邊緣檢測、二值化處理進行牛肉分級的應(yīng)用

張麗 李艷梅等

摘 要：采用圖像處理技術(shù)自動估算牛肉眼肌橫切面特征值，為基于計算機視覺的牛肉品質(zhì)自動分級檢測奠定基礎(chǔ)。以牛胴體6～7肋橫斷面圖像為試驗材料，采用邊緣檢測、二值化處理技術(shù)等，運用VisualC++6.0編程語言，對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個特征參數(shù)進行特征提取和檢測。結(jié)果表明：經(jīng)測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)計可有效計算眼肌面積和特征參數(shù)，能代替常規(guī)分級方法，實現(xiàn)牛肉質(zhì)量等級的自動判別。

關(guān)鍵詞：牛肉分級；邊緣檢測；二值化處理；自動分級

中圖分類號：TS251.52 文獻標志碼：A 文章編號：1001-8123（2013）04-0010-05

2003年10月我國農(nóng)業(yè)行業(yè)標準《牛肉質(zhì)量分級標準》開始實施，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定指標，所以在牛肉質(zhì)量的分級標準和體系中，進行牛肉等級評定時，通常都將眼肌面積橫切面作為主要的評定對象。但目前為止，國內(nèi)外的牛肉分級體系采用的分級方法還是以主觀的視覺評定為主，評定過程受到人為因素的干擾，不僅效率低，而且還會產(chǎn)生較大的誤差。因此，計算機視覺、人工神經(jīng)網(wǎng)絡(luò)和圖像處理技術(shù)，被認為是實現(xiàn)牛肉自動分級的最有效的方法。在國外，1989年Chen Shengwei等[1]首次針對美國牛肉大理石花紋標準圖版，應(yīng)用圖像處理技術(shù)對美國牛肉的肌肉脂肪面積進行計算，用于牛肉質(zhì)量分級，并將其作為判定牛肉質(zhì)量等級的定量指標，在隨后的相關(guān)研究中，研究學(xué)者運用圖像處理方法等技術(shù)分別有效的預(yù)測大理石紋、顏色等級、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評定技術(shù)[2-5]。在國內(nèi)，計算機技術(shù)在牛肉等級評定中的應(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，通過計算脂肪面積比[6-7]的方式來計算牛肉等級[8-10]，對脂肪在肌肉中分布所形成的特征分析不夠深入，對牛肉等級評定的準確性和實際應(yīng)用等方面都有不足之處。本研究擬運用計算機視覺系統(tǒng)對牛肉眼肌的形狀特征值、脂肪含量和分布進行量化，在VC++6.0的環(huán)境下自行開發(fā)適用于牛肉眼肌自動分級軟件，提高分級的準確性和工作效率，為我國牛肉智能化分級技術(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作為實驗分析軟件，利用圖形處理中的二值化算法、邊緣檢測算法等對采集到的數(shù)字圖像進行處理和分析，提取出用于牛肉眼肌自動分級的眼肌面積、圓度、大理石紋密度等重要參數(shù)，再利用模糊數(shù)學(xué)理論利用計算出的參數(shù)數(shù)據(jù)，實現(xiàn)對牛肉眼肌的智能自動分級。

1.2 方法

1.2.1 邊緣檢測法

物體圖像的邊緣信息特征因為顏色、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。邊緣檢測法提取圖像特征是圖像識別中的一個重要屬性和重要環(huán)節(jié)[11]。圖像邊緣檢測中的經(jīng)典算法SUSAN算法[12]選用放在不同5個位置上圓形模板，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，認為灰度相同。與核的灰度相同的像素數(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圖像邊緣及角點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），角點附近USAN區(qū)變得更?。╟）。

1.2.2 二值化處理

圖像二值化是指對僅含黑白二值的圖像進行參數(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)濾波對圖像進行預(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種方法進行二值化處理。

圖像分割是基于邊緣檢測或基于區(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)域生長法實現(xiàn)對圖像的分割。

1.2.4 模糊綜合評判

對模糊事物實現(xiàn)較合理的評價可采用模糊數(shù)學(xué)中的模糊綜合評判法 [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個因素，評價集Vi表示對事物評價結(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

