滩羊胴体眼肌切面图像处理及分级特征值的提取

张丽文+田银+牛佳+柏霜+罗瑞明

摘 要：为获得高质量滩羊胴体眼肌切面图像，采集图像用工业摄像机，并对样本图像分割算法进行研究。首先预处理样本图像，3×3模板中值滤波器去除干扰，采用加权平均值灰度化，用自动选择最优分割值OTSU算法去除复杂背景；再对其进行二值化，通过区域逐步分割对目标区域进行粗提取，通过区域标记和形态学处理进行有效眼肌区域的精确提取；最后对有效眼肌区域面积、背膘厚度进行计算。结果表明，图像处理算法具有较好的分割效果和计算效果。

关键词：滩羊胴体；眼机切面；图像处理；分级特征值

Abstract： High-quality images of Tan sheep carcass rib-eye cross-sections were taken with an industrial camera and used to develop an algorithm to segment them. Firstly， the images were pre-processed and grayed by the weighted average method after removing the interference by 3 × 3 template median filter. The automatic selection of the optimal segmentation threshold by the Otsu algorithm was carried out to remove the complex background. Then， after the binarization of the images， and the target region was roughly extracted through gradual region separation for accurate extraction of the effective rib-eye area by region labeling and morphological processing. At last， the effective rib-eye area and the back fat thickness were calculated. The image processing algorithm has a good segmentation and calculation performance.

Key words： Tan sheep carcass grading； rib-eye cross-section； image processing； feature value

DOI：10.15922/j.cnki.rlyj.2016.11.002

中图分类号：TS251.1 文献标志码：A 文章编号：1001-8123（2016）11-0006-05

建立羊肉分级体系，对引导市场消费趋势、规范羊肉流通渠道、促进羊肉产业健康发展具有重要意义。目前，由于技术原因，羊肉胴体等级评定工作仍然停留在人工操作的水平，在人工分级过程中，分级人员评价观念差异、经验丰富程度不同以及工作量等因素对最终结果有很大影响，传统的感官评价和人工检测方法很难满足快速在线检测需求[1]。

Chandraratne等[2]取生鲜羔羊肉表面图像特征信息，利用人工神经网络、线性和非线性回归分析，预测羊肉嫩度，其中神经网络分析法和非线性回归分析法预测决定系数分别为0.746和0.602，表明可通过机器视觉采集眼肌横切面的品质特征值。陈丽等[3]对羊胴体产量分级模型进行了研究，并对多个参数进行测量，保留一个方差提供综合信息达80.5%的主分量，且主分量内部相关程度较高，肋肉厚与腹壁厚2 个变量相对关系达到0.972，选择了肋肉厚为产量分级参数。对肋肉厚与出肉比例进行方程拟合，得到羊躯干产量评级最佳方程。

目前国内外基于计算机视觉的图像处理和肉类质量分级研究主要集中在对牛肉的研究[4-13]，也有对猪肉背最长肌切面图像的研究[14-15]，但对羊肉的研究较少。对牛肉和猪肉计算机视觉图像研究为实现肉类自动产业化分级奠定了基础，但对羊肉自动分级还有很多实际问题需进一步探讨，其中滩羊胴体眼肌图像的获取和分析是实现滩羊胴体分级信息自动采集的前提和关键技术，也是本研究要解决的问题。

本实验以宁夏特色农产品滩羊为研究对象，对获得样本图像分割算法进行研究，并对有效眼肌区域面积、背膘厚度进行计算，为实现羊肉自动化分级以代替人工评定方法提供理论基础。

1 材料与方法

1.1 材料与试剂

羊肉（滩羊，10 月龄） 宁夏盐池县大夏牧场清真肉食品有限公司。

0 ℃冷库排酸24 h，初步切割，分离出眼肌，用保鲜袋包装编号，75 个样本。4 ℃条件下预冷12 h取出后常温放置2 h，用纸巾清洁样本表层水分、污物及肉粒。

1.2 仪器与设备

联想Z475中央处理器（AMD A6-3420、内存4 G、2 G独显、500 G硬盘） 联想（中国）股份有限公司；CCD工业相机（像素1 000 万、光学变焦倍数4 倍、焦距35～140 mm、近拍距离（20±5） cm（广角）、25～45 cm（长焦））。

1.3 方法

1.3.1 图像采集

样品预处理后，将12～13胸肋处样本部分修理平整，防止水分在样本表面反射造成图像信息形成假象，需用滤纸将肉样表面水滴吸附干净[16]。在其旁边放一个数显卡尺防止图片过大或过小，用黑色布料做背景，用工业相机拍摄进行图像采集，贴好标签便于查找和分类图片，拍摄部位为羊胴体第12～13根肋骨之间横断面，所有图像为bpm格式，分辨率为352×528[17]。

