仇金宏，彭增起*，沈明霞，劉瓔瑛，梁 琨，吳海娟，史 杰

基于非完全信息算法的牛肉大理石花紋提取方法

仇金宏1，彭增起2,*，沈明霞1，劉瓔瑛1，梁 琨1，吳海娟1，史 杰2

(1.南京農(nóng)業(yè)大學工學院，江蘇 南京 210031；2.南京農(nóng)業(yè)大學 國家肉品質(zhì)量安全控制工程技術研究中心，江蘇 南京 210095)

提出一種基于非完全信息算法的牛肉大理石花紋提取方法。首先，在遍歷理論和對象有效性相關原理的基礎上構(gòu)建了非完全信息算法。然后，結(jié)合加權平均值灰度化算法、自適應最佳閾值算法和改進的自適應模糊多級中值濾波算法實現(xiàn)上述方法。研究表明，該方法能夠準確有效地反映出牛肉大理石花紋的真實情況。

牛肉；非完全信息；大理石花紋；提取

隨著圖像處理技術的發(fā)展，計算機視覺技術已逐漸開始被應用于牛肉大理石花紋等級的自動判定中[1-4]。為了提取出用于評定牛肉等級的大理石紋，首先需要從牛肉切面圖像中分割出背長肌區(qū)域。國內(nèi)外自20世紀80年代初即開始這方面的研究工作，近年來，劉木華等[1]研究了基于數(shù)學形態(tài)學的牛肉圖像分割與大理石紋提取技術。趙杰文等[2]研究了基于模糊C均值聚類的牛肉圖像中脂肪和肌肉區(qū)域分割技術。陳坤杰等[3]研究了基于圖像運算的牛肉大理石花紋分割方法。Jackman等[5-10]則更加全面地探討了牛肉圖像中背長肌分割和大理石花紋提取技術。然而，劉木華等[1]沒有就對如何去除牛胴體橫切面圖像內(nèi)的噪聲進行探討；趙杰文等[2]所使用的模糊C均值聚類算法需作進一步的改進后才能更好地適用于牛肉圖像的分割和大理石花紋的提取；Jackman等[5-10]的研究雖對牛肉圖像中背長肌分割和大理石花紋提取技術進行了全面的探討，但是其在實際應用中的實現(xiàn)步驟較為復雜，并且其穩(wěn)定性受到諸多因素的牽制。

非完全信息是指從表征某一對象特征和性質(zhì)的全信息范圍中提取出用以準確表征對象特征的部分特定信息。在相應條件的規(guī)制下通過非完全信息表征對象的特征，不但可以簡化全信息表征對象特征過程中的繁瑣步驟，降低表征信息中的干擾總數(shù)，而且還可以使對象特征表征的準確率得以保證。迄今為止，在牛肉大理石花紋的提取方法的研究中，還沒有發(fā)現(xiàn)該理論的應用實例。

本研究結(jié)合牛胴體橫切面圖像(牛肉圖像)處理過程中的實際情況，提出采用基于非完全信息算法的牛肉大理石花紋提取方法進行牛肉大理石紋的提取，即根據(jù)實際情況的具體要求，通過非完全信息算法從牛胴體橫切面圖像背長肌區(qū)域中獲取部分所需圖像用以大理石花紋的參數(shù)分析。

1 遍歷理論和對象有效性

1.1 遍歷理論

從圖中某一頂點出發(fā)，按某種搜索方法訪遍其余頂點，且使每一頂點僅被訪問一次。這一過程稱為圖的遍歷。圖的廣度優(yōu)先遍歷BFS(broad first search)是一個分層搜索的過程，和樹的層序遍歷算法類同，它也需要一個隊列以保持遍歷過的頂點順序，以便按出隊的順序再去訪問這些頂點的鄰接頂點。算法思想如下：1)目標點v入隊列。2)當隊列非空時則繼續(xù)執(zhí)行，否則算法結(jié)束。3)出隊列取得隊頭下一目標點vn；訪問下一目標點vn并標記目標點v已被訪問。4)查找下一目標點vn的第一個鄰接頂點col。5)若vn的鄰接頂點c未被訪問過的，則col入隊列。6)繼續(xù)查找下一目標點vn的另一個新的鄰接頂點cn，轉(zhuǎn)到步驟5)。直到下一目標點vn的所有未被訪問過的鄰接點處理完。轉(zhuǎn)到步驟2)。

