本发明提供了一种用于牛肉眼肌大理石花纹分割和评级的图像处理方法。本发明提供的图像处理方法具体包括：牛胴体眼肌切面图像分割；牛肉眼肌区域大理石花纹提取，牛肉眼肌大理石花纹评级。本发明是一种基于计算机视觉及图像处理技术的自动分割牛肉眼肌、提取眼肌内大理石花纹并对大理石花纹进行客观高效评级的方法，通过对牛肉的质量和品质进行自动化评级，解决了人工评级方法具有的主观性和不一致性以及评级成本高、效率低等问题。本发明适用但不限于牛肉生产企业和质量检测部门，具有良好的市场应用前景。
1.一种用于牛肉眼肌大理石花纹分割和评级的图像处理方法，其特征在于它包括以下步骤：
(1)对通过数码相机拍摄得到的牛肉眼肌切面彩色图像进行图像灰值化，得到眼肌切面灰度化图像；
(2)对所述眼肌切面灰度化图像进行处理，得到眼肌切面二值图像；
(4)查找所述眼肌切面灰度化图像中心点区域对应的连通区域标记，将此标记区域下对应的眼肌切面灰度化图像像素设为前景，其余标记区域的像素全部清零设定为背景，得到眼肌初始区域图像；
(5)将所述眼肌初始区域图像前景置一，背景清零，得到眼肌初始区域二值图像；
(7)对所述眼肌切面灰度化图像，以凸包边界作为眼肌区域初始轮廓，进行主动轮廓分割算法，得到牛肉眼肌区域轮廓；
(1)对所述眼肌灰度化图像，将牛肉眼肌区域轮廓内包含像素保留，设为前景区域，轮廓外像素清零设为背景，得到牛肉眼肌区域图像；
(2)对所述牛肉眼肌区域图像进行处理，得到牛肉眼肌区域的大理石花纹二值图像，该二值图像在眼肌范围内的前景部分认定为大理石花纹，其余在眼肌范围内的像素认定为眼肌红肉；
(3)对牛肉眼肌区域图像进行超像素分割算法，得到超像素网格块；
(4)取出眼肌区域图像前景部分的超像素网格块，得到眼肌区域超像素网格块；
(5)将所述眼肌区域超像素网格块平铺在大理石花纹二值图像上，计算每个网格块的脂肪含量；当某个超像素网格块内脂肪含量超过临界值时，把该超像素网格块内所有像素置1，认定该超像素网格块为大脂肪块，否则，超像素网格块内所有像素置0，得到眼肌区域大脂肪块二值图像；
(1)计算样本图像所对应的脂肪占比P，大脂肪块占比Q和计盒维数Db；
(2)根据样本图像大理石花纹等级MB与脂肪占比P，大脂肪块占比Q和计盒维数Db的对应关系，建立如下多元线性回归方程组；
式中：MBi为第i个样本图像对应的大理石花纹等级，Pi、Qi、Dbi分别为从第i个样本图像计算所得的脂肪占比P、大脂肪块占比Q和计盒维数Db，β0为常数项，β1、β2、β3为回归系数，εi为第i个样本图像的回归误差；
(3)通过最小二乘法，建立牛肉大理石花纹评级MB的多元线性回归方程，如下式所示；
式中：MB为样本图像牛肉大理石花纹的预测等级，P为样本图像的脂肪占比，Q为样本图像的大脂肪块占比，Db为样本图像的计盒维数；
所述大脂肪块占比Q＝Fk/Tk，Fk为眼肌区域大脂肪块二值图像中大脂肪块的个数，Tk为眼肌区域大脂肪块二值图像所有超像素个数；
所述计盒维数 s为超像素的平均边长，N是眼肌区域大脂肪块二值图像中大脂肪块的超像素的个数。
2.根据权利要求1所述的图像处理方法，其特征在于：所述步骤1)中主动轮廓分割算法的步骤为：(1)建立关于图像与轮廓的能量泛函
其中I是图像，C(q)是轮廓，q为轮廓的参变量，g是一个递减函数，其形式如下：其中p＝2，G为高斯滤波函数，其形式如下：
(2)对所建立的能量泛函做变分法，得到轮廓随时间变化方程，其形式如下：其中k为曲线的曲率，N为指向轮廓曲线内部的法向量；
(3)引入随时间t变化的水平集u表示轮廓，即u(x,y,t)＝0为轮廓C，u(x,y,t)>0为轮廓包含区域，u(x,y,t)<0为轮廓外区域，则轮廓随时间变化方程用水平集形式表示为如下形式：(4)对轮廓随时间变化方程，运用有限差分法对时间t经过给定次数的迭代，计算出最终轮廓曲线。
