張麗 李艷梅等

摘 要：采用圖像處理技術(shù)自動(dòng)估算牛肉眼肌橫切面特征值，為基于計(jì)算機(jī)視覺的牛肉品質(zhì)自動(dòng)分級(jí)檢測(cè)奠定基礎(chǔ)。以牛胴體6～7肋橫斷面圖像為試驗(yàn)材料，采用邊緣檢測(cè)、二值化處理技術(shù)等，運(yùn)用VisualC++6.0編程語言，對(duì)牛肉眼肌的眼肌面積、脂肪、肌肉總面積比、脂肪分布均勻度、眼肌圓度、肌肉和脂肪色度值5個(gè)特征參數(shù)進(jìn)行特征提取和檢測(cè)。結(jié)果表明：經(jīng)測(cè)量所得的眼肌面積越大，圓度越大，肌肉和脂肪色度值越高、大理石紋密度分布均勻的牛肉品質(zhì)越好，相反，眼肌面積小、圓度小、肌肉和脂肪色度值越低、密度分布不均勻的牛肉品質(zhì)低。該設(shè)計(jì)可有效計(jì)算眼肌面積和特征參數(shù)，能代替常規(guī)分級(jí)方法，實(shí)現(xiàn)牛肉質(zhì)量等級(jí)的自動(dòng)判別。

關(guān)鍵詞：牛肉分級(jí)；邊緣檢測(cè)；二值化處理；自動(dòng)分級(jí)

中圖分類號(hào)：TS251.52 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1001-8123（2013）04-0010-05

2003年10月我國農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)《牛肉質(zhì)量分級(jí)標(biāo)準(zhǔn)》開始實(shí)施，鑒于牛肉眼肌橫切面包含了大理石紋、肉色、脂肪色、背膘厚度和眼肌面積等評(píng)定指標(biāo)，所以在牛肉質(zhì)量的分級(jí)標(biāo)準(zhǔn)和體系中，進(jìn)行牛肉等級(jí)評(píng)定時(shí)，通常都將眼肌面積橫切面作為主要的評(píng)定對(duì)象。但目前為止，國內(nèi)外的牛肉分級(jí)體系采用的分級(jí)方法還是以主觀的視覺評(píng)定為主，評(píng)定過程受到人為因素的干擾，不僅效率低，而且還會(huì)產(chǎn)生較大的誤差。因此，計(jì)算機(jī)視覺、人工神經(jīng)網(wǎng)絡(luò)和圖像處理技術(shù)，被認(rèn)為是實(shí)現(xiàn)牛肉自動(dòng)分級(jí)的最有效的方法。在國外，1989年Chen Shengwei等[1]首次針對(duì)美國牛肉大理石花紋標(biāo)準(zhǔn)圖版，應(yīng)用圖像處理技術(shù)對(duì)美國牛肉的肌肉脂肪面積進(jìn)行計(jì)算，用于牛肉質(zhì)量分級(jí)，并將其作為判定牛肉質(zhì)量等級(jí)的定量指標(biāo)，在隨后的相關(guān)研究中，研究學(xué)者運(yùn)用圖像處理方法等技術(shù)分別有效的預(yù)測(cè)大理石紋、顏色等級(jí)、脂肪面積比、脂肪顆粒分布均勻度等特征參數(shù)，探討了基于圖像處理的牛肉等級(jí)評(píng)定技術(shù)[2-5]。在國內(nèi)，計(jì)算機(jī)技術(shù)在牛肉等級(jí)評(píng)定中的應(yīng)用還處于初步研究階段，主要是通過眼肌切面圖像的紋理分割，通過計(jì)算脂肪面積比[6-7]的方式來計(jì)算牛肉等級(jí)[8-10]，對(duì)脂肪在肌肉中分布所形成的特征分析不夠深入，對(duì)牛肉等級(jí)評(píng)定的準(zhǔn)確性和實(shí)際應(yīng)用等方面都有不足之處。本研究擬運(yùn)用計(jì)算機(jī)視覺系統(tǒng)對(duì)牛肉眼肌的形狀特征值、脂肪含量和分布進(jìn)行量化，在VC++6.0的環(huán)境下自行開發(fā)適用于牛肉眼肌自動(dòng)分級(jí)軟件，提高分級(jí)的準(zhǔn)確性和工作效率，為我國牛肉智能化分級(jí)技術(shù)的研究奠定理論依據(jù)[10]。

