基于非完全信息算法的牛肉大理石花纹提取方法

仇金宏，彭增起*，沈明霞，刘璎瑛，梁 琨，吴海娟，史 杰

基于非完全信息算法的牛肉大理石花纹提取方法

仇金宏1，彭增起2,*，沈明霞1，刘璎瑛1，梁 琨1，吴海娟1，史 杰2

(1.南京农业大学工学院，江苏 南京 210031；2.南京农业大学 国家肉品质量安全控制工程技术研究中心，江苏 南京 210095)

提出一种基于非完全信息算法的牛肉大理石花纹提取方法。首先，在遍历理论和对象有效性相关原理的基础上构建了非完全信息算法。然后，结合加权平均值灰度化算法、自适应最佳阈值算法和改进的自适应模糊多级中值滤波算法实现上述方法。研究表明，该方法能够准确有效地反映出牛肉大理石花纹的真实情况。

牛肉；非完全信息；大理石花纹；提取

随着图像处理技术的发展，计算机视觉技术已逐渐开始被应用于牛肉大理石花纹等级的自动判定中[1-4]。为了提取出用于评定牛肉等级的大理石纹，首先需要从牛肉切面图像中分割出背长肌区域。国内外自20世纪80年代初即开始这方面的研究工作，近年来，刘木华等[1]研究了基于数学形态学的牛肉图像分割与大理石纹提取技术。赵杰文等[2]研究了基于模糊C均值聚类的牛肉图像中脂肪和肌肉区域分割技术。陈坤杰等[3]研究了基于图像运算的牛肉大理石花纹分割方法。Jackman等[5-10]则更加全面地探讨了牛肉图像中背长肌分割和大理石花纹提取技术。然而，刘木华等[1]没有就对如何去除牛胴体横切面图像内的噪声进行探讨；赵杰文等[2]所使用的模糊C均值聚类算法需作进一步的改进后才能更好地适用于牛肉图像的分割和大理石花纹的提取；Jackman等[5-10]的研究虽对牛肉图像中背长肌分割和大理石花纹提取技术进行了全面的探讨，但是其在实际应用中的实现步骤较为复杂，并且其稳定性受到诸多因素的牵制。

非完全信息是指从表征某一对象特征和性质的全信息范围中提取出用以准确表征对象特征的部分特定信息。在相应条件的规制下通过非完全信息表征对象的特征，不但可以简化全信息表征对象特征过程中的繁琐步骤，降低表征信息中的干扰总数，而且还可以使对象特征表征的准确率得以保证。迄今为止，在牛肉大理石花纹的提取方法的研究中，还没有发现该理论的应用实例。

本研究结合牛胴体横切面图像(牛肉图像)处理过程中的实际情况，提出采用基于非完全信息算法的牛肉大理石花纹提取方法进行牛肉大理石纹的提取，即根据实际情况的具体要求，通过非完全信息算法从牛胴体横切面图像背长肌区域中获取部分所需图像用以大理石花纹的参数分析。

1 遍历理论和对象有效性

1.1 遍历理论

从图中某一顶点出发，按某种搜索方法访遍其余顶点，且使每一顶点仅被访问一次。这一过程称为图的遍历。图的广度优先遍历BFS(broad first search)是一个分层搜索的过程，和树的层序遍历算法类同，它也需要一个队列以保持遍历过的顶点顺序，以便按出队的顺序再去访问这些顶点的邻接顶点。算法思想如下：1)目标点v入队列。2)当队列非空时则继续执行，否则算法结束。3)出队列取得队头下一目标点vn；访问下一目标点vn并标记目标点v已被访问。4)查找下一目标点vn的第一个邻接顶点col。5)若vn的邻接顶点c未被访问过的，则col入队列。6)继续查找下一目标点vn的另一个新的邻接顶点cn，转到步骤5)。直到下一目标点vn的所有未被访问过的邻接点处理完。转到步骤2)。

