本论文的组织结构如下：第2部分论述分割视网膜SDOCT图像RPE层的算法的简介，并介绍所用到的理论知识，如图论、Dijkstra算法等；第3部分详细论述对所提供的正常人眼的视网膜SDOCT图像进行RPE层抽取的步骤；第4部分将本论文提出的自动分割方法与手动分割进行对比，并分析算法的执行效率，以检验本论文提出的方法在分割视网膜SDOCT图像RPE层时的精确度和效率。

2  自动分割视网膜SDOCT图像RPE层的算法简介

本章节将介绍基于图论的自动分割视网膜SDOCT图像RPE层算法的大致流程，并介绍用到的一些基础知识。在介绍完算法的大致流程后，将在第3部分介绍该算法在分割正常成人眼睛视网膜SDOCT图像RPE层时的具体实现。下面的原理图（图2.1）展示了本论文所提出的RPE层分割算法的核心步骤：

图2.1 分割算法的泛化描述

2.1  图形表示和权重计算

把图像表示成由节点组成的图形，每个节点对应一个像素，连接节点的链接称为边，相互连接的边的集合构成了一个遍历图的路径。给每个边赋一个权重，从而创建偏好路径。从一个节点到另一个节点的首选路径是那个所有边的权重之和最小的路径，这条路径就是分割两个区域的切割线。对于本论文所处理的问题，RPE层的上下边界对应于SDOCT图像上的首选路径（切割线）。

切割一个图形的关键是给边赋合适的权重。常见的求取不同权重值的方法有像素间距离的函数和像素间的强度值之差的函数等。只要所要分割的区域有不同于其周围区域的特性，该区域的边界将被赋以低权重值，从而将该区域与图像的其它区域区分开来。论文网

各个边被赋以合适的权重后，将使用Dijkstra 算法来确定一个图形中任意两个端点之间的最小权重的路径，当然还可以采用其它高效率的算法。Dijkstra算的介绍如下：

下图2.2所示为含有4个节点的连通图的情况。在用Dijkstra算法寻找最小权重路径时，权重值必须大于0小于1，权重值为0的边表示两个节点不相连。图形采用邻接矩阵（表2.1）表示，纵轴表示起始节点，横轴轴表示终止节点，对应的数据表示起始节点到终止节点的边权重。由下图2.2可以看出，从节点1到节点4有两条路可以走1->2->4或1->3->4，用Dijkstra算法求节点1到节点4的最短路径的结果为1->3->4，因为该路径的边权重之和为1.0小于路径1->2->4的边权重之和1.3。

四个连通节点的图

表 2.1 图2.2所对应的邻接矩阵

1 2 3 4

1 0 0.8 0.5 0

2 0.8 0 0 0.5

3 0.5 0 0 0.5

4 0 0.5 0.5 0

2.2  层端点初始化

一个视网膜SDOCT图像由若干个分层结构组成，在用Dijkstra算法寻找某一层的边界时，我们需要给出该层边界的起始节点和终止节点。传统的做法是手动找出这两个端点，接下来本论文将给出一个自动初始化端点的方法，从而避免了手动选择端点这种耗时耗力的方法。