1.2 對象有效性

有效性(effectiveness)是指完成策劃的活動和達到策劃結(jié)果的程度。對象有效性是指實際考察的正是試圖要選擇的對象。

2 非完全信息算法的構(gòu)造

設f1(i,j)和f2(i,j)是關于圖像第i行、第j列像素點的函數(shù)，令

式中：irbmax為背長肌區(qū)域最下方邊緣的最高點的高度；irbu為背長肌區(qū)域由上至下某一行的高度。

設F(f1, f2)是關于f1(i, j)和f2(i, j)的函數(shù)，令

式中：F(f1, f2)為背長肌區(qū)域由上至下某一行與背長肌區(qū)域最下方邊緣最高點之間的距離。

設g1(i, j)和g2(i, j)是關于圖像第行、不同列上像素點的函數(shù)，令

式中：jlmax為背長肌區(qū)域某一行上最左邊點的橫坐標刻度；jrmax為背長肌區(qū)域某一行上最右邊點的橫坐標刻度。

設G(g1, g2)是關于g1(i, j)和g2(i, j)的函數(shù)，令

式中：G(g1,g2)為背長肌區(qū)域某一行上最左邊點和該行上最右邊點之間的距離。

設φ(g1, g2)是關于F(f1, f2)和G(g1, g2)的函數(shù)，令

式中：SVmax為所獲得用以進行牛肉大理石花紋參數(shù)分析的背長肌區(qū)域。

利用非完全信息算法獲得SVmax代表的區(qū)域后，剔除牛胴體橫切面圖像中的其他信息，剩下的即為所需背長肌區(qū)域圖像。

3 基于非完全信息算法的牛肉大理石花紋提取方法的實現(xiàn)

圖1 基于非完全信息算法的牛肉大理石花紋提取方法實現(xiàn)過程Fig.1 Process for beef-marbling extraction based on incomplete information algorithm

讀取一幅大小為680×480的BMP格式RGB真彩色牛胴體橫切面圖像，如圖1a所示。首先采用加權平均值法[11]將真彩色牛胴體橫切面圖像轉(zhuǎn)化為灰度圖，如圖1b所示。然后采用自適應最佳閾值法[9]去除牛胴體橫切面圖像中的背景和牛胴體大部分的背膘脂肪。此時，牛胴體的背長肌區(qū)域和周圍肌肉組織已經(jīng)基本被分割出來，如圖1c所示。繼而采用改進的自適應模糊多級中值濾波算法[12]去除閾值變換后牛胴體橫切面圖像中的斑點噪聲，如圖1d所示。最后再采用非完全信息算法取得圖像中的所需背長肌區(qū)域，如圖1e所示。

4 結(jié)果與分析

表1 各級牛肉圖像大理石花紋的標準ηs和μsTable1 Standard parameters ηs and μs corresponding to various rates of beef marbling

牛肉分級員確定大理石花紋的等級主要依據(jù)牛肉背長肌區(qū)內(nèi)中大理石花紋總面積占有率η和背長肌內(nèi)大理石花紋的密度率μ。表1給出了由牛肉分級員長期大理石花紋等級判定經(jīng)驗總結(jié)得出的S級(極豐富)、A級(豐富)、B級(一般)、C級(基本沒有)4種等級下牛肉背長肌區(qū)域內(nèi)大理石花紋總面積標準占有率ηs和背長肌內(nèi)大理石花紋分布的標準密度率μs。

本研究采用經(jīng)牛肉分級員確定大理石花紋等級分別為S級、A級、B級、C級的640×480大小的真彩色牛胴體橫切面圖像各10幅，對這40幅圖像，應用基于非完全信息算法的牛肉大理石花紋提取方法進行牛胴體橫切面圖像中大理石紋的提取。將所有選定參與實驗的牛肉圖像進行相應處理后，實測出背長肌區(qū)域內(nèi)大理石花紋總面積占有率η和背長肌內(nèi)大理石花紋的密度率μ。通過η與標準占有率ηs之間的對比以及μ與標準密度率μs之間的對比衡量方法的大理石花紋提取效果。