1 材料與方法

1.1 材料、軟件及基本原理

采用Visual Basic6.0作為實(shí)驗(yàn)分析軟件，利用圖形處理中的二值化算法、邊緣檢測(cè)算法等對(duì)采集到的數(shù)字圖像進(jìn)行處理和分析，提取出用于牛肉眼肌自動(dòng)分級(jí)的眼肌面積、圓度、大理石紋密度等重要參數(shù)，再利用模糊數(shù)學(xué)理論利用計(jì)算出的參數(shù)數(shù)據(jù)，實(shí)現(xiàn)對(duì)牛肉眼肌的智能自動(dòng)分級(jí)。

1.2 方法

1.2.1 邊緣檢測(cè)法

物體圖像的邊緣信息特征因?yàn)轭伾?、紋理結(jié)構(gòu)和灰度值的變化是以不連續(xù)性的形式出現(xiàn)，是圖像最基本的特征之一。邊緣檢測(cè)法提取圖像特征是圖像識(shí)別中的一個(gè)重要屬性和重要環(huán)節(jié)[11]。圖像邊緣檢測(cè)中的經(jīng)典算法SUSAN算法[12]選用放在不同5個(gè)位置上圓形模板，如圖1所示。

比較模板內(nèi)像素的灰度與核心的灰度，其差值在閾值內(nèi)時(shí)，認(rèn)為灰度相同。與核的灰度相同的像素?cái)?shù)目之和稱為模板的面積（USAN）。SUSAN算法根據(jù)USAN區(qū)的大小和矩陣特性來檢測(cè)圖像邊緣及角點(diǎn)等特征的位置及方向信息[13]。由圖1所示，平坦區(qū)域USAN區(qū)最大（d，e），邊緣處USAN區(qū)大小降為一半（a），角點(diǎn)附近USAN區(qū)變得更?。╟）。

1.2.2 二值化處理

圖像二值化是指對(duì)僅含黑白二值的圖像進(jìn)行參數(shù)提取數(shù)據(jù)預(yù)處理的重要技術(shù)。采用直方圖均衡化，同態(tài)濾波對(duì)圖像進(jìn)行預(yù)處理抑制外界因素提高圖像質(zhì)量，或者將圖像劃分為若干區(qū)域，分別設(shè)定閾值Tn，則：

（1）

由于所提取的大理石紋圖像中，僅有肉色和脂肪色，即只有紅色和白色兩類顏色信息，因此在二值化處理過程中，采用第1種方法進(jìn)行二值化處理。

圖像分割是基于邊緣檢測(cè)或基于區(qū)域的分割，將同一屬性但區(qū)域互不相交，均滿足特定區(qū)域一致性條件的不同區(qū)域分割開來[14]。本研究采用區(qū)域生長(zhǎng)法實(shí)現(xiàn)對(duì)圖像的分割。

1.2.4 模糊綜合評(píng)判

對(duì)模糊事物實(shí)現(xiàn)較合理的評(píng)價(jià)可采用模糊數(shù)學(xué)中的模糊綜合評(píng)判法 [15]。設(shè)定因素集，集合中的某一元素Ui表示決定事物的第i個(gè)因素，評(píng)價(jià)集Vi表示對(duì)事物評(píng)價(jià)結(jié)果。

2 結(jié)果與分析

2.1 利用二值化算法提取大理石花紋

2.1.1 二值化算法

對(duì)大理石紋圖像的特征參數(shù)提取時(shí)，均需要先對(duì)圖像進(jìn)行二值化處理，將彩色圖像處理成只包括黑色像素點(diǎn)和白色像素點(diǎn)的圖像。由于所提取的大理石紋圖像中，僅有肉色和脂肪色，即只有紅色和白色兩類顏色信息，因此在二值化處理過程中，采用第1種方法進(jìn)行二值化處理。

