征更清晰的第一特征图像、第二特征图像，通过对灰度特征图像进行直方图均衡化，凸显了待测眼底图像中的血管脉络信息。

在一个实施例中，所述根据所述第一特征图像、第二特征图像及所述空间形状特征图像，重建待测眼底图像，进一步包括：将所述第一特征图像、第二特征图像及空间形状特征图像分别作为所述待测眼底图像的RGB三通道的一个分量，进行图像合成，得到重建后的待测眼底图像。

RGB是一种颜色标准，通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，本实施例中通过将第一特征图像、第二特征图像及所述空间形状特征图像分别作为RGB三通道的一个分量，进行图像合成，得到重建后的待测眼底图像，可以理解的是上述三类特征图像，与输入的R、G、B通道可以并不是固定的，可以调整组合关系。

类似地，基于不同的颜色空间，如CMY、HSV、HSI颜色空间，还可以将所述第一特征图像、第二特征图像及空间形状特征图像分别作为所述待测眼底图像的CMY、HSV或HSI三通道的一个分量，进行图像合成，得到重建后的待测眼底图像。

本实施例通过将第一特征图像、第二特征图像及空间形状特征图像分别作为RGB三通道的一个分量进行图像合成，得到了清晰度更高，特征更明显的待测眼底图像。

在一个实施例中，所述将所述重建待测眼底图像输入血管分割模型，得到所述待测眼底图像的血管分割图像之后，还包括：将所述待测眼底图像的血管分割图像输入随机场模型，得到降噪后的血管分割图像。

利用随机场模型考虑像素点空间的不同像素点之间的关联信息，从而起到抑制分割错误的噪音像素，增强血管的分割精度的效果。所述随机场模型可以是条件模型、马尔科夫随机场模型、吉布斯随机场模型等。

在一个实施例中，所述随机场模型具体为denseCRF模型。

在血管分割模型输出血管分割图像后，将血管分割图的像素点当作denseCRF的输入，利用平均近似场的方法求解计算后输出得到最终的血管分割图像。由于denseCRF具有考虑像素点空间上下文的全局信息，能够抑制分割错误的噪音像素，从而增强了血管的分割精度，得到降噪的血管分割图像。

如图2所示，在一个实施例中，所述获取待测眼底图像之前，还包括；

S21、获取眼底图像训练集；

其中，眼底图像训练集为经过数据标注的眼底图像样本数据集，数据标注可以由医生专家完成，也可由数据标注模型完成。

S22、根据所述眼底图像训练集，训练得到所述语义分割模型；

语义分割模型是一个编码器-解码器网络，其中，编码器对输入进行下采样，解码器对编码器的输出进行上采样，恢复分辨率，将编码器学习到的可判别特征从语义上投影到像素空间，以获得密集分类。语义分割模型可以是FCN、U-Net、SegNet、DeepLab、E-Net、Mask R-CNN、PSPNet、RefineNet、G-FRNet模型等等，此处不再作具体限制。根据眼底图像训练集对上述模型进行训练，训练好的语义分割模型用于提取待测眼底图像的空间形状特征图像，其中，空间形状特征是指从待测眼底图像中提取出来的多个血管之间的相互的空间位置或相对方向关系，这些关系也可分为连接/邻接关系、交叠/重叠关系等。

S23、基于检测算子，提取所述眼底图像训练集的第一特征图像集及第二特征图像集；

其中，检测算子为用于提取图像特征的工具，可以理解的是，提取不同的图像特征需要使用不同的检测算子。举例来说，如果需要提取的是边缘特征图像，那么检测算子可以是Canny算子、Sobel算子、 Lapace算子、prewitt算子、roberts算子等，如果需要提取的是纹理特征图像，那么检测算子可以是LBP算子、GLCM算子、GLDS算子、Gabort算子等。具体的检测算子选择不作限制，只需满足目标特征图像提取要求即可。基于检测算子对眼底图像训练集中的眼底图像样本进行特征提取，得到第一特征图像集和第二特征图像集，用于后续重建眼底图像训练集，其中，第一特征图像集和第二特征图像集中的图像表征了眼底图像样本的两种不同种类的特征。

S24、根据所述眼底图像训练集的第一特征图像集、第二特征图像集以及所述眼底图像训练集对应的空间形状特征图像集，重建眼底图像训练集；

第一特征图像集、第二特征图像集及眼底图像训练集对应的空间形状特征图像集中的特征图像，反应了眼底图像样本的不同种类的血管特征，根据这些特征集重建眼底图像训练集，使得眼底图像样本清晰度更高，图像特征更明显，便于血管识别。

