計(jì)算機(jī)視覺(jué)技術(shù)在魚(yú)新鮮度檢測(cè)中的應(yīng)用研究

黃星奕，吳 磊，徐富斌

（江蘇大學(xué) 食品與生物工程學(xué)院，江蘇 鎮(zhèn)江212013）

0 引 言

對(duì)于魚(yú)等水產(chǎn)品，新鮮度一直是人們判斷其品質(zhì)優(yōu)劣的一個(gè)重要指標(biāo)。傳統(tǒng)的感官評(píng)定方法主觀性較強(qiáng)，評(píng)定結(jié)果無(wú)法定量分析；化學(xué)法、微生物法以及物理檢測(cè)方法等大多存在著檢測(cè)過(guò)程繁瑣、耗時(shí)且對(duì)檢測(cè)對(duì)象具有破環(huán)性等不足，不適應(yīng)大批量樣本快速檢測(cè)的工業(yè)要求［1，2］。

計(jì)算機(jī)視覺(jué)技術(shù)具有代替人眼進(jìn)行測(cè)量和判別的功能，具有自動(dòng)化程度高、檢測(cè)速度快、無(wú)破環(huán)性等諸多優(yōu)點(diǎn)。且隨著計(jì)算機(jī)等電子硬件成本的降低以及學(xué)科的交叉滲透，該技術(shù)在農(nóng)產(chǎn)品、食品品質(zhì)的快速無(wú)損檢測(cè)領(lǐng)域中得到了越來(lái)越廣泛的應(yīng)用［3－7］。本研究則針對(duì)傳統(tǒng)魚(yú)新鮮度檢測(cè)方法的不足，嘗試以鯽魚(yú)為研究對(duì)象，探索利用計(jì)算機(jī)視覺(jué)技術(shù)來(lái)檢測(cè)魚(yú)新鮮度的方法。

參照魚(yú)類(lèi)衛(wèi)生檢測(cè)標(biāo)準(zhǔn)［8］及相關(guān)研究文獻(xiàn) ［9］并結(jié)合預(yù)實(shí)驗(yàn)觀察可知，魚(yú)在貯藏過(guò)程中，魚(yú)眼虹膜、魚(yú)鰓、魚(yú)體表等部位的顏色以及體表的紋理等外觀特征會(huì)隨著魚(yú)新鮮度品質(zhì)的降低而發(fā)生比較明顯的變化。針對(duì)此特點(diǎn)，本研究嘗試?yán)糜?jì)算機(jī)視覺(jué)技術(shù)探索出有效的圖像分割方法將上述感興趣區(qū)域分別分割出來(lái)，提取其顏色、紋理等圖像特征信息，并建立合適的模式識(shí)別模型，實(shí)現(xiàn)快速無(wú)損檢測(cè)魚(yú)新鮮度的目的。

1 實(shí)驗(yàn)材料與方法

1.1 實(shí)驗(yàn)材料

于當(dāng)?shù)卮笮统羞x購(gòu)重量為 （250±50）g，體表完整、健康無(wú)病態(tài)的鯽魚(yú)26條，用保鮮袋包裝后貯藏于4℃恒溫冰箱中待測(cè)。鮮魚(yú)剛買(mǎi)回來(lái)后先冷藏8小時(shí)讓其窒息死亡后再進(jìn)行檢測(cè)，以后每隔48小時(shí)檢測(cè)一次，即第1、3、5、7、9、11天分別將魚(yú)取出進(jìn)行圖像采集，11天以后的魚(yú)變質(zhì)較嚴(yán)重，無(wú)研究意義。

1.2 采用計(jì)算機(jī)視覺(jué)技術(shù)的魚(yú)新鮮度檢測(cè)方法

利用自行設(shè)計(jì)的圖像采集裝置采集魚(yú)在不同貯藏天數(shù)下的圖像。對(duì)圖像進(jìn)行預(yù)處理后，分別分割出圖像中魚(yú)體、魚(yú)眼、魚(yú)鰓3個(gè)檢測(cè)部位的感興趣區(qū)域。提取其顏色特征信息，且在體表劃分一塊矩形區(qū)域，提取其紋理特征信息。利用這些特征信息建立判別模型來(lái)對(duì)魚(yú)在恒溫條件下的貯藏天數(shù)進(jìn)行預(yù)測(cè)。