3.根据权利要求1所述的图像处理方法，其特征在于：所述步骤2)中超像素分割算法的步骤：(1)确定超像素块个数k，每个超像素块初始边长S为其中，N是图像总像素个数；
(2)对每个超像素中心从1到k进行编号，属于该超像素块的像素编号与超像素中心编号相同；
(3)用k-means聚类方法，对图像的每个像素找出广义距离最接近的超像素中心，该广义距离D定义为其中，l，a，b为CIELAB颜色空间，x，y为坐标空间，Nc与Ns为权重常数(本方法，Nc＝0.5，Ns＝10)；
(4)将图像所有像素的编号更改为与广义距离最接近的超像素中心的编号；
(5)对所有属于同一个新编号的所有像素，设它们的重心为该编号超像素的新中心；
(6)回到第3步，经过给定次数的迭代，获得最终超像素编号。
4.根据权利要求3所述的图像处理方法，其特征在于：所述步骤(6)中迭代次数为100次。
5.根据权利要求1所述的图像处理方法，其特征在于：所述脂肪占比P＝F/T，F为大理石花纹二值图像中大理石花纹像素点个数，T为牛肉眼肌区域图像前景像素点个数。
6.根据权利要求1所述的图像处理方法，其特征在于：所述步骤2)中(5)中的临界值为
一种用于牛肉眼肌大理石花纹分割和评级的图像处理方法
技术领域
[0001] 本发明涉及一种基于计算机视觉及图像处理技术，具体涉及一种用于牛肉眼肌大理石花纹分割和评级的图像处理方法。
背景技术
[0002] 牛肉大理石花纹是牛肉等级评定的重要指标准。目前，世界各国的牛肉分级方法，一般是采用主观的人工视觉评定。牛肉分级员通过观察牛胴体第12～13或第6～7胸肋间背最长肌(眼肌)横切面处肌内脂肪(大理石花纹)的丰富程度，评定出牛肉的大理石花纹等级，然后参考牛肉的肌肉色、脂肪色和生理成熟度，最终评定出牛肉质量等级。人工视觉评级方法的优点是，分级员的直觉和经验能够确保较高的牛肉评级准确率，并且这一评级过程是无损的。但是人工视觉评级方法仍有一些根本的缺点：一是具有主观性，当两个分级员对相同的牛肉进行评级时，其评定结果可能不同；二是存在不一致性，当同一个分级员对相同牛肉进行两次评级时，其评定结果也可能不相同；三是该方法评级的人工成本高、效率低。
发明内容
[0003] 本发明的目的是提供了一种用于牛肉眼肌大理石花纹分割和评级的图像处理方法。本发明解决了人工评级方法具有的主观性和不一致性以及评级成本高、效率低等问题。
[0004] 为实现上述发明目的，本发明采用以下技术方案予以实现：
[0005] 本发明提供了一种用于牛肉眼肌大理石花纹分割和评级的图像处理方法，它包括以下步骤：
[0006] 1)牛肉眼肌切面图像分割；
[0007] (1)对通过数码相机拍摄得到的牛肉眼肌切面彩色图像进行图像灰值化，得到眼肌切面灰度化图像；
[0008] (2)对所述眼肌切面灰度化图像进行处理，得到眼肌切面二值图像；
[0009] (3)对所述眼肌切面二值图像进行连通区域标记；
[0010] (4)查找所述眼肌切面灰度化图像中心点区域对应的连通区域标记，将此标记区域下对应的眼肌切面灰度化图像像素设为前景，其余标记区域的像素全部清零设定为背景，得到眼肌初始区域图像；
[0011] (5)将所述眼肌初始区域图像前景置一，背景清零，得到眼肌初始区域二值图像；
[0012] (6)计算所述眼肌初始区域二值图像的凸包；
[0013] (7)对所述眼肌切面灰度化图像，以凸包边界作为眼肌区域初始轮廓，进行主动轮廓分割算法，得到牛肉眼肌区域轮廓；
[0014] 2)牛肉眼肌区域大理石花纹提取；
