基于RBF神经网络的硬性渗出自动检测方法在此基础上还提出要采用后续处理以进一步提高检测精度还就检测结果进行了比较。与其他硬性渗出自动检测方法相比这两种方法在保证较高检测精度的基础上效率也较高在这两种方法之间基于数学形态学的方法精度更高基于RBF神经网络的方法效率更高结合临床对硬性渗出自动检测快速、可靠性的要求得出基于RBF神经网络的方法作为糖尿病视网膜病变自动筛查系统中的硬性渗出自动检测方法性能更优。④2014福州大学潘燕红等人，提出基于SVM的眼底图像硬性渗出检测，对眼底图像进行数学形态学结合阈值方法的粗分割得到硬性渗出的候选区域然后在候选区域上提取特征并在特征提取中引入调幅调频AMFM特征接着用SVM分类出HEs（HardExudates硬性渗出）和非HEs。在公开的糖尿病视网膜病变图像库DIARETDB1上进行实验结果敏感性为911特异性为947。表明该方法可对HEs进行可靠检测。⑤2016华侨大学硕士杜雨峰在凌朝东教授的指导下，做了基于眼底图像的糖尿病视网膜病变检测系统的研究。他们在文章中提出要开发一套便携式眼底病变诊断设备，使患者在视力受到损伤之前进行定期的眼底检查，这在及早发现和及时治疗方面将发挥关键的作用，同时也能帮助数百万处在医疗服务较差的地区的人们。文章中他们提出：“由于受眼底图片质量的影响，大部分的实验正确率会很低”，也因此提出了增强眼底图片质量的方法：对眼底图像进行HSI空间转换，在强度空间中值滤波后运用对比度受限直方图均衡技术进一步增强图像质量。接下来再将预处理好的眼底图像转换到色域更宽的lab空间，利用快速K均值聚类算法进行粗分割，然后利用SVM向量机对粗分候选区域进行硬性渗出（可能是高血压所导致的局部血管渗出，极有可能会损伤视力）提取。
f22国外机器智能眼底病变辅助诊断研究现状
由于各种因素的影响，国外科技发展进度一直处于领先状态，在眼底病研究方面，早在1996年，Gard
er等人利用神经网络BackPropagatio
，BP）自动检测出了硬性渗出（HardExudates，HEs）；之后Walter等人通过数学形态学对渗出物轮廓进行检测，然而作者忽视了渗出物边界产生的一些错误，而且没有从絮状物中分离出渗出物；后来，NiemeijerM等人直接从彩色图像中分离渗出物、絮状斑和脉络膜玻璃疣；再后来，SopharakA等人采用FuzzyCMea
s聚类算法对视网膜病变病人的免散瞳低对比度数字图像进行渗出物自动检测；最后，LGia
cardo等人提出基于Kirsch边缘检测算子和稳态小波的分析方法，r