2 圖像處理

2.1 圖像采集裝置

實(shí)驗(yàn)所用魚(yú)圖像采集系統(tǒng)主要由光照箱、光源、載物臺(tái)、相機(jī)及PC機(jī)等組成。前期實(shí)驗(yàn)發(fā)現(xiàn)，由于魚(yú)體表存在大量的水分，普通的直射光照方法會(huì)造成強(qiáng)烈的魚(yú)體表面反射，對(duì)后續(xù)的圖像分析和特征提取產(chǎn)生很大的干擾，因此將光箱設(shè)計(jì)成圖1所示形狀，位于箱底的主光源4（熒光燈）發(fā)出的光通過(guò)拱形內(nèi)壁漫反射后，使整個(gè)箱體內(nèi)部形成強(qiáng)度較均勻的光照，消除了直射光照方式下鏡面反射帶來(lái)的干擾。魚(yú)體和魚(yú)眼圖像拍攝時(shí)，直接放在水平載物臺(tái)上完成。而魚(yú)鰓因?yàn)橛婿w殼遮蓋，所以拍攝前使用一個(gè)類(lèi)似魚(yú)鉤形狀的鐵絲鉤將鰓蓋拉開(kāi)，用副光源3（兩個(gè)LED臺(tái)燈）對(duì)其進(jìn)行補(bǔ)光，且將檢測(cè)對(duì)象放置在自制的楔形臺(tái)5上完成拍攝，這樣可使位于箱體頂端的相機(jī)能夠拍攝到面積較大、質(zhì)量更高的魚(yú)鰓圖像。

圖1 魚(yú)圖像采集系統(tǒng)

2.2 圖像分割

2.2.1 魚(yú)體分割

采用圖1實(shí)驗(yàn)裝置獲取的魚(yú)體彩色圖像如圖2（a）所示。為了提取能夠反映魚(yú)新鮮度變化的特征變量，首先應(yīng)將目標(biāo)對(duì)象較完整地從藍(lán)色背景中分割出來(lái)。嘗試了不同顏色通道下的分割效果，發(fā)現(xiàn)對(duì)HSV顏色模型下的S分量運(yùn)用大津法獲取的動(dòng)態(tài)閾值，能夠?qū)δ繕?biāo)對(duì)象實(shí)現(xiàn)較完整的分割。分割后得到的二值圖像中，目標(biāo)區(qū)域可能會(huì)含有一些內(nèi)部空洞及邊緣噪聲，先用區(qū)域填充算法將內(nèi)部空洞填充，再用半徑大小為3的圓形結(jié)構(gòu)元素進(jìn)行形態(tài)學(xué)開(kāi)運(yùn)算可將邊緣處的噪聲濾除，結(jié)果如圖2（b）所示。最后用該二值圖像與原始RGB圖像相乘，可得到只保留有目標(biāo)對(duì)象的彩色圖像 （圖2（c）所示）。

圖2 魚(yú)整體圖像分割

2.2.2 魚(yú)眼分割

采集的魚(yú)眼原始RGB圖像如圖3（a）所示。由彩色圖像轉(zhuǎn)化成灰度圖后，魚(yú)眼珠區(qū)域像素的灰度級(jí)相對(duì)較低，可直接用固定閾值法先將其分割出來(lái)。本實(shí)驗(yàn)中固定閾值設(shè)為58，得到如圖3（b）所示的分割區(qū)域。通過(guò)區(qū)域標(biāo)記算法，對(duì)分割得到的各具有連通性的分量分別標(biāo)記，運(yùn)用圓形度指標(biāo)可從這些連通分量中將眼珠區(qū)域篩選出來(lái)。