[0015] (1)对所述眼肌灰度化图像，将牛肉眼肌区域轮廓内包含像素保留，设为前景区域，轮廓外像素清零设为背景，得到牛肉眼肌区域图像；
[0016] (2)对所述牛肉眼肌区域图像进行处理，得到牛肉眼肌区域的大理石花纹二值图像，该二值图像在眼肌范围内的前景部分认定为大理石花纹，其余在眼肌范围内的像素认定为眼肌红肉；
[0017] (3)对牛肉眼肌区域图像进行超像素分割算法，得到超像素网格块；
[0018] (4)取出眼肌区域图像前景部分的超像素网格块，得到眼肌区域超像素网格块；
[0019] (5)将所述眼肌区域超像素网格块平铺在大理石花纹二值图像上，计算每个网格块的脂肪含量；当某个超像素网格块内脂肪含量超过临界值时，把该超像素网格块内所有像素置1，认定该超像素网格块为大脂肪块，否则，超像素网格块内所有像素置0，得到眼肌区域大脂肪块二值图像；
[0020] 3)牛肉眼肌大理石花纹评级；
[0021] (1)计算样本图像所对应的脂肪占比P，大脂肪块占比Q和计盒维数Db；
[0022] (2)根据样本图像大理石花纹等级MB与脂肪占比P，大脂肪块占比Q和计盒维数Db的对应关系，建立如下多元线性回归方程组；
[0023]
[0024] 式中：MBi为第i个样本图像对应的大理石花纹等级，Pi、Qi、Dbi分别为从第i个样本图像计算所得的脂肪占比P、大脂肪块占比Q和计盒维数Db，β0为常数项，β1、β2、β3为回归系数，εi为第i个样本图像的回归误差；
[0025] (3)通过最小二乘法，建立牛肉大理石花纹评级MB的多元线性回归方程，如下式所示；
[0026] MB＝β0+β1P+β2Q+β3Db
[0027] 式中：MB为样本图像牛肉大理石花纹的预测等级，P为样本图像的脂肪占比，Q为样本图像的大脂肪块占比，Db为样本图像的计盒维数。
[0028] 本发明的优点和技术效果是：本发明是一种基于计算机视觉及图像处理技术的自动分割牛肉眼肌、提取眼肌内大理石花纹并对大理石花纹进行客观高效评级的方法，通过对牛肉的质量和品质进行自动化评级，解决了人工评级方法具有的主观性和不一致性以及评级成本高、效率低等问题。本发明适用但不限于牛肉生产企业和质量检测部门，具有良好的市场应用前景。
附图说明
[0029] 图1是本发明所述图像处理方法的流程图；
[0030] 图2是本发明所述眼肌切面灰度化图像；
[0031] 图3是本发明所述眼肌切面二值图像；
[0032] 图4是本发明所述眼肌初始区域图像；
[0033] 图5是本发明所述眼肌初始区域二值图像；
[0034] 图6是本发明所述眼肌初始区域二值图像的凸包；
[0035] 图7是本发明所述眼肌区域初始轮廓；
[0036] 图8是本发明所述眼肌区域轮廓；
[0037] 图9是本发明所述眼肌区域图像；
[0038] 图10是本发明所述大理石花纹二值图像；
[0039] 图11是本发明所述超像素网格块；
[0040] 图12是本发明所述眼肌区域超像素网格块；
[0041] 图13是本发明所述平铺上眼肌区域超像素网格块的大理石花纹二值图像；
[0042] 图14是本发明所述眼肌区域大脂肪块二值图像；
[0043] 图15是本发明所述牛肉大理石花纹等级实际值与预测值之间的拟合曲线。
具体实施方式
[0044] 本发明结合附图和具体实施例对本发明的技术方案做详细的说明。
[0045] 如图1所示的流程图，本发明所述的牛肉大理石花纹的分级方法包括如下步骤：
[0046] (一)牛肉眼肌切面图像分割；
[0047] (二)牛肉眼肌区域大理石花纹提取；
[0048] (三)牛肉眼肌大理石花纹评级。
[0049] 实施例1
[0050] 本实施例对具体步骤进行详细说明。