對大理石紋圖像的特征參數(shù)提取時，均需要先對圖像進行二值化處理，將彩色圖像處理成只包括黑色像素點和白色像素點的圖像。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其表示像素點的顏色值，f（I，j）表示像素點（I，j）的二值化結(jié)果，當f（I，j）=1時，像素點（I，j）被標記為黑色像素點，當f（I，j）=0時，像素點（I，j）被標記為白色像素點。對于某一像素點（I，j），如果該像素點的顏色值fn大于閾值T，則令f（I，j）=1，否則f（I，j）=0，實現(xiàn)對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，準確提取出不同圖像中的大理石紋，是本算法的一個關(guān)鍵技術(shù)。本研究的所有實驗，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)計使用inputbox函數(shù)的數(shù)據(jù)輸入方式，由用戶根據(jù)個人經(jīng)驗輸入某一個閾值T。

（2）

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

2.1.2 二值化實驗結(jié)果分析

圖2是對原圖像1采用不同閾值t的檢測結(jié)果，圖3是對原圖像2采用不同閾值t的檢測結(jié)果。從圖2、3結(jié)果可以看出，對于不同亮度的圖像，采用相同的閾值，如t=90時，對原圖像1，可以很好的提取出二值化圖像；而對原圖像2，無法正常提取出所需要的區(qū)域信息。同樣，對于t=160時，從圖2D可以看出，對于原圖像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對話的方式選擇閾值，希望后期工作中能研究出一種能自動根據(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，采用種子點生長算法，可以很好的提取出和所選種子點相連通的所有連通區(qū)像素點。

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)域為大片黑色聯(lián)通區(qū)，再利用種子點生長算法，利用鼠標選取眼肌中黑色聯(lián)通區(qū)中的一點作為種子點，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，對原圖像進行二值化處理，然后對處理好的二值化圖像，用鼠標選取屬于要計算面積區(qū)域中的某一黑色像素點，采用種子點生長算法[16]，將所選取的像素點作為種子點，進行生長，識別出面積輪廓。由于圖4中的面積區(qū)域，還存在白色大理石紋，不能直接計算出面積大小，因此，再對圖4進行二值化處理，選取背景色中的任意1點作為種子點進行生長，然后進行背景圖像區(qū)域的識別，再用總面積減去背景區(qū)域的面積，即可算出眼肌面積。對原圖像1，利用本實驗算法計算出的有效眼肌面積共14742個像素點。

2.3 肌肉和脂肪色度值

將圖像中所有肌肉像素點采用種子點生長的算法提取出來所有的紅色像素點區(qū)域，對提取出的肌肉連通區(qū)圖像，遍歷整個圖像，計算出連通區(qū)中所有像素點的Red、Green、Blue三個顏色分量的平均值，再使用顏色公式w（x，y）=Red+Green×256+Blue×65536，計算出所有肌肉像素點的顏色平均值。同樣的算法，可以提取出白色脂肪的色度值。對原圖像1（圖2A）進行肌肉色度和脂肪色度的計算，計算出了脂肪色度為11437206，肌肉色度為7428162，對原圖像2（圖3A）所示的圖像，計算出的脂肪色度為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算其長軸的長度和短軸的長度，通過長短軸的比值來衡量眼肌面積的圓度。在一幅灰度圖像中，已知中兩個像素點的坐標（x1，y1）、（x2，y2），利用兩點間距離的計算公式：

（3）

可以計算出某一直徑，直徑的大小即為長軸的長度。因此，查找到有效眼肌面積的長軸的兩個像素端點是計算長軸的關(guān)鍵。

本算法采用種子點生長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，選取出長軸的起點，如圖5B所示，設(shè)置出長軸的起點坐標（x1，y1）。然后在如圖5C所示的連通區(qū)中找到離該點最遠的像素點坐標值（x2，y2），利用兩點間距離公式，計算長軸的長度。短軸是在長軸垂直平分線上的離長軸中點（（x1+x2）/2、（y1+y2）/2）最遠的點和中點間的距離。測量結(jié)果顯示，長軸215.94，短軸55.08，長短軸比率：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