1.2 对象有效性

有效性(effectiveness)是指完成策划的活动和达到策划结果的程度。对象有效性是指实际考察的正是试图要选择的对象。

2 非完全信息算法的构造

设f1(i,j)和f2(i,j)是关于图像第i行、第j列像素点的函数，令

式中：irbmax为背长肌区域最下方边缘的最高点的高度；irbu为背长肌区域由上至下某一行的高度。

设F(f1, f2)是关于f1(i, j)和f2(i, j)的函数，令

式中：F(f1, f2)为背长肌区域由上至下某一行与背长肌区域最下方边缘最高点之间的距离。

设g1(i, j)和g2(i, j)是关于图像第行、不同列上像素点的函数，令

式中：jlmax为背长肌区域某一行上最左边点的横坐标刻度；jrmax为背长肌区域某一行上最右边点的横坐标刻度。

设G(g1, g2)是关于g1(i, j)和g2(i, j)的函数，令

式中：G(g1,g2)为背长肌区域某一行上最左边点和该行上最右边点之间的距离。

设φ(g1, g2)是关于F(f1, f2)和G(g1, g2)的函数，令

式中：SVmax为所获得用以进行牛肉大理石花纹参数分析的背长肌区域。

利用非完全信息算法获得SVmax代表的区域后，剔除牛胴体横切面图像中的其他信息，剩下的即为所需背长肌区域图像。

3 基于非完全信息算法的牛肉大理石花纹提取方法的实现

图1 基于非完全信息算法的牛肉大理石花纹提取方法实现过程Fig.1 Process for beef-marbling extraction based on incomplete information algorithm

读取一幅大小为680×480的BMP格式RGB真彩色牛胴体横切面图像，如图1a所示。首先采用加权平均值法[11]将真彩色牛胴体横切面图像转化为灰度图，如图1b所示。然后采用自适应最佳阈值法[9]去除牛胴体横切面图像中的背景和牛胴体大部分的背膘脂肪。此时，牛胴体的背长肌区域和周围肌肉组织已经基本被分割出来，如图1c所示。继而采用改进的自适应模糊多级中值滤波算法[12]去除阈值变换后牛胴体横切面图像中的斑点噪声，如图1d所示。最后再采用非完全信息算法取得图像中的所需背长肌区域，如图1e所示。

4 结果与分析

表1 各级牛肉图像大理石花纹的标准ηs和μsTable1 Standard parameters ηs and μs corresponding to various rates of beef marbling

牛肉分级员确定大理石花纹的等级主要依据牛肉背长肌区内中大理石花纹总面积占有率η和背长肌内大理石花纹的密度率μ。表1给出了由牛肉分级员长期大理石花纹等级判定经验总结得出的S级(极丰富)、A级(丰富)、B级(一般)、C级(基本没有)4种等级下牛肉背长肌区域内大理石花纹总面积标准占有率ηs和背长肌内大理石花纹分布的标准密度率μs。

本研究采用经牛肉分级员确定大理石花纹等级分别为S级、A级、B级、C级的640×480大小的真彩色牛胴体横切面图像各10幅，对这40幅图像，应用基于非完全信息算法的牛肉大理石花纹提取方法进行牛胴体横切面图像中大理石纹的提取。将所有选定参与实验的牛肉图像进行相应处理后，实测出背长肌区域内大理石花纹总面积占有率η和背长肌内大理石花纹的密度率μ。通过η与标准占有率ηs之间的对比以及μ与标准密度率μs之间的对比衡量方法的大理石花纹提取效果。

4.1 基于非完全信息算法的各级牛肉图像大理石花纹提取实验结果

表2给出了算法的S级、A级、B级和C级的实验结果。

表2 基于非完全信息算法的各级牛肉图像大理石花纹提取实验结果Table 2 Experimental results of beef marbling extraction based on incomplete information algorithm

4.2 背长肌内大理石花纹总面积占有率情况

牛胴体横切面背长肌内大理石花纹总面积占有率η为：

算法提取的牛胴体横切面背长肌内大理石花纹总面积占有率应在表1找到其对应的所属范围，算法实验的牛胴体横切面图像中的牛肉等级将与此范围对应的标准等级相吻合。表3给出了基于非完全信息算法的上述40组各级牛胴体横切面图片实验得出的牛胴体横切面背长肌内大理石花纹总面积占有率。

表3 基于非完全信息算法的各级牛肉图像大理石花纹提取实验的实测ηTable 3 Actualη obtained in beef marbling extraction based on incomplete information algorithm%