[0051] (一)牛肉眼肌切面图像分割
[0052] 具体包括以下步骤：
[0053] 1、对通过数码相机拍摄得到的牛肉眼肌切面彩色图像进行图像灰值化，得到眼肌切面灰度化图像(如图2)。
[0054] 2、利用大津法(Otsu)对所述眼肌切面灰度化图像进行处理，得到眼肌切面二值图像(如图3)。
[0055] 3、对所述眼肌切面二值图像进行连通区域标记。
[0056] 4、查找所述眼肌切面灰度化图像中心点区域对应的连通区域标记，将此标记区域下对应的眼肌切面灰度化图像像素设为前景，其余标记区域的像素全部清零设定为背景，得到眼肌初始区域图像(如图4)。
[0057] 5、将所述眼肌初始区域图像前景置一，背景清零，得到眼肌初始区域二值图像(如图5)。
[0058] 6、计算所述眼肌初始区域二值图像的凸包(如图6)。
[0059] 7、对眼肌切面灰度化图像，以凸包边界作为眼肌区域初始轮廓(如图7)，进行主动轮廓分割算法，得到牛肉眼肌区域轮廓(如图8)。
[0060] 所述的主动轮廓分割算法的步骤为：
[0061] (1)、建立关于图像与轮廓的能量泛函
[0062]
[0063] 其中I是图像，C(q)是轮廓，q为轮廓的参变量，g是一个递减函数，其形式如下：
[0064]
[0065] 其中p＝2，G为高斯滤波函数，其形式如下：
[0066]
[0067] 其中σ为标准差参数，选择σ＝1。
[0068] (2)、对所建立的能量泛函做变分法，得到轮廓随时间变化方程，其形式如下：
[0069]
[0070] 其中k为曲线的曲率，N为指向轮廓曲线内部的法向量。
[0071] (3)、引入随时间t变化的水平集u表示轮廓，即u(x,y,t)＝0为轮廓C，u(x,y,t)>0为轮廓包含区域，u(x,y,t)<0为轮廓外区域，则轮廓随时间变化方程用水平集形式可以表示为如下形式：
[0072]
[0073] (4)、对轮廓随时间变化方程，运用有限差分法对时间t经过给定次数的迭代(本方法为100次)，计算出最终轮廓曲线。
[0074] (二)眼肌区域大理石花纹的提取
[0075] 具体步骤如下：
[0076] 1、对眼肌灰度化图像，将牛肉眼肌区域轮廓内包含像素保留，设为前景区域，轮廓外像素清零设为背景，得到牛肉眼肌区域图像(如图9)。
[0077] 2、对牛肉眼肌区域图像利用大津法(Otsu)进行处理，得到牛肉眼肌区域的大理石花纹二值图像(如图10)，该二值图像在眼肌范围内的前景部分认定为牛肉眼肌脂肪(即大理石花纹)，其余在眼肌范围内的像素认定为眼肌红肉。
[0078] 3、对牛肉眼肌区域图像进行超像素分割算法，得到超像素网格块(如图11)。
[0079] 4、取出眼肌区域图像前景部分的超像素网格块，得到眼肌区域超像素网格块(如图12)。
[0080] 5、将所述眼肌区域超像素网格块平铺在大理石花纹二值图像上(如图13)，计算每个网格块的脂肪含量。当某个超像素网格块内脂肪含量超过一个临界值(本发明中可以选择0.3-0.5，本实施例中为0.4)时，把该超像素网格块内所有像素置1，认定该超像素网格块为大脂肪块，否则，超像素网格块内所有像素置0，得到眼肌区域大脂肪块二值图像(如图14)。
[0081] 所述步骤3中的超像素分割算法的步骤如下：
[0082] (1)、确定超像素块个数k，每个超像素块初始边长S为
[0083]
[0084] 其中，N是图像总像素个数。
[0085] (2)、对每个超像素中心从1到k进行编号，属于该超像素块的像素编号与超像素中心编号相同。
[0086] (3)、用k-means聚类方法，对图像的每个像素找出广义距离(包括空间和颜色)最接近的超像素中心，该广义距离D定义为