然后，從圖3（b）所有連接分量中選取面積最大的區(qū)域，求其補(bǔ)集，在所有的補(bǔ)集區(qū)域中將圓形度最高的區(qū)域篩選出來(lái)，即可得到整個(gè)魚(yú)眼的區(qū)域 （圖3（c））。在此魚(yú)眼區(qū)域外圍擬合出一個(gè)最小外接圓，這個(gè)圓形區(qū)域與眼珠區(qū)域補(bǔ)集的交集即為要提取的虹膜區(qū)域，如圖3（d）所示。最后用此虹膜區(qū)域與原彩色圖像進(jìn)行與操作就可得到只保留虹膜區(qū)域的RGB圖像。實(shí)驗(yàn)中發(fā)現(xiàn)，虹膜顏色變化遵循一個(gè)由黑迅速變白，再逐漸被染紅的過(guò)程，目標(biāo)對(duì)象本身所存在的這種顏色變化，大大增加了基于圖像灰度閾值分割的難度，因此，本研究中選取RGB顏色模型的R分量與HSV顏色模型的V分量相加，所得到的組合圖像來(lái)用于魚(yú)眼虹膜的分割，用此組合圖像分割能夠有效彌補(bǔ)單一通道圖像由于魚(yú)眼前后顏色變化而使灰度閾值分割方法魯棒性低的缺點(diǎn)。

2.2.3 魚(yú)鰓分割

圖4 魚(yú)鰓圖像分割

魚(yú)鰓拍攝圖像 （圖4（a））顏色信息復(fù)雜，某單一分割方法很難直接將魚(yú)鰓感興趣區(qū)域從背景圖像中較準(zhǔn)確地分割出來(lái)。因此，采用L＊a＊b顏色模型下的a通道圖 （如圖4（b）所示）先對(duì)其進(jìn)行預(yù)分割。由于a通道圖對(duì)比度較弱，因此在做閾值分割之前需做一次對(duì)比度拉伸變換［10］，變換后得到圖4（c）所示的增強(qiáng)后的魚(yú)鰓a通道圖。再運(yùn)用全局動(dòng)態(tài)閾值分割就能夠把魚(yú)鰓完整地分割出來(lái)，如圖4（d）所示。

但鰓的兩端及背面并不是研究所感興趣的區(qū)域，它們的存在會(huì)影響鰓顏色的正確分析。為此嘗試采用了 “局部動(dòng)態(tài)閾值法”進(jìn)行分割，即用一個(gè)固定大小的矩形模板來(lái)遍歷整幅圖像，模板下輸入圖像像素值p（i，j）通過(guò)下列關(guān)系式 （1）得到輸出圖像像素值T（i，j），其中M 為模板下像素點(diǎn)的平均灰度值，S為標(biāo)準(zhǔn)方差，f為調(diào)整因子。輸入圖像p（i，j）為R和V分量相加得到的組合分量圖，經(jīng)過(guò)該算法處理后最終得到圖4（e）所示圖像

為了只填充感興趣的區(qū)域的輪廓，研究通過(guò)下列方式來(lái)去掉圖4（e）最左邊的輪廓區(qū)域，得到如圖4（f）所示的二值圖像。

（1）以行掃描的方式，從左上角開(kāi)始依次掃描該圖每個(gè)像素點(diǎn)f（i，j），且把標(biāo)志變量flag初始為0。

（2）如果f（i，j）＝255，則flag置為1，f（i，j）＝0。

（3）否則，如果flag為1或j＝N（N為圖像的寬度），則flag＝0，并跳轉(zhuǎn)到下一行開(kāi)始掃描。

（4）如果上述兩點(diǎn)都不滿足且i≤M （M 為圖像的高度），則按序繼續(xù)執(zhí)行下一個(gè)像素點(diǎn)。

接著運(yùn)用區(qū)域填充和形態(tài)學(xué)開(kāi)運(yùn)算就能得到正面魚(yú)鰓的區(qū)域模板 （圖4（g）），再與原始圖像相乘得到如圖4（h）所示的正面魚(yú)鰓RGB圖。