對大理石紋密度統(tǒng)計分析分為5個步驟進行：第1步，采用區(qū)域生長法或者邊緣檢測算法對原圖像進行圖像分割，將圖像分割成不同的很多連通區(qū)；第2步，對所有連通區(qū)進行著手標記，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)計所有連通區(qū)各自的面積大小區(qū)域；第4步，統(tǒng)計圖像中連通區(qū)總數(shù)目；第5步，統(tǒng)計標記的連通區(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生長算法，對整個圖像進行遍歷，識別出所有的連通區(qū)，并用不同的顏色值標記出不同的連通區(qū)。

對照高標準的密度檢測結(jié)果圖7和低標準的密度檢測結(jié)果圖8檢測結(jié)果發(fā)現(xiàn)，相同像素點下連通區(qū)總數(shù)越多，說明大理石紋越豐富。像素點總數(shù)小于5的連通區(qū)的個數(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分級系統(tǒng)

針對牛肉自動分級中大理石紋參數(shù)特征值的模糊性、相關(guān)性、多變量等特點，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、色度等多個參數(shù)，采用模糊數(shù)學(xué)理論中的綜合評判技術(shù)建立了基于模糊綜合評判的牛肉大理石紋自動分級模型。例如：使用模糊綜合評判算法記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，表示決定牛肉分級品質(zhì)的所有因素。記?={a1，a2，a3，…，an}。取評價集V={低品質(zhì)牛肉，中等品質(zhì)牛肉，優(yōu)質(zhì)牛肉，特優(yōu)級牛肉}，表示牛肉的評價結(jié)果。

對牛肉品質(zhì)等級的判定，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)自動提取出的相關(guān)的參數(shù)信息，然后考慮所有因素對評價集V中各等級的隸屬度，可得綜合評判矩陣如。

3 結(jié) 論

利用了圖像處理中的邊緣檢測技術(shù)、二值化處理和圖像分割技術(shù)，先對原牛眼肌圖像進行二值化處理，然后對處理好的二值化圖像，采用種子點生長算法，識別出眼肌面積輪廓，進行背景圖像區(qū)域識別，計算眼肌面積，并采集連通區(qū)中所有像素點的Red、Green、Blue 3個顏色分量，計算出所有肌肉和脂肪像素點的顏色平均值，并對有效眼肌區(qū)域的圓度和大理石紋分布密度進行參數(shù)提取和檢測。結(jié)果證明，本實驗設(shè)計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，并通過大量實驗數(shù)據(jù)和人工測量數(shù)據(jù)進行比對，證明使用圖像處理技術(shù)自動估算上述5個特征參數(shù)是可行的，為基于計算機視覺的牛肉品質(zhì)自動分級檢測奠定基礎(chǔ)。后期工作中希望能并結(jié)合大理石花紋的特點和特征描述以及具體牛肉圖像的特點，通過大量的數(shù)據(jù)，使用模糊聚類，模糊識別、模糊綜合評判等技術(shù)，給出接近現(xiàn)實的、準確的牛肉等級判定結(jié)果，為進一步研究基于計算機視覺的牛肉自動分級系統(tǒng)打下基礎(chǔ)。

參考文獻：

[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， 姬長英. 牛肉自動分級技術(shù)研究進展分析[J]. 農(nóng)業(yè)機械學(xué)報， 2006（3）： 159-162.

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

[9] 陳坤杰， 秦春芳， 姬長英. 牛胴體眼肌切面圖像的分割方法[J]. 農(nóng)業(yè)機械學(xué)報， 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)習和支持向量機的豬肉顏色分級[J]. 農(nóng)業(yè)工程學(xué)報， 2012（9）： 154-159.

[12] 魏光杏， 吳錫生. 新型邊緣檢測法[J]. 計算機工程與設(shè)計， 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. 改進的最大熵算法在圖像分割中的應(yīng)用[J]. 計算機仿真， 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的種子點生長邊緣檢測算法[J]. 計算機系統(tǒng)應(yīng)用， 2010（7）： 206-208.