1.3.2 灰度化

表示灰度图需要对饱和度值进行数学表达。在RGB（红（R）、绿（G）、蓝（B））色彩模型中，如果R=G=B时，这个值为表示颜色深浅的灰度值，因此，每个点的值又称亮度强度值，其取值共256 个级别为0～255。数值越小，对应的像素点越暗；0表示全黑，255表示全白[18]。

一般RGB转化为灰度图的公式为：

Gray=0.299R+0.578G+0.114B （1）

调整后的公式为：

Gray=（299R+587G+114B+500）/1 000 （2）

1.3.3 图像有效眼肌的提取

从二值图像能够看出图像中最大黑色连通区域即有效眼肌区域，即先对图像区域进行标记，然后统计像素数量比较各区域大小，得到最大区域即为有效眼肌面积区域[19]。

本实验区域标记法的构建方法为：

1）选择图像从起始点（左上角第一个点）对图像实行逐行逐列扫描。2）每找到一黑点，逐行逐列扫描出基于该点的连通区域，并计算每一个连通区域的点数。3）将第k+1次连通区域的点数与第k次连通区域的点数进行比较。如果第k+1次点数小于第k次点数，将第k+1次连通区域内所有的点置白，保留第k次连通区域不变。如果k+1次点数大于k次点数，将第k次连通区域内所有的点置白，保留第k+1次连通区域不变。4）保留连通区域包含点数最多的区域，即为目标眼肌区域。

1.3.4 背膘厚度的测量

参考文献[20]，具体测量方法为：寻找有效眼肌长度3/4外围点，从其二值化图像由右到左及由左到右分别开始遍历图像，碰见首个黑色像素即停止，记录右边该黑色像素的横坐标值m1，记录左边该黑色像素的横坐标值m2，两点之差|m1-m2|即为有效眼肌的长度。由此可计算出从靠近脊柱的一端（右端）起眼肌长度的3/4处的横坐标m；从上到下遍历该横坐标对应的列，遇到第一个黑色像素立即停止，并记录该像素的纵坐标k从而得到对应眼肌长度的外围点U（m，k）。分别以U（m，k）的横坐标和纵坐标为起点，对该图进行向上及向左局部遍历，每当遇到第一个黑色像素便停止搜索，并记录该黑色像素为W（i，j），获得一系列的黑色像素W，W与U点的最短直线距离即为所要求的背膘厚度L，按式（3）计算：

1.3.5 有效眼肌面积测量误差率

有效眼肌面积的人工测量用标准计算纸来实现，将硫酸纸放在眼肌切面上用铅笔描绘出眼肌区域，再将标准计算纸放在画好的眼肌面积硫酸纸板上，数出标准计算纸中有效眼肌区域内方格数，根据方格数计算眼肌面积，一个方格代表1 cm2，落在边缘的则根据四舍五入法计算。并对测量数值进行记录，和计算机分析检测得出的眼肌面积进行对比，来评价图像处理效果。设有效眼肌面积的计算误差率为G，人工测量的有效眼肌面积记为A0，计算机分析检测统计的面积为A，按式（4）计算有效眼肌面积误差率。

1.3.6 背膘厚度测量误差率

背膘厚度人工测量时一般使用卡尺测量，测量后再与计算机分析计算出的厚度进行对比。设背膘厚度的测量误差率为E，计算机测量值为L，人工测量值为L0。按式（5）计算：

1.4 数据处理

数据分析采用SPSS 19.0软件，图像处理采用MATLAB R2013a软件。

2 结果与分析

2.1 图像处理结果

图像处理通过消除图像中无关信息、恢复有用信息，增强有关信息的可检测性和简化数据，从而提高特征值提取的可靠性[21-25]。采集的眼肌切面图像如图1所示。

由图1可知，观察其结构组成，最大的肌肉连通部分为背长肌，最大的脂肪连通部分是背膘脂肪。

常用的图像分割方法有：基于阈值分割、区域特性分割方法、边缘分割方法、基于统计模式[26]。由于实验环境湿度及羊肉自身水分等因素会在表层出现一些水分，无法避免实际得到的眼肌切面图像存留反光现象，造成图像信息形成假象。此外，在获得、送输、接收和处理过程中，其质量由于内外部干扰在一定程度上也有所降低[27]。因此，去除干扰必须在对有效目标区域提取之前完成，有利于后续羊胴体样本图像特征的提取和选择。本实验应用了基于阈值的分割技术，并比较了领域均值滤波法和中值平滑法，最后选择了3×3中值滤波法对图像进行去噪[28]。去噪处理后的样本图像如图2所示。

常用的算法有区域生长法、边界跟踪法和阈值法。阈值分割法是图像分割中最常用的方法之一[29]。因背景与目标具有较大色差，背景是黑色，而羊肉是红白颜色，本实验需要处理的是羊肉图像，使用固定阈值分割将会使部分图像信息丢失，故使用一种能够自动选择最优阈值的最大类间方差算法（OTSU算法）[30]。通过图像处理来分割围绕目标区周围的背景区，对图像通过OTSU算法进行二值化并填充，将灰度图（图3）与二值化图像做乘法运算，最后将灰度图上某个特定灰度值的像素点都改为白色，得到去除背景的图像如图4所示。