2.2.4 體表紋理特征區(qū)域分割

魚(yú)在腐敗變化過(guò)程中，體表漸漸失去光澤，鱗片與鱗片之間的明暗間隔程度越來(lái)越低，即清晰度會(huì)有所下降，因此可以嘗試分析體表的紋理特征信息來(lái)判定魚(yú)的新鮮度。研究采用如圖5（a）所示的方式，根據(jù)每條魚(yú)的外接矩形的大小，按照一定的比例在體表劃取一塊矩形區(qū)域來(lái)進(jìn)行紋理特征信息的提取。

由于魚(yú)鰭 （包括腹部魚(yú)鰭和背部魚(yú)鰭）的存在會(huì)影響體表的紋理正確分析，因此在紋理特征提取前，須先把魚(yú)鰭從體表中分割出去。采用如圖5（b）所示的方式，把要分割的腹部魚(yú)鰭部位劃分在一個(gè)較小的三角幾何區(qū)域內(nèi)。在此區(qū)域內(nèi)魚(yú)鰭與其周?chē)糠值南袼鼗叶葘?duì)比度較強(qiáng)，其灰度直方圖會(huì)存在一個(gè)明顯的波谷，運(yùn)用迭代閾值分割法就能把魚(yú)鰭較完整地分離出來(lái)，達(dá)到如圖5（c）所示的上半部分圖像呈現(xiàn)的效果。

但在靠近魚(yú)鰭邊緣的部位，由于灰度差異逐漸變小，會(huì)出現(xiàn)分割不全的情況。為此，采用一種 “改進(jìn)的區(qū)域增長(zhǎng)法”來(lái)達(dá)到較完整分割魚(yú)鰭的目的。即先計(jì)算出已分割區(qū)域的灰度均值，然后以該區(qū)域的邊緣點(diǎn)為種子點(diǎn)，每個(gè)種子點(diǎn)的八鄰域中，若有一點(diǎn)的灰度值與此均值的差值小于等于 “接納閾值”，則把該點(diǎn)歸并為這個(gè)區(qū)域。然后再計(jì)算歸并后區(qū)域的灰度均值，依次類(lèi)推，最終得到圖5（c）下半部分圖像。

對(duì)背部魚(yú)鰭的分割，研究采用滯后閾值分割法［11］。通過(guò)設(shè)定上限閾值為60，下限閾值為52，路徑長(zhǎng)度為10個(gè)像素，能夠?qū)崿F(xiàn)背部魚(yú)鰭較完整分割。背部魚(yú)鰭和腹部魚(yú)鰭分別分割掉后就得到如圖5（d）所示二值圖像，再與原灰度圖進(jìn)行與運(yùn)算得到用來(lái)分析體表紋理的感興趣區(qū)域圖像。

圖5 紋理感興趣區(qū)域分割

2.3 特征提取

2.3.1 顏色特征提取

為了減少亮度變化對(duì)圖像顏色信息分析的影響，選擇HSV和L＊a＊b顏色模型對(duì)魚(yú)腐敗過(guò)程中感興趣區(qū)域的顏色變化進(jìn)行分析。分別提取所分割出來(lái)的魚(yú)眼虹膜、魚(yú)鰓、體表在上述兩個(gè)顏色模型下各顏色分量的均值 （、）和標(biāo)準(zhǔn)方差 （δH、δS、δV、δL、δa、δb）共12個(gè)元素組成顏色描述特征向量。由于不同特征參數(shù)之間具有不同的量綱和數(shù)量級(jí)，因此在建模前將參與分析的所有樣本數(shù)據(jù)進(jìn)行歸一化處理［12］。

2.3.2 紋理特征提取

為了分析魚(yú)腐敗過(guò)程中體表紋理所發(fā)生的變化，選用基于描述圖像灰度級(jí)分布情況的直方圖統(tǒng)計(jì)和描述灰度空間位置信息的灰度共生矩陣法來(lái)分析ROI的紋理特征。提取基于灰度統(tǒng)計(jì)矩的紋理參數(shù)有均值、標(biāo)準(zhǔn)偏差、平滑度、三階矩、一致性和熵，基于共生矩陣的有對(duì)比度、熵、相關(guān)性和能量［13］，共10個(gè)紋理特征變量。