假定彩色圖像的大小為M×N，fn其表示像素點(diǎn)的顏色值，f（I，j）表示像素點(diǎn)（I，j）的二值化結(jié)果，當(dāng)f（I，j）=1時(shí)，像素點(diǎn)（I，j）被標(biāo)記為黑色像素點(diǎn)，當(dāng)f（I，j）=0時(shí)，像素點(diǎn)（I，j）被標(biāo)記為白色像素點(diǎn)。對(duì)于某一像素點(diǎn)（I，j），如果該像素點(diǎn)的顏色值fn大于閾值T，則令f（I，j）=1，否則f（I，j）=0，實(shí)現(xiàn)對(duì)彩色圖像的二值化處理。二值化方法如式（2）所示在二值化算法中，閾值的選取是二值化處理的關(guān)鍵，如何選取合適的閾值t，準(zhǔn)確提取出不同圖像中的大理石紋，是本算法的一個(gè)關(guān)鍵技術(shù)。本研究的所有實(shí)驗(yàn)，都是基于VC++6.0編程完成。在所有圖像的二值化處理中，程序設(shè)計(jì)使用inputbox函數(shù)的數(shù)據(jù)輸入方式，由用戶根據(jù)個(gè)人經(jīng)驗(yàn)輸入某一個(gè)閾值T。

（2）

經(jīng)過二值化處理后的圖像，白色點(diǎn)表示脂肪像素點(diǎn)，黑色點(diǎn)代表肌肉像素點(diǎn)。本算法進(jìn)行大理石紋的面積計(jì)算、圓度測(cè)量、密度分析等算法都是在圖像二值化的基礎(chǔ)上進(jìn)行的，因此，圖像二值化的結(jié)果將直接影響到后面參數(shù)的提取準(zhǔn)確度問題。

2.1.2 二值化實(shí)驗(yàn)結(jié)果分析

圖2是對(duì)原圖像1采用不同閾值t的檢測(cè)結(jié)果，圖3是對(duì)原圖像2采用不同閾值t的檢測(cè)結(jié)果。從圖2、3結(jié)果可以看出，對(duì)于不同亮度的圖像，采用相同的閾值，如t=90時(shí)，對(duì)原圖像1，可以很好的提取出二值化圖像；而對(duì)原圖像2，無法正常提取出所需要的區(qū)域信息。同樣，對(duì)于t=160時(shí)，從圖2D可以看出，對(duì)于原圖像1，由于閾值太大，造成一些有用的大理石紋信息丟失，而對(duì)于原圖像2，能更好的提取出需要的大理石紋信息，為后繼準(zhǔn)確的提取大理石紋信息提供保證。

本算法中，閾值的選取采用人機(jī)對(duì)話的方式選擇閾值，希望后期工作中能研究出一種能自動(dòng)根據(jù)圖像顏色亮度特征智能選取閾值的算法。

2.2 利用區(qū)域生長(zhǎng)算法提取有效眼肌面積

由于眼肌面積圖像中僅含有白色和紅色兩種顏色區(qū)域，有效眼肌面積區(qū)域是一塊連通區(qū)域，因此，采用種子點(diǎn)生長(zhǎng)算法，可以很好的提取出和所選種子點(diǎn)相連通的所有連通區(qū)像素點(diǎn)。

有效眼肌面積的提取步驟如下：以原圖像1（圖3A）中眼肌面積的提取為例，先采用二值化算法，選用閾值t=90，使得眼肌內(nèi)的區(qū)域?yàn)榇笃谏?lián)通區(qū)，再利用種子點(diǎn)生長(zhǎng)算法，利用鼠標(biāo)選取眼肌中黑色聯(lián)通區(qū)中的一點(diǎn)作為種子點(diǎn)，生成的眼肌面積內(nèi)的聯(lián)通區(qū)，如圖3所示。由于生成的聯(lián)通區(qū)內(nèi)存在大理石紋，所以眼肌面積是圖像總面積減去灰色聯(lián)通區(qū)的面積。

