1.一種基于集成學習的彩色眼底圖像質(zhì)量評價方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于集成學習的彩色眼底圖像質(zhì)量評價方法，其特征在于：所述步驟s1中，數(shù)據(jù)集包括彩色眼底iqa數(shù)據(jù)集和分割數(shù)據(jù)集，分別隨機選取數(shù)據(jù)集80％的數(shù)據(jù)作為訓練集，余下20％的數(shù)據(jù)為驗證集，resnet-18模型和u-net模型單獨訓練，互不干擾。
3.根據(jù)權(quán)利要求1所述的基于集成學習的彩色眼底圖像質(zhì)量評價方法，其特征在于：所述步驟s3中，選擇具有最佳驗證性能的模型作為該特征的分類器，使用每張cf圖像預(yù)測的4個特征質(zhì)量分數(shù)(除此之外，還有彩色眼底iqa數(shù)據(jù)集帶有二值標注，0代表質(zhì)量好，1代表質(zhì)量差，所以微調(diào)的resnet-18最終得到有5個輸出神經(jīng)元組成的完全連接層)作為輸入來訓練resnet-18模型，計算每個輸出特征的二元交叉熵損失，并使用平均值將其合并為最終的總體損失，通過損失函數(shù)對模型梯度更新，損失函數(shù)表達式：
4.根據(jù)權(quán)利要求1所述的基于集成學習的彩色眼底圖像質(zhì)量評價方法，其特征在于：所述步驟s4中，用準確率、靈敏度、特異性和f測度對resnet-18模型的質(zhì)量分類性能進行評價,為了描述這些評價指標，需要計算了真陽性(tp)、真陰性(tn)、假陽性(fp)和假陰性(fn)，tp和tn表示預(yù)測標簽和實際標簽中正確匹配樣本的數(shù)量，fp和fn表示預(yù)測和實際標簽中相反匹配的樣本數(shù)，評價指標的計算流程如下：
5.根據(jù)權(quán)利要求1所述的基于集成學習的彩色眼底圖像質(zhì)量評價方法，其特征在于：所述步驟s5中，訓練部分只需圖像調(diào)整為固定尺寸即可，不需要額外的圖像標準化來規(guī)范最終fd值，這一步僅訓練u-net的血管分割能力。
6.根據(jù)權(quán)利要求1所述的基于集成學習的彩色眼底圖像質(zhì)量評價方法，其特征在于：所述步驟s6中，用dice系數(shù)對u-net模型的血管分割性能進行評價，計算dice系數(shù)的公式如下：
7.根據(jù)權(quán)利要求1所述的基于集成學習的彩色眼底圖像質(zhì)量評價方法，其特征在于：所述步驟s7中，對drimdb數(shù)據(jù)集原始彩色圖像進行預(yù)處理，規(guī)范fd值，對于最終綜合得分需要調(diào)試不同閾值來劃分“好”和“差”，保留準確率最高時的閾值。