正如圖5（d）所示，當(dāng)腹部魚(yú)鰭被分割后，矩形區(qū)域體表圖像會(huì)留下大小和方位不一的凹陷或空洞形式的 “分割痕跡”（因?yàn)椴煌瑐€(gè)體的魚(yú)，魚(yú)鰭的大小和位置不固定），為避免其影響紋理特征值的提取，在編寫(xiě)特征值提取程序時(shí)一律不把0像素值的像素考慮在內(nèi)。且通過(guò)此種方式提取的共生矩陣特征值比不做此處理的程序提取的特征值所建模型預(yù)測(cè)精度要高很多，因?yàn)樗釛壛舜罅繜o(wú)關(guān)的0像素值像素信息的干擾。

由于魚(yú)鱗的存在，魚(yú)體表灰度值在水平方向會(huì)出現(xiàn)高低交替變化的規(guī)律，因此選取像素對(duì)方向角θ＝0°，間隔d＝1來(lái)計(jì)算體表感興趣區(qū)域的灰度共生矩陣。且在特征值提取前，需用圖像轉(zhuǎn)換技術(shù)把魚(yú)的主軸方向統(tǒng)一轉(zhuǎn)至水平。

已摳除魚(yú)鰭的矩形區(qū)域體表圖像轉(zhuǎn)換成灰度圖像后，像素灰度級(jí)共有256個(gè)。如果直接用如此密集的灰度級(jí)來(lái)計(jì)算灰度共生矩陣，勢(shì)必會(huì)因?yàn)閿?shù)據(jù)量過(guò)大而使程序運(yùn)行緩慢，甚至癱瘓［14］。但若灰度級(jí)被過(guò)度壓縮，又會(huì)丟失大量的圖像原始信息。經(jīng)過(guò)多次計(jì)算發(fā)現(xiàn)，當(dāng)體表圖像灰度級(jí)被壓縮至64時(shí)，提取的特征值所建立模型的預(yù)測(cè)精度最高，且計(jì)算速度也相對(duì)較快。

3 新鮮度識(shí)別

3.1 基于單個(gè)檢測(cè)部位特征值的識(shí)別

為了研究體表、魚(yú)眼虹膜、魚(yú)鰓等檢測(cè)部位的顏色變化以及體表的紋理變化信息與魚(yú)實(shí)際存儲(chǔ)天數(shù)相關(guān)性，分別對(duì)這些檢測(cè)部位所提取的特征值建立Fisher線性判別模型。

表1所示為不同部位顏色特征值所建立的線性判別模型對(duì)魚(yú)儲(chǔ)藏天數(shù)的預(yù)測(cè)結(jié)果。當(dāng)單獨(dú)用體表和魚(yú)鰓的顏色特征作為模型的輸入時(shí)得到整個(gè)樣本的判別正確率都達(dá)到76.3%，使用魚(yú)眼的顏色特征值時(shí)，模型的判別正確率為67.3%，說(shuō)明這些檢測(cè)部位的顏色信息對(duì)魚(yú)死后恒溫條件下的實(shí)際儲(chǔ)藏天數(shù)均具有一定的預(yù)測(cè)能力。且發(fā)現(xiàn)第一天和最后一天的樣本都有較高的判別正確率，表明魚(yú)在儲(chǔ)藏過(guò)程中，前期和后期的新鮮度變化較快，而中間幾天變化較為緩慢，導(dǎo)致其判別正確率也相對(duì)較低。