首先采用二值化算法，對(duì)原圖像進(jìn)行二值化處理，然后對(duì)處理好的二值化圖像，用鼠標(biāo)選取屬于要計(jì)算面積區(qū)域中的某一黑色像素點(diǎn)，采用種子點(diǎn)生長(zhǎng)算法[16]，將所選取的像素點(diǎn)作為種子點(diǎn)，進(jìn)行生長(zhǎng)，識(shí)別出面積輪廓。由于圖4中的面積區(qū)域，還存在白色大理石紋，不能直接計(jì)算出面積大小，因此，再對(duì)圖4進(jìn)行二值化處理，選取背景色中的任意1點(diǎn)作為種子點(diǎn)進(jìn)行生長(zhǎng)，然后進(jìn)行背景圖像區(qū)域的識(shí)別，再用總面積減去背景區(qū)域的面積，即可算出眼肌面積。對(duì)原圖像1，利用本實(shí)驗(yàn)算法計(jì)算出的有效眼肌面積共14742個(gè)像素點(diǎn)。

2.3 肌肉和脂肪色度值

將圖像中所有肌肉像素點(diǎn)采用種子點(diǎn)生長(zhǎng)的算法提取出來所有的紅色像素點(diǎn)區(qū)域，對(duì)提取出的肌肉連通區(qū)圖像，遍歷整個(gè)圖像，計(jì)算出連通區(qū)中所有像素點(diǎn)的Red、Green、Blue三個(gè)顏色分量的平均值，再使用顏色公式w（x，y）=Red+Green×256+Blue×65536，計(jì)算出所有肌肉像素點(diǎn)的顏色平均值。同樣的算法，可以提取出白色脂肪的色度值。對(duì)原圖像1（圖2A）進(jìn)行肌肉色度和脂肪色度的計(jì)算，計(jì)算出了脂肪色度為11437206，肌肉色度為7428162，對(duì)原圖像2（圖3A）所示的圖像，計(jì)算出的脂肪色度為11718453，肌肉色度為127466071。該顏色值越大，說明圖像顏色亮度越大，色值越高。

2.4 眼肌圓度

有效眼肌面積的圓度可以采用計(jì)算其長(zhǎng)軸的長(zhǎng)度和短軸的長(zhǎng)度，通過長(zhǎng)短軸的比值來衡量眼肌面積的圓度。在一幅灰度圖像中，已知中兩個(gè)像素點(diǎn)的坐標(biāo)（x1，y1）、（x2，y2），利用兩點(diǎn)間距離的計(jì)算公式：

（3）

可以計(jì)算出某一直徑，直徑的大小即為長(zhǎng)軸的長(zhǎng)度。因此，查找到有效眼肌面積的長(zhǎng)軸的兩個(gè)像素端點(diǎn)是計(jì)算長(zhǎng)軸的關(guān)鍵。

本算法采用種子點(diǎn)生長(zhǎng)算法提取出有效眼肌面積的連通區(qū)，然后由用戶利用鼠標(biāo)，選取出長(zhǎng)軸的起點(diǎn)，如圖5B所示，設(shè)置出長(zhǎng)軸的起點(diǎn)坐標(biāo)（x1，y1）。然后在如圖5C所示的連通區(qū)中找到離該點(diǎn)最遠(yuǎn)的像素點(diǎn)坐標(biāo)值（x2，y2），利用兩點(diǎn)間距離公式，計(jì)算長(zhǎng)軸的長(zhǎng)度。短軸是在長(zhǎng)軸垂直平分線上的離長(zhǎng)軸中點(diǎn)（（x1+x2）/2、（y1+y2）/2）最遠(yuǎn)的點(diǎn)和中點(diǎn)間的距離。測(cè)量結(jié)果顯示，長(zhǎng)軸215.94，短軸55.08，長(zhǎng)短軸比率：55.08/215.94≈0.51，比值越接近于1，說明眼肌面積越趨向圓。