4.3 背长肌内大理石花纹分布的密度率情况

牛胴体横切面背长肌内大理石花纹分布的密度率μ为 ：

算法提取的牛胴体横切面背长肌内大理石花纹分布的密度率也应在表1找到其对应的所属范围，算法实验的牛胴体横切面图像中的牛肉等级也将与此范围对应的标准等级相吻合。表4给出了基于非完全信息算法的上述40组各级牛胴体横切面图片实验得出的背长肌内大理石花纹分布的密度率。

表4 基于非完全信息算法的各级牛肉图像大理石花纹提取实验的实测μTable 4 Actual μobtained in beef marbling extraction based on incomplete information algorithm

从表4和图2可以看出，运用基于非完全信息算法的牛肉图像大理石花纹提取方法对牛肉图片进行实验时，仅有1幅A级牛肉图片的μ由于信息干扰跳出了表2对应的范围内，而其η在表2各自对应的范围内，其余10幅S级、9幅A级、10幅B级以及10幅C级牛肉图片的η和μ则都在表2各自对应的范围内，牛肉图像大理石花纹提取的准确率达到了97.5%(1/40)，说明了非完全信息算法在牛肉大理石花纹提取的过程中具有较高的准确性。

图2 各级牛肉图片实验实测η和μ的变化情况Fig.2 Variation of actual η andμ obtained in beef marbling extraction based on incomplete information algorithm

4.4 背长肌内大理石花纹总面积平均占有率ηa和背长肌内大理石花纹分布的平均密度率μa情况

表5 基于非完全信息算法的各级牛肉图像大理石花纹提取实验的实测ηa和μaTable 5 Actual ηa and μa obtained in beef marbling extraction based on incomplete information algorithm%

图3 各级牛肉图片实验实测ηa和μa的变化情况Fig.3 Variation of actualηa andμa obtained in beef marbling extraction based on incomplete information algorithm

表5给出了基于非完全信息算法的上述40组各级牛胴体横切面图片实验得出的牛胴体横切面背长肌内大理石花纹总面积平均占有率ηa和背长肌内大理石花纹分布的平均密度率μa。

从表5和图3可以看出，运用基于非完全信息算法的牛肉大理石花纹提取方法对牛胴体横切面图像进行实验时，10幅S级、10幅A级、10幅B级以及10幅C级牛胴体横切面图像的ηa和μa都在表2各自对应的范围内，说明了非完全信息算法在牛肉大理石花纹提取过程中所受的干扰较小，具有较高的稳定性。

5 结 论

非完全信息算法在牛肉大理石花纹提取的应用中简化了全信息表征对象特征过程中的繁琐实现步骤，而且表征信息中对大理石花纹参数分析干扰的总数较少。同时，牛肉图像大理石花纹提取的准确率高达97.5%。由此可见，该方法具有很强的准确性和稳定性，可以为牛肉大理石花纹等级的准确判定提供一种简单有效的途径。

[1]刘木华, 赵杰文, 张海东. 基于模糊C均值聚类的牛肉图像中脂肪和肌肉区域分割技术[J]. 农业工程学报, 2004, 20(2): 161-163.

[2]赵杰文, 刘木华, 张海东. 基于数学形态学的牛肉图像中背长肌分割和大理石花纹提取技术研究[J]. 农业工程学报, 2004, 20(1): 144-146.

[3]陈坤杰, 姬长英. 基于图像运算的牛肉大理石花纹分割方法[J]. 农业机械学报, 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]周长发. 精通Visual C++图像处理编程[M]. 北京: 电子工业出版社, 2006.

[12]贾渊, 姬长英. 采用改进的自适应模糊多级中值滤波算法去除牛肉图像斑点噪声[J]. 农业工程学报, 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

国家现代农业(肉牛)产业技术体系资助项目(nycytx-38)

仇金宏(1984—)，男，硕士研究生，主要从事机器视觉与图像处理在农产品品质检测领域中的应用研究。E-mail：qjh3053202@163.com

*通信作者：彭增起(1956—)，男，教授，博士，主要从事畜产品加工与质量控制研究。E-mail：zqpeng@njau.edu.cn