表1 魚(yú)不同檢測(cè)部位顏色特征值線性判別模型的預(yù)測(cè)結(jié)果

表2給出了利用10個(gè)體表紋理特征值建立的線性判別模型的識(shí)別率情況，可見(jiàn)單用體表的紋理特征建立的線性模型，整體判別正確率并不高，只有53.8%。說(shuō)明相比于顏色特征值，在同樣的檢測(cè)精度要求下，通過(guò)前述方法提取到的紋理特征信息并未能達(dá)到較好的識(shí)別效果。從表2中看到，除最后一天能夠達(dá)到80.8%的判別正確率外，其余幾天都較低，說(shuō)明在儲(chǔ)藏后期，開(kāi)始進(jìn)入腐敗階段時(shí)，鯽魚(yú)體表紋理才會(huì)發(fā)生較顯著變化，即此時(shí)鱗片與鱗片之間明暗間隔變化的紋路已變得很模糊，而在此之前，這種變化程度相對(duì)較小，大多數(shù)的類(lèi)別判別率都在60%以下。

3.2 基于全部特征值的融合信息識(shí)別

人工神經(jīng)網(wǎng)絡(luò)是人類(lèi)大腦的一個(gè)簡(jiǎn)單的模擬系統(tǒng)，它能夠?qū)崿F(xiàn)輸入與輸出之間復(fù)雜的非線性映射。其中BP（back propagation）神經(jīng)網(wǎng)絡(luò)是一種信號(hào)向前傳遞、誤差反相傳播的前饋型網(wǎng)絡(luò)，通過(guò)若干次迭代來(lái)不斷調(diào)整網(wǎng)絡(luò)權(quán)值，使模型的輸出值和實(shí)際值之間誤差達(dá)到最小。本研究采用 NeuroShell 2 （Ward Systems Group Inc.，F(xiàn)rederick，MD）神經(jīng)網(wǎng)絡(luò)軟件［15］對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析。網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)與要輸入的特征變量數(shù)相同，輸出層節(jié)點(diǎn)數(shù)為1，代表樣本所屬類(lèi)別，選用3層隱含層網(wǎng)絡(luò)結(jié)構(gòu)，每個(gè)隱含層節(jié)點(diǎn)數(shù)由軟件根據(jù)輸入層和輸出層節(jié)點(diǎn)數(shù)自動(dòng)計(jì)算出，3個(gè)隱含層的激活函數(shù)根據(jù)預(yù)實(shí)驗(yàn)效果分別選用Gaussian、tanh和Gaussian complement函數(shù)，輸出層為logistic函數(shù)，輸入層的一般選用 ［－1，1］線性尺度變換函數(shù)，模型的學(xué)習(xí)率和動(dòng)量因子固定為0.1，初始權(quán)重設(shè)為0.3。

表2 體表紋理特征線性判別模型預(yù)測(cè)結(jié)果

實(shí)驗(yàn)中，提取出魚(yú)眼虹膜、魚(yú)鰓、體表的顏色特征以及體表紋理特征在數(shù)據(jù)層融合后共得到46個(gè)特征變量。如果把這些變量直接作為模型的輸入，勢(shì)必會(huì)使模型的復(fù)雜度較高，計(jì)算速率下降。通過(guò)主成分分析降維，不僅保留了原始特征變量的大部分信息，而且使模型也更加簡(jiǎn)潔［16］。

圖6顯示了不同主成分因子數(shù)下線性判別模型和BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練集和測(cè)試集樣本的判別正確率，由圖6（a）可以看出，對(duì)于線性判別模型，當(dāng)主成分因子數(shù)為14時(shí)訓(xùn)練集樣本的正確分類(lèi)率達(dá)到了最高為86%，此時(shí)測(cè)試集的為82%。而對(duì)于BP網(wǎng)絡(luò)而言 （圖6（b）），當(dāng)主成分因子數(shù)為8時(shí)，訓(xùn)練集樣本的回判率達(dá)到了94%，此時(shí)測(cè)試集樣本正確分類(lèi)率也達(dá)到了最高，為85%。可以看出，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)相比于線性判別模型，輸入的主成分?jǐn)?shù)少，且具有較高的預(yù)測(cè)精度。

