| Abstract | 第5页 |
| 摘要 | 第6-9页 |
| Chapter 1 Introduction | 第9-17页 |
| 1.1 The Research Background and Significance | 第9-10页 |
| 1.2 Retinal Imag Quality Assessment State-of-the-Art | 第10-16页 |
| 1.2.1 Generic Image Features Based Methods | 第10-14页 |
| 1.2.2 Eye Structure Based Methods | 第14-16页 |
| 1.3 The Research Content | 第16-17页 |
| Chapter 2 Fundus Images | 第17-29页 |
| 2.1 Eye Anatomy | 第17-18页 |
| 2.2 The Clinical Application of Fundus Images | 第18-22页 |
| 2.3 Eye Screening | 第22-24页 |
| 2.4 The Factors of Retinal Image Quality Decline | 第24-27页 |
| 2.4.1 Image Geometric Distortion | 第25-26页 |
| 2.4.2 Image Grayscale Distortion | 第26-27页 |
| 2.5 Summary | 第27-29页 |
| Chapter 3 Feature Extraction of Fundus Images | 第29-51页 |
| 3.1 Preprocessing of Fundus Images | 第29-30页 |
| 3.2 Histogram Features | 第30-36页 |
| 3.2.1 HSV Color Space Introduction | 第30-33页 |
| 3.2.2 Histogram Features in S Channel | 第33-36页 |
| 3.3 Textural Features | 第36-40页 |
| 3.3.1 Texture Introduction | 第36-37页 |
| 3.3.2 Haralick Textural Features | 第37-40页 |
| 3.4 Gradient Features | 第40-41页 |
| 3.5 Local Vessel Density Features | 第41-48页 |
| 3.5.1 Vessel segmentation | 第42-47页 |
| 3.5.2 Local Vessel Density | 第47-48页 |
| 3.6 Summary | 第48-51页 |
| Chapter 4 Classifier Model | 第51-69页 |
| 4.1 Classifier Introduction | 第51-59页 |
| 4.1.1 K Nearest Neighbors | 第51-52页 |
| 4.1.2 Support Vector Machines | 第52-58页 |
| 4.1.3 Naive Bayes | 第58-59页 |
| 4.2 Experiments | 第59-65页 |
| 4.2.1 Data Sets | 第59-60页 |
| 4.2.2 Feature Selection | 第60-63页 |
| 4.2.3 Classifier Selection | 第63-64页 |
| 4.2.4 Parameter Optimization | 第64-65页 |
| 4.3 Results and Discussion | 第65-69页 |
| Chapter 5 Conclusion and Future Work | 第69-71页 |
| References | 第71-73页 |
| Acknowledgements | 第73页 |