S25、根据重建后的眼底图像训练集，训练得到所述血管分割模型。

血管分割模型的具体结构可以是FCN、U-net、RNN模型及其变形等等，根据所述重建后的眼底图像训练集，训练上述模型，得到血管分割模型，用于对待测图像进行血管识别。

本实施例根据眼底图像训练集训练了语义分割模型，用于提取待测眼底图像的空间形状特征图像；通过检测算子提取了眼底图像训练集的第一特征图像集、第二特征图像集，并根据第一特征图像集、第二特征图像集及眼底图像训练集对应的空间形状特征图像集重建了眼底图像训练集，提升了图像清晰度，使图形特征更加明显；根据将重建后的眼底图像训练集训练得到了血管分割模型，提升了血管分割精度。

在一个实施例中，所述获取眼底图像训练集之前，还包括：获取原始眼底图像样本集；对所述原始眼底图像样本集进行图像预处理，得到第一样本集；所述图像预处理包括：旋转、翻转中的至少一项；将所示第一样本集加入所述原始眼底图像样本集中，得到第二样本集；对所述第二样本集进行归一化统一尺寸，得到所述眼底图像训练集。

由于医学图像训练数据获取难度较大，通过对原始眼底图像训练集进行旋转、翻转等预处理，并加入原始能够扩大训练集数据量，提高模型的准确度。通过对所述第二样本集进行归一化，得到尺寸大小统一的眼底图像训练集，方便语义分割模型训练学习。

第二方面，本发明还提供一种眼底图像血管的识别装置，下文描述的眼底图像血管的识别装置与上文描述的眼底图像血管的识别方法可相互对应参照。

如图3所示，本发明提供一种眼底图像血管的识别装置，包括：获取模块31、第一提取模块32、第二提取模块33、重建模块34、生成模块35。

其中，获取模块31，用于获取待测眼底图像；第一提取模块32，用于基于检测算子，提取所述待测眼底图像的第一特征图像及第二特征图像；第二提取模块33，用于基于语义分割模型，提取所述待测眼底图像的空间形状特征图像；重建模块34，用于根据所述第一特征图像、第二特征图像及所述空间形状特征图像，重建待测眼底图像；生成模块35，用于将重建后的待测眼底图像输入血管分割模型，得到所述待测眼底图像的血管分割图像；其中，所述语义分割模型为根据眼底图像训练集训练得到的；所述血管分割模型为根据所述眼底图像训练集重建后的眼底图像训练集训练得到的。

本实施例提供的眼底图像血管的识别装置，通过检测算子提取待测眼底图像的第一特征图像、第二特征图像，通过语义分割模型提取了待测眼底图像的空间形状特征图像，并根据三类特征图像重建了待测眼底图像，提升了图像清晰度，使图形特征更加明显，通过将重建后的眼底图像输入血管分割模型进行血管识别，得到了分割精度更高的血管分割图像。

如图4所示，在一个实施例中，所述第一提取模块32进一步包括：多特征提取模块321、信息熵计算模块322、特征确定模块323。

其中，多特征提取模块321，用于基于检测算子，提取待测眼底图像的多个种类的特征图像；信息熵计算模块322，用于对待测眼底图像的多个种类的特征图像，分别计算信息熵；特征确定模块323，用于确定最大信息熵对应的特征图像作为第一特征图像，确定信息熵仅次于所述最大信息熵的特征图像作为第二特征图像。

本实施例中，计算提取到的不同种类特征图像的信息熵，通过比较信息熵值，筛选出质量更好，含有待测眼底图像信息更清晰的特征图像，用于重建待测图像，能够使待测图像更清晰，特征更加明显。

如图5所示，在一个实施例中，本发明提供一种眼底图像血管的识别装置，还包括降噪模块36，用于将所述待测眼底图像的血管分割图像输入随机场模型，得到降噪后的血管分割图像。

本实施例利用随机场模型考虑像素点空间的不同像素点之间的关联信息，从而起到抑制分割错误的噪音像素，增强血管的分割精度的效果。

图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行第一方面的一种眼底图像血管的识别方法，该方法包括：获取待测眼底图像；基于检测算子，提取所述待测眼底图像的第一特征图像及第二特征图像；基于语义分割模型，提取所述待测眼底图像的空间形状特征图像；根据所述第一特征图像、第二特征图像及所述空间形状特征图像，重建待测眼底图像；将重建后的待测眼底图像输入血管分割模型，得到所述待测眼底图像的血管分割图像；其中，所述语义分割模型为根据眼底图像训练样本训练得到的；所述血管分割模型为根据所述眼底图像训练样本的重建后的眼底图像训练样本训练得到的。

此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

第三方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述第一方面所提供的眼底图像血管的识别方法。

第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述第一方面提供的眼底图像血管的识别方法。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。