2.5 大理石紋密度

對(duì)大理石紋密度統(tǒng)計(jì)分析分為5個(gè)步驟進(jìn)行：第1步，采用區(qū)域生長(zhǎng)法或者邊緣檢測(cè)算法對(duì)原圖像進(jìn)行圖像分割，將圖像分割成不同的很多連通區(qū)；第2步，對(duì)所有連通區(qū)進(jìn)行著手標(biāo)記，同一連通區(qū)著相同的顏色，不同的連通區(qū)采用不同的顏色；第3步，統(tǒng)計(jì)所有連通區(qū)各自的面積大小區(qū)域；第4步，統(tǒng)計(jì)圖像中連通區(qū)總數(shù)目；第5步，統(tǒng)計(jì)標(biāo)記的連通區(qū)面積在0～5、5～10、10～15、15～20等范圍內(nèi)的連通區(qū)個(gè)數(shù)。

2.5.1 不同連通區(qū)著色

采用眼肌面積算法中的種子點(diǎn)生長(zhǎng)算法，對(duì)整個(gè)圖像進(jìn)行遍歷，識(shí)別出所有的連通區(qū)，并用不同的顏色值標(biāo)記出不同的連通區(qū)。

對(duì)照高標(biāo)準(zhǔn)的密度檢測(cè)結(jié)果圖7和低標(biāo)準(zhǔn)的密度檢測(cè)結(jié)果圖8檢測(cè)結(jié)果發(fā)現(xiàn)，相同像素點(diǎn)下連通區(qū)總數(shù)越多，說明大理石紋越豐富。像素點(diǎn)總數(shù)小于5的連通區(qū)的個(gè)數(shù)表明大理石紋的分散程度，值越大，說明越分散，密度越大。

2.6 基于模糊數(shù)學(xué)理論的牛肉大理石花紋自動(dòng)分級(jí)系統(tǒng)

針對(duì)牛肉自動(dòng)分級(jí)中大理石紋參數(shù)特征值的模糊性、相關(guān)性、多變量等特點(diǎn)，結(jié)合模糊數(shù)學(xué)理論，將所提取出來的所有眼肌面積、大理石紋密度，眼肌面積的圓度、色度等多個(gè)參數(shù)，采用模糊數(shù)學(xué)理論中的綜合評(píng)判技術(shù)建立了基于模糊綜合評(píng)判的牛肉大理石紋自動(dòng)分級(jí)模型。例如：使用模糊綜合評(píng)判算法記U={眼肌面積，圓度，肌肉色度，脂肪色度，大理石紋密度}，表示因素集，表示決定牛肉分級(jí)品質(zhì)的所有因素。記?={a1，a2，a3，…，an}。取評(píng)價(jià)集V={低品質(zhì)牛肉，中等品質(zhì)牛肉，優(yōu)質(zhì)牛肉，特優(yōu)級(jí)牛肉}，表示牛肉的評(píng)價(jià)結(jié)果。

對(duì)牛肉品質(zhì)等級(jí)的判定，需要綜合考慮各種因素，如牛肉的大理石紋分布的密度，有效眼肌面積的圓度、色度、面積大小等。結(jié)合本系統(tǒng)中采用數(shù)字圖像處理技術(shù)自動(dòng)提取出的相關(guān)的參數(shù)信息，然后考慮所有因素對(duì)評(píng)價(jià)集V中各等級(jí)的隸屬度，可得綜合評(píng)判矩陣如。

3 結(jié) 論

利用了圖像處理中的邊緣檢測(cè)技術(shù)、二值化處理和圖像分割技術(shù)，先對(duì)原牛眼肌圖像進(jìn)行二值化處理，然后對(duì)處理好的二值化圖像，采用種子點(diǎn)生長(zhǎng)算法，識(shí)別出眼肌面積輪廓，進(jìn)行背景圖像區(qū)域識(shí)別，計(jì)算眼肌面積，并采集連通區(qū)中所有像素點(diǎn)的Red、Green、Blue 3個(gè)顏色分量，計(jì)算出所有肌肉和脂肪像素點(diǎn)的顏色平均值，并對(duì)有效眼肌區(qū)域的圓度和大理石紋分布密度進(jìn)行參數(shù)提取和檢測(cè)。結(jié)果證明，本實(shí)驗(yàn)設(shè)計(jì)的算法能夠近似的估算出牛眼肌面積、脂肪比例、色度值、眼肌圓度和大理石花紋密度，是一種有效的估算方法，并通過大量實(shí)驗(yàn)數(shù)據(jù)和人工測(cè)量數(shù)據(jù)進(jìn)行比對(duì)，證明使用圖像處理技術(shù)自動(dòng)估算上述5個(gè)特征參數(shù)是可行的，為基于計(jì)算機(jī)視覺的牛肉品質(zhì)自動(dòng)分級(jí)檢測(cè)奠定基礎(chǔ)。后期工作中希望能并結(jié)合大理石花紋的特點(diǎn)和特征描述以及具體牛肉圖像的特點(diǎn)，通過大量的數(shù)據(jù)，使用模糊聚類，模糊識(shí)別、模糊綜合評(píng)判等技術(shù)，給出接近現(xiàn)實(shí)的、準(zhǔn)確的牛肉等級(jí)判定結(jié)果，為進(jìn)一步研究基于計(jì)算機(jī)視覺的牛肉自動(dòng)分級(jí)系統(tǒng)打下基礎(chǔ)。