表3為輸入的主成分?jǐn)?shù)為8時(shí)，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果。從表中可以看出，模型對(duì)每一天的訓(xùn)練集樣本都有較高的判別精度，回判率都在88%以上，每一天至多有一或兩個(gè)存有類(lèi)別交叉的情況外，大部分樣本的類(lèi)別歸屬都能夠得到正確判別。同樣，對(duì)于測(cè)試集樣本，除了中間幾天存在著比鄰類(lèi)別間少量樣本的交叉誤判情況外，大部分測(cè)試集樣本的實(shí)際儲(chǔ)藏天數(shù)都能得到正確預(yù)測(cè)。說(shuō)明利用所有檢測(cè)部位的融合圖像特征信息建立的BP神經(jīng)網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)魚(yú)的儲(chǔ)藏天數(shù)穩(wěn)定性好、預(yù)測(cè)精度高。

圖6 線性判別和BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果

表3 圖像融合信息的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

4 結(jié)束語(yǔ)

（1）自行設(shè)計(jì)了一套用于檢測(cè)魚(yú)新鮮度的圖像信息采集裝置。

（2）探索了用于魚(yú)新鮮度檢測(cè)的圖像分割新方法。在魚(yú)鰓分割過(guò)程中，經(jīng)過(guò)預(yù)處理后，利用基于矩形模板遍歷的局部動(dòng)態(tài)閾值分割法能進(jìn)一步精確分割得到用于鰓顏色特征提取的正面魚(yú)鰓區(qū)域。在體表紋理特征提取時(shí)，通過(guò)將腹部魚(yú)鰭劃分在一個(gè)較小范圍的三角區(qū)域內(nèi)進(jìn)行分析，可減輕其周?chē)蓴_像素對(duì)分割產(chǎn)生的不利影響，且通過(guò)迭代閾值加上改進(jìn)的區(qū)域增長(zhǎng)法可實(shí)現(xiàn)魚(yú)鰭的較完整分割。

（3）分別提取了魚(yú)眼、魚(yú)鰓、體表的顏色特征以及體表的紋理特征，用這些檢測(cè)部位特征值所建立的線性判別模型，對(duì)魚(yú)儲(chǔ)藏天數(shù)均有一定的預(yù)測(cè)能力。綜合所有的圖像信息，利用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)時(shí)，最佳主成分?jǐn)?shù)為8，訓(xùn)練集和測(cè)試樣本的正確分類(lèi)率能夠達(dá)到94%和85%。結(jié)果表明，用計(jì)算機(jī)視覺(jué)技術(shù)來(lái)檢測(cè)魚(yú)的新鮮度具有可行性，能為進(jìn)一步實(shí)際應(yīng)用設(shè)備的開(kāi)發(fā)提供參考。

［1］Dowlati M，Guardia M D L，Dowlati M，et al.Application of machine－vision techniques to fish－quality assessment ［J］.Trends in Analytical Chemistry，2012，40 （11）：168－179.

［2］ZHANG Jun，LI Xiaoyi，WANG Wei，et al.Measurment of bio－impedance characteristic of freshwater fish based on virtual instrument ［J］.Transactions of Chinese Society for Agricultural Machinery，2007，38 （9）：103－107 （in Chinese）. ［張軍，李小昱，王為，等.淡水魚(yú)鮮度檢測(cè)系統(tǒng)的阻抗特性測(cè)試 ［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2007，38 （9）：103－107.］

［3］Shin J S，Lee W S，Ehsani R.Postharvest citrus mass and size estimation using a logistic classification model and a watershed algorithm ［J］.Biosystems Engineering，2012 （113）：42－53.

［4］CHEN Jianhua，YAO Qing，HU Hao，et al.Research on inspection of rice chalkiness based on computer vision ［J］.Computer Engineering ＆Design，2010，31 （1）：218－220 （in Chinese）.［陳建華，姚青，胡浩，等.基于計(jì)算機(jī)視覺(jué)的稻米堊白檢測(cè)方法研究［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2010，31 （1）：218－220.］

［5］HUANG Xingyi，JIANG Shuang，CHEN Quansheng，et al.I－dentification of defect pleurotus geesteranus based on computer vision ［J］.Transactions of Chinese Society for Agricultural Machinery，2010，26 （10）：350－354 （in Chinese）.［黃星奕，姜爽，陳全勝，等.基于機(jī)器視覺(jué)技術(shù)的畸形秀珍菇識(shí)別 ［J］.農(nóng)業(yè)工程學(xué)報(bào)，2010，26 （10）：350－354.］

［6］Girolami A，Napolitano F，F(xiàn)araone D，et al.Measurement of meat color using a computer vision system ［J］.Meat Science，2013 （93）：111－118.