4.1 基于非完全信息算法的各級牛肉圖像大理石花紋提取實驗結(jié)果

表2給出了算法的S級、A級、B級和C級的實驗結(jié)果。

表2 基于非完全信息算法的各級牛肉圖像大理石花紋提取實驗結(jié)果Table 2 Experimental results of beef marbling extraction based on incomplete information algorithm

4.2 背長肌內(nèi)大理石花紋總面積占有率情況

牛胴體橫切面背長肌內(nèi)大理石花紋總面積占有率η為：

算法提取的牛胴體橫切面背長肌內(nèi)大理石花紋總面積占有率應在表1找到其對應的所屬范圍，算法實驗的牛胴體橫切面圖像中的牛肉等級將與此范圍對應的標準等級相吻合。表3給出了基于非完全信息算法的上述40組各級牛胴體橫切面圖片實驗得出的牛胴體橫切面背長肌內(nèi)大理石花紋總面積占有率。

表3 基于非完全信息算法的各級牛肉圖像大理石花紋提取實驗的實測ηTable 3 Actualη obtained in beef marbling extraction based on incomplete information algorithm%

4.3 背長肌內(nèi)大理石花紋分布的密度率情況

牛胴體橫切面背長肌內(nèi)大理石花紋分布的密度率μ為 ：

算法提取的牛胴體橫切面背長肌內(nèi)大理石花紋分布的密度率也應在表1找到其對應的所屬范圍，算法實驗的牛胴體橫切面圖像中的牛肉等級也將與此范圍對應的標準等級相吻合。表4給出了基于非完全信息算法的上述40組各級牛胴體橫切面圖片實驗得出的背長肌內(nèi)大理石花紋分布的密度率。

表4 基于非完全信息算法的各級牛肉圖像大理石花紋提取實驗的實測μTable 4 Actual μobtained in beef marbling extraction based on incomplete information algorithm

從表4和圖2可以看出，運用基于非完全信息算法的牛肉圖像大理石花紋提取方法對牛肉圖片進行實驗時，僅有1幅A級牛肉圖片的μ由于信息干擾跳出了表2對應的范圍內(nèi)，而其η在表2各自對應的范圍內(nèi)，其余10幅S級、9幅A級、10幅B級以及10幅C級牛肉圖片的η和μ則都在表2各自對應的范圍內(nèi)，牛肉圖像大理石花紋提取的準確率達到了97.5%(1/40)，說明了非完全信息算法在牛肉大理石花紋提取的過程中具有較高的準確性。

圖2 各級牛肉圖片實驗實測η和μ的變化情況Fig.2 Variation of actual η andμ obtained in beef marbling extraction based on incomplete information algorithm

4.4 背長肌內(nèi)大理石花紋總面積平均占有率ηa和背長肌內(nèi)大理石花紋分布的平均密度率μa情況

表5 基于非完全信息算法的各級牛肉圖像大理石花紋提取實驗的實測ηa和μaTable 5 Actual ηa and μa obtained in beef marbling extraction based on incomplete information algorithm%

圖3 各級牛肉圖片實驗實測ηa和μa的變化情況Fig.3 Variation of actualηa andμa obtained in beef marbling extraction based on incomplete information algorithm

表5給出了基于非完全信息算法的上述40組各級牛胴體橫切面圖片實驗得出的牛胴體橫切面背長肌內(nèi)大理石花紋總面積平均占有率ηa和背長肌內(nèi)大理石花紋分布的平均密度率μa。

從表5和圖3可以看出，運用基于非完全信息算法的牛肉大理石花紋提取方法對牛胴體橫切面圖像進行實驗時，10幅S級、10幅A級、10幅B級以及10幅C級牛胴體橫切面圖像的ηa和μa都在表2各自對應的范圍內(nèi)，說明了非完全信息算法在牛肉大理石花紋提取過程中所受的干擾較小，具有較高的穩(wěn)定性。

5 結(jié) 論

非完全信息算法在牛肉大理石花紋提取的應用中簡化了全信息表征對象特征過程中的繁瑣實現(xiàn)步驟，而且表征信息中對大理石花紋參數(shù)分析干擾的總數(shù)較少。同時，牛肉圖像大理石花紋提取的準確率高達97.5%。由此可見，該方法具有很強的準確性和穩(wěn)定性，可以為牛肉大理石花紋等級的準確判定提供一種簡單有效的途徑。

[1]劉木華, 趙杰文, 張海東. 基于模糊C均值聚類的牛肉圖像中脂肪和肌肉區(qū)域分割技術[J]. 農(nóng)業(yè)工程學報, 2004, 20(2): 161-163.

