1.一种U‑Net与区域增长PCNN相结合的视网膜视盘分割方法，其特征在于包括以下步骤：步骤1：将视网膜视盘数据集图片进行灰度化处理；

步骤2：将步骤1灰度化处理后的数据集图片进行CLAHE处理，增强视网膜视盘图像中视盘与背景之间的对比度，步骤3：视网膜视盘图像分块；

步骤4：U‑Net神经网络模型的搭建、训练以及图片粗提取；

步骤5：区域增长PCNN神经网络模型的搭建；

所述步骤5具体为：

针对灰度图像的二值分割，构建了区域增长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，区域增长PCNN模型的数学表达式为：L[n]＝∑klWijklYkl[n‑1]‑d(1)

U[n]＝F[n]{1+βnL[n]}(2)

区域增长PCNN模型中连接系数β的值是变化的，这样捕获更多神经元，而β的上限为T，其作用为通过限制β的上限来防止视盘区域过度增长，区域增长PCNN模型还引入快连接机制，使得同一连接域的神经元同时激发，区域增长PCNN模型首先通过种子点门限值选择出可靠的视盘区域作为种子，然后通过PCNN中的连接强度系数和停止条件，实现视盘区域的自动生长；

步骤6：使用区域增长PCNN，进行视网膜视盘分割；

所述步骤6包括以下步骤：

步骤6.1：设置连接强度系数的初始β，连接强度系数的增加步长δβ，连接强度系数最大值的初始值βmax，βmax的增加步长Δβ，用于选择种子点的门限值u0，视盘图像的阈值z来判断区域增长是否足够，限制视盘边缘过度增长的阈值T，门限δθ来选择PCNN初始点火阈值；步骤6.2：定义PCNN的输出项为Y＝0，并定义一个与Y相同阶的矩阵Y1＝1；

步骤6.3：将提取到的灰度图像Sy归一化处理，作为PCNN的外部激励的输入，即F＝Sy；步骤6.4：从输入图像中，选取灰度值大于种子点门限值u0的像素作为种子候选点，再选取连通区域最大的像素点为种子点，步骤6.5：计算最大连通区域的面积，并于与设定的门限δθ相比；若大于该门限，PCNN神经元初始点火激发阈值设为θ＝max(F)‑0.05，反之，则θ＝max(F)‑0.5；

步骤6.6：计算Y中视盘边缘像素与视盘面积的比值x，比较x与Z，若大，执行下一步；否则，结束程序，输出Y；

步骤6.7：比较βm)x与T，若βmax>T，则结束程序，输出Y；否则执行下一步；

步骤6.8：比较β和βmax，若β≤βmax，则进行下一步；否则执行步骤6.12；

步骤6.9：比较Y和Y1，若不同，则执行下一步；相同，则执行步骤6.11；

步骤6.10：将Y的值赋予Y1，并且执行快连接，返回步骤6.9；

步骤6.11：β增加δβ，Y1重置为1，返回步骤6.8；

步骤6.12：βmax增加Δβ，返回步骤6.6。

2.根据权利要求1所述一种U‑Net与区域增长PCNN相结合的视网膜视盘分割方法，其特征在于：所述步骤3包括以下步骤：步骤3.1：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3.2：测试集图片分块是在图像中随机选取48×48的图像块；

步骤3.3：判断图块中心像素在不在眼底图像区域内，若是，则保留，选取下一块；若不是，则丢弃，重新选取，这样就保证图块所有像素都在眼底图像区域内。

3.根据权利要求1所述一种U‑Net与区域增长PCNN相结合的视网膜视盘分割方法，其特征在于：所述步骤4包括以下步骤：步骤4.1：

针对数据集图片质量参差不齐的问题，搭建U‑Net神经网络模型作为进行粗提取，提升图片质量，U‑Net神经网络模型是一个具有U型对称结构的全卷积神经网络，其包括编码器、解码器各4个，均为3次横向卷积；

每个编码器由第一卷积层、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，每经过一个编码器，输出图像缩小到输入图像的1/4，采用的激活函数是Leaky‑ReLU函数；解码器由上采样层、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，每经过一次上采样层，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4.2：在模型训练阶段，每一轮训练时选取训练集中90％的数据用于训练，将剩余

10％的数据用作验证，U‑Net神经网络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4.3：将初步处理过的测试集图片，输入训练好的改进U‑Net神经网络模型，进行视盘粗提取。