［7］ZHANG Zhiqiang，NIU Zhiyou，ZHAO Siming.Weight grading of fresh water fish based on computer vision ［J］.Transactions of Chinese Society for Agricultural Machinery，2011，27（2）：350－354 （in Chinese）.［張志強(qiáng)，牛智有，趙思明，等.基于機(jī)器視覺(jué)技術(shù)的淡水魚(yú)質(zhì)量分級(jí) ［J］.農(nóng)業(yè)工程學(xué)報(bào)，2011，27 （2）：350－354.］

［8］GB2733－94.Hygienic standard for frsh water fish ［S］.（in Chinese）.［GB2733－94，淡水魚(yú)衛(wèi)生標(biāo)準(zhǔn) ［S］.］

［9］JIANG Feiyan.Evaluation of pampus argenteus freshness based on olfaction visualization detection technique ［D］.Zhenjiang：Jiangsu University，2012：2－3 （in Chinese）.［蔣飛燕.嗅覺(jué)可視化對(duì)鯧魚(yú)儲(chǔ)藏期內(nèi)新鮮度變化的研究 ［D］.鎮(zhèn)江：江蘇大學(xué)，2012：2－3.］

［10］ZHOU Jun，LUO Ting，LU Xiang，et al.An algorithm to strengthen fingerprint image based on stretching transfer function［J］.Computer Systems＆Applications，2009，18 （3）：141－143 （in Chinese）.［周俊，羅挺，路翔，等.一種基于拉伸變換函數(shù)的指紋圖像增強(qiáng)算法 ［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2009，18 （3）：141－143.］

［11］Steger C，Ulrich M，Wiedemann C.et al.Machine vision algorithms and applications ［M］.YANG Shaorong，transl.Beijing：Tsinghua University Press，2008 （in Chinese）.［Steger C，Ulrich M，Wiedemann C，等.機(jī)器視覺(jué)算法與應(yīng)用 ［M］.楊少榮，譯.北京：清華大學(xué)出版社，2008.］

［12］YANG Xu，ZHENG Limin.Evaluation of grading fresh hen egg based on computer vision［J］.Journal of Computer Application，2008，28 （z2）：375－377 （in Chinese）.［楊旭，鄭麗敏.基于計(jì)算機(jī)視覺(jué)技術(shù)的鮮蛋等級(jí)評(píng)定系統(tǒng) ［J］.計(jì)算機(jī)應(yīng)用，2008，28 （z2）：375－377.］

［13］ZHENG Chaoxin，SUN Dawen，ZHENG Liyun.Recent applications of image texture for evaluation of food qualities ［J］.Trends in Food Science ＆ Technology，2006，17 （3）：113－128.

［14］FENG Jianhui，YANG Yujing.Study of texture images extraction based on gray level Co－occurence matrix ［J］.Beijing Surveying and Mapping，2007 （3）：19－22 （in Chinese）.［馮建輝，楊玉靜.基于灰度共生矩陣提取紋理特征圖像的研究［J］.北京測(cè)繪，2007 （3）：19－22.］

［15］Chandraratne M R，Samarasinghe S，Kulasiri D.Prediction of lamb tenderness using image surface texture features ［J］.Journal of Food Engineering，2006 （77）：492－499.

［16］YUAN Lei，LI Shuqin.Application of principal component analysis of wheat stripe rust ［J］.Computer Engineering and Design，2010，31 （2）：459－461 （in Chinese）.［袁磊，李書(shū)琴.主成分分析在小麥條銹病預(yù)測(cè)中的應(yīng)用 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2010，31 （2）：459－461.］