眼底视网膜图像质量评价是医学影像分析中一个重要问题。图像的质量影响诊断结果的准确性和可靠性,高质量的眼底视网膜图像是准确诊断病情的前提。而影响图像质量的因素很多。首先,图像在采集、传输、处理和存储时会产生各种各样的畸变,这些畸变会导致图像质量的变化,然后人们通过视觉系统辨别出来。另外,患者头部和眼球转动、眨眼、扩张性不佳、瞳孔小及间质浑浊等因素都将影响眼底图像的质量。这些因素将导致图像出现模糊、噪声、低照明度等问题。当前医院眼科对眼底疾病的诊断,主要的途径还是通过医生对病人眼球或眼底图像的分析做出主观判断。作为用于医学诊断方面的典型图像,眼底视网膜图像含有相当复杂的内部特性和各种各样的形态。在人们针对该类图像进行研究的过程中,对存在的一些关键问题及有关算法做透彻的研究,将有利于医学图像处理方面的发展,对医学辅助诊断技术的提升有重要的意义。所以,研究视网膜图像质量评估方法对医学图像在计算机辅助临床诊断方面尤为重要。现有的有关眼底视网膜图像进行质量评价的算法大致可以分成两种,一种是基于分类的算法,另一种是基于质量指标的算法。基于质量指标的算法可进一步分成检测局部结构分割的算法和使用图像统计数据直方图的算法。现有的视网膜图像质量评价指标不全面,基于分类的方法通常利用图像的全部信息进行特征提取,这既包含有价值信息也存在负价值信息的特征,从而影响评价结果。基于质量指标的方法在评价过程中图像特征信息利用不准确和不充分,且对视网膜血管结构分割操作耗时,也不能保证分割的准确性。鉴于以上背景,本文提出了一种无参考方式下基于随机森林的视网膜图像质量评价算法。该方法充分利用了样本的标记信息和图像的特征信息,有效地避免对图像中无价值信息的操作。针对眼底图像存在的模糊和噪声问题,提取框架将监督学习方法与非监督评价方法结合,有针对性的进行特征提取及分类,从而在视网膜眼底图像的评价中取得较好的结果。该方法首先将图像分块,通过curvelet变换进行预处理以减少图像噪声从而更好的选择图像中的各向异性块；然后,在经过预处理的图像中计算每个块的各向异性值,取阈值得图像中的各向异性块。再从原始图像中标记选出的各向异性块的位置,对每个选出的块提取有关模糊和噪声方面的特征；之后,使用随机森林分类器将待分类特征向量进行处理；最后,根据分类器所得各向异性块的计算结果投票获取图像的质量得分。从实验结果可知,本文提出的方法有效的区分了所用数据库中的视网膜眼底图像的质量,实验结果明显优于已有的对该数据库实验所得的结果。证明了本算法在眼底视网膜图像质量评价方面具有有效性。