[2]趙杰文, 劉木華, 張海東. 基于數(shù)學形態(tài)學的牛肉圖像中背長肌分割和大理石花紋提取技術研究[J]. 農(nóng)業(yè)工程學報, 2004, 20(1): 144-146.

[3]陳坤杰, 姬長英. 基于圖像運算的牛肉大理石花紋分割方法[J]. 農(nóng)業(yè)機械學報, 2007, 38(5): 195-196.

[4]BROSNAN T, SUN Dawen. Inspection and grading of agricultural and food products by computer vision systems: a review[J]. Computers and Electronics in Agriculture, 2002, 36(2/3): 193-213.

[5]JACKMAN P, SUN Dawen, ALLEN P. Prediction of beef palatability from colour, marbling and surface texture features of longissimus doris [J]. Journal of Food Engineering, 2010, 96(12): 151-165.

[6]LE NGOC H, CHOI S, CHO S I, et al. Automatic extraction of leantissue contours for beef quality grading[J]. Biosystem Engineering, 2009, 102(12): 251-264.

[7]JACKMAN P, SUN Dawen, DU C J, et al. Prediction of beef eating qualities from colour, marbling and wavelet surface texture features using homogenous carcass treatment[J]. Pattern Recognition, 2009, 42(7): 751-763.

[8]YOSHIKAWA F, TORAICHI K, WADA K, et al. On a grading system for beef marbling[J]. Pattern Recognition, 2000, 21(5): 1037-1050.

[9]JACKMAN P, SUN Dawen, ALLEN P. Automatic segmentation of beef longissimus doris muscle and marbling by an adaptable algorithm[J]. Meat Science, 2009, 83(7): 187-194.

[10]JACKMAN P, SUN Dawen, DU Chengjin, et al. Prediction of beef eating quality from colour, marbling and wavelet texture features[J]. Meat Science, 2008, 80(7): 1273-1281.

[11]周長發(fā). 精通Visual C++圖像處理編程[M]. 北京: 電子工業(yè)出版社, 2006.

[12]賈淵, 姬長英. 采用改進的自適應模糊多級中值濾波算法去除牛肉圖像斑點噪聲[J]. 農(nóng)業(yè)工程學報, 2005, 21(2): 102-105.

Development of a Beef-marbling Extraction Method Based on Incomplete Information Algorithm

QIU Jin-hong1，PENG Zeng-qi2,*，SHEN Ming-xia1，LIU Ying-ying1，LIANG Kun1，WU Hai-juan1，SHI Jie2
(1. College of Engineering, Nanjing Agricultural University, Nanjing 210031, China；2. Engineering Research Center of the State for Meat Quality and Safety Control, Nanjing Agricultural University, Nanjing 210095, China)

A method for beef marbling extraction based on incomplete information algorithm was proposed. First of all, an incomplete information algorithm was constructed on the basis of the travelling theory and relevant object validity principles. Then, the method was realized by combining the weighted average gray algorithm, adaptive optimal threshold algorithm and improved adaptive fuzzy multilevel median filter algorithm. It was found that the actual distribution of beef marbling could be reflected efficiently using this method.

beef；incomplete information；marbling；extraction

TS251.52；TP391.41

A

1002-6630(2010)19-0166-04

2010-06-13

國家現(xiàn)代農(nóng)業(yè)(肉牛)產(chǎn)業(yè)技術體系資助項目(nycytx-38)

仇金宏(1984—)，男，碩士研究生，主要從事機器視覺與圖像處理在農(nóng)產(chǎn)品品質(zhì)檢測領域中的應用研究。E-mail：qjh3053202@163.com

*通信作者：彭增起(1956—)，男，教授，博士，主要從事畜產(chǎn)品加工與質(zhì)量控制研究。E-mail：zqpeng@njau.edu.cn