IOSTAR-dataset 包含原图(彩色图)和分割图和关键点坐标，可以作为点检测（分支点＼交叉点＼末梢点）或者分割的数据集，是经常拿来做点检测的数据集．DRIVE数据集也经常用来点检测，但是这里只有ＩＯＳＴＡＲ．

行业分类-物理装置-多模态视网膜眼底图像配准方法及装置.zip

Retina-Unet 来源： 此代码已经针对Python3进行了优化，数据集下载： 百度网盘数据集下载： 密码：4l7v 有关代码内容讲解，请参见CSDN博客： 基于UNet的眼底图像血管分割实例： 【注意】run_training.py与run_testing.py的实际作用为了让程序在后台运行，如果运行出现错误，可以运行src目录下的训练与预测文件。

MESSIDOR-2 以及 MESSIDOR 好多朋友私信我要这个数据集，这个我每次下很容易的呀，之前问我要，我换电脑了手头没有，这次统一打包发在这里，大家按需取走吧~~ PS：MESSIDOR-2 几个文件比较大，CSDN每次上传只能小于1000M，这里分了三次part 0，1，2 上传，这里是part2

利用形态学和水平集自动对眼底图像中的视盘进行定位和分割

探鱼 PyTorch的“基于深度神经网络的混合运动学习系统在水下视频中自动检测鱼”的论文

眼底图像分割＼关键点检测＼动静脉区分常用数据集，是眼底最广泛的数据集之一，甚至可以去掉＇之一＇二字．这里面含有分割图的ｇｒｏｕｎｄｔｒｕｔｈ，原图以及ｍａｓｋ，没有关键点坐标的groundtruth，关键点在另一个上传的资源里，一次只能传一个压缩包．．害！

本文提出了一种用于从眼底图像中进行玻璃疣分割的深度随机行走技术。 它被构造为一种深度学习体系结构，可从眼底图像中学习深度表示并指定最佳的像素-像素亲和力。 具体而言，所提出的体系结构主要由三个部分组成：一个深度特征提取模块，用于学习图像的语义级别和低级表示；一个亲和力学习模块，用于获取像素-像素亲和力，以制定随机游走的过渡矩阵；以及传播手动标签的随机行走模块。 我们技术的力量来自于这样的事实，即深层图像表示和像素像素亲和力的学习过程是由随机游走过程驱动的。 我们提出的算法的准确性超过了在公共STARE和DRIVE数据库上验证的最新的玻璃疣分割技术。

OpenCV3.1版本 Visual Studio 2015版本 把两幅残缺的眼底视网膜图像拼接成一副完整的（程序运行时间有点长，耐心等待）

DRIONS-DB数据库彩色眼底图像，一共包括110幅眼底图像。