參考文獻(xiàn)：

[1] CHEN Shengwei， SUN Xin， QIN Chunfang， et al. Color grading of beef fat by using computer vision and support vector machine[J]. Computers and Electronics in Agriculture， 2010， 70（1）： 27-32.

[2] YOSHIKAWA F， TORAICHI K， WADA K， et al. On a grading system for beef marbling[J]. Pattern Recognition Letters， 2000， 21（12）： 1037-1050.

[3] SHIRANITA K， HAYASHI K， OTUSBO A. Determination of meat quality using texture features[J]. The Institute of Electronics， Information and Communication Engineers Transactions on Information and Systems， 2000， 83（4）： 1790-1796.

[4] AASS L， FRISTEDT C G， GRESHAM J D. Ultrasound prediction of intramuscular fat content in lean cattle[J]. Livestock Science， 2009， 125（2/3）： 177-186.

[5] KAZUHIKO S， KENICHIRO H I， AKIFUMI O， et al. Grading meat quality by image processing[J]. Pattern Recognition， 2000， 33（1）： 97-104.

[6] CHEN Kunjie， QIN Chunfang. Segmentation of beef marbling based on vision threshold[J]. Computers and Electronics in Agriculture， 2008， 62（2）： 223- 230.

[7] 陳坤杰， 姬長(zhǎng)英. 牛肉自動(dòng)分級(jí)技術(shù)研究進(jìn)展分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2006（3）： 159-162.

[8] 陳坤杰， 孫鑫， 陸秋琰. 基于計(jì)算機(jī)視覺和神經(jīng)網(wǎng)絡(luò)的牛肉顏色自動(dòng)分級(jí)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2009（4）： 179-184.

[9] 陳坤杰， 秦春芳， 姬長(zhǎng)英. 牛胴體眼肌切面圖像的分割方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2006（6）： 161-164.

[10] 任發(fā)政， 鄭麗敏， 王桂芹， 等. 應(yīng)用MATLAB圖像處理技術(shù)評(píng)判牛肉大理石花紋[J]. 肉類研究， 2002（4）： 14-15.

[11] 賈淵， 李振江， 彭增起. 結(jié)合LLE流形學(xué)習(xí)和支持向量機(jī)的豬肉顏色分級(jí)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2012（9）： 154-159.

[12] 魏光杏， 吳錫生. 新型邊緣檢測(cè)法[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 2007（4）： 144-145.

[13] GE X W， FU K T. Edge detection in image method research[J]. Digital Community & Smart Home， 2007， 3（16）： 1144-1145.

[14] 王文淵， 王芳梅. 改進(jìn)的最大熵算法在圖像分割中的應(yīng)用[J]. 計(jì)算機(jī)仿真， 2011（8）： 297-300.

[15] 勞麗， 吳效明， 朱學(xué)峰. 模糊集理論在圖像分割中的應(yīng)用綜述[J]. 中國體視學(xué)與圖像分析， 2006（3）： 48-53.

[16] 李艷梅， 胡曉輝， 王靜. 基于SUSAN的種子點(diǎn)生長(zhǎng)邊緣檢測(cè)算法[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用， 2010（7）： 206-208.