[0087]
[0088] 其中，l，a，b为CIELAB颜色空间，x，y为坐标空间，Nc与Ns为权重常数(本方法，Nc＝0.5，Ns＝10)。
[0089] (4)、将图像所有像素的编号更改为与广义距离最接近的超像素中心的编号。
[0090] (5)、对所有属于同一个新编号的所有像素，设它们的重心为该编号超像素的新中心。
[0091] (6)、回到第3步，经过给定次数的迭代(本实施例为100次)，获得最终超像素编号。
[0092] (三)牛肉眼肌大理石花纹评级
[0093] 评级标准：
[0094] (1)、脂肪占比P
[0095] P＝F/T 式(8)
[0096] 式中，F为大理石花纹二值图像中大理石花纹像素点个数，T为牛肉眼肌区域图像前景像素点个数。
[0097] (2)、大脂肪块占比Q
[0098] Q＝Fk/Tk 式(9)
[0099] 式中，Fk为眼肌区域大脂肪块二值图像中大脂肪块的个数，Tk为眼肌区域大脂肪块二值图像所有超像素个数。
[0100] (3)、计盒维数Db
[0101]
[0102] 式中，s为超像素的平均边长，N是眼肌区域大脂肪块二值图像中大脂肪块的超像素的个数。
[0103] 具体大理石评级步骤：
[0104] 1、根据步骤(一)、(二)计算不同牛肉大理石花纹等级样本图像所对应的脂肪占比P，大脂肪块占比Q和计盒维数Db。
[0105] 2、根据不同样本图像大理石花纹等级MB与脂肪占比P，大脂肪块占比Q和计盒维数Db的对应关系，建立如下多元线性回归方程组。
[0106]
[0107] 式中，MBi为第i个样本图像对应的大理石花纹等级，Pi、Qi、Dbi分别为从第i个样本图像计算所得的脂肪占比P、大脂肪块占比Q和计盒维数Db，β0为常数项，β1、β2、β3为回归系数，εi为第i个样本图像的回归误差。
[0108] 3、最终通过最小二乘法，建立牛肉大理石花纹评级的多元线性回归方程，如下式所示。
[0109] MB＝β0+β1P+β2Q+β3Db 式(12)
[0110] 式中，MB为样本图像牛肉大理石花纹的预测等级，P为样本图像的脂肪占比，Q为样本图像的大脂肪块占比，Db为样本图像的计盒维数。
[0111] 实施例2
[0112] 对18张具有典型牛肉大理石花纹等级的样本图像重复实施例1中的步骤(一)和步骤(二)，得到18组样本图像的牛肉大理石花纹等级(MB)与眼肌脂肪占比(P)、眼肌大脂肪块比例(Q)、计盒维数(Db)、信息维数(Di)的对应关系数据，如表1所示：
[0113] 表1 18组样本图像的MB、P、Q、Db、Di的对应关系数据
[0114]
[0115]
[0116] 根据样本图像的大理石花纹等级(MB)与眼肌脂肪占比(P)、眼肌大脂肪块比例(Q)、计盒维数(Db)的对应关系数据，可以建立以下方程组：
[0117]
[0118] 通过最小二乘法确定回归系数β0、β1、β2、β3。最终建立牛肉大理石花纹等级多元线性回归方程如下：
[0119] MB＝5.820P+12.496Q-0.385Db+0.0527
[0120] 根据步骤三所建立的牛肉大理石花纹等级多元线性回归方程，可以得到牛肉大理石花纹等级(MB)实际值与预测值之间的拟合曲线(如图15)，拟合度为0.9654，说明本发明所建立的多元线性回归方程模型能对牛肉大理石花纹等级进行有效的预测。
[0121] 以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实例对本发明进行了详细的说明，对本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