A、B、C. 分别为3×3、5×5、7×7模板中值滤波；D、E、F. 分别为3×3、5×5、7×7模板平滑滤波。

本实验运用多种算法进行分割，将去除背景的图像再度进行二值化，二值化后图像如图5所示，图像有效眼肌提取结果如图6所示。

然后进行图像腐蚀运算，图像腐蚀能够去除目标外围点，将两个连接的物体分开。羊分割肉眼肌切面腐蚀后的肌肉区域图像如图7所示。

采用区域面积比较法，去除较小孤立脂肪区域和肌肉区域，保留最大外围背长肌区域。结果如图8～9所示。

2.2 特征值提取结果

由于样本量较多，只列出15组数据，见表1。其中黑色区域即为有效眼肌区域，统计此区域黑色像素的个数，然后再根据图像与实际尺寸比例换算，即可得到有效眼肌区域面积。

2.2.1 有效眼肌面积测量误差率

由图10可知，10%及以下的误差率占到了样本量的77.4%，15%及以下的误差率占到样本量90.7%。因此，表明图像处理算法具有较好的分割效果。

2.2.2 背膘厚度测量误差率

由图11可知，10%及以下的误差率占到了样本量的76%，15%及以下的误差率占到样本量92%，表明计算机处理算法具有较好的计算效果。

3 结 论

本实验研究了羊肉分割眼肌切面图像处理方法，对羊胴体12～13胸肋处样本图像进行机器视觉釆集，得到彩色样本图像，图像存储为bmp格式，选择中值滤波进行图像噪声消除，采用自动选择最优阈值的OTSU算法对图像进行背景分割，再选择区域逐步分割出最大肌肉连通区域，对图像进行腐蚀操作，采用小面积算法去除多余的细小连接，最后通过膨胀操作对腐蚀操作进行还原。结果得到图中的最大面积区域，即提取出有效目标区域，并对特征值进行提取。结果表明，图像处理算法具有较好的分割效果和计算效果。

参考文献：

[1] TAN Jinglu. Meat quality evaluation by computer vision[J]. Journal of Food Engineering， 2004， 61（1）： 27-35.

[2] CHANDRARATNE M R， SAMARASINGHE S， KULASIRI D， et al. Prediction of lamb tenderness using image surface texture features[J] Journal of Food Engineering， 2006， 77（3）： 492-499. DOI：10.1016/j.jfoodeng.2005.06.063.

[3] 陈丽， 张德权， 王培培， 等. 羊胴体产量分级模型初探[J]. 食品科技， 2011（9）： 114-118.

[4] 丁冬， 陈士进， 沈明霞， 等. 基于计算机视觉的牛肉质量分级研究进展[J]. 食品科学， 2015， 36（7）： 251-255.

[5] 吴一全， 曹鹏祥， 王凯， 等. 基于不变矩和改进SVM的牛肉大理石纹评级[J]. 现代食品科技， 2015（4）： 17-22； 136.

[6] 梁琨， 丁冬， 彭增起， 等. 基于决策树雪花牛肉大理石花纹分级模型[J]. 食品科学， 2015， 36（17）： 65-70.

[7] 李小林. 嵌入式机器视觉技术在雪花牛肉品质检测中的应用研究[D]. 南京： 南京农业大学， 2013.

[8] 吴贵茹. 基于计算机视觉的牛肉产量自动分级技术研究[D]. 南京： 南京农业大学， 2012.

[9] KUCHIIDA K， YAMAKI K， YAMAGISHI T， et al. Evaluation of meat quality in Japanese beef cattle by computer image analysis[J]. Nihon Chikusan Gakkaiho， 1992， 63（2）： 121-128.

[10] SHIRANITA K， HAYASHI K， OTSUBO A， et al. Grading meat quality by image processing[J]. Pattern Recognition， 2000， 33（1）： 97-104. DOI：10.1016/S0031-3203（99）00035-7.

[11] MERY D， PEDRESCHI F， SOTO A. Automated design of a computer vision system for visual food quality evaluation[J]. Food and Bioprocess Technology， 2013， 6（8）： 2093-2108. DOI：10.1007/s11947-012-0934-2.

[12] JACKMAN P， SUN D W， ALLEN P. Automatic segmentation of beef longissimus dorsi muscle and marbing by an aptable algorithm[J]. Meat Science， 2009， 83： 187-194. DOI：10.1016/j.meatsci.2009.03.010.

[13] KUCHIDA K. Objective measurement of beef meat quality by computer image analysis method[C]//International Conference on Beef Cattle Improvement and Industrialization in China. Beijing， 2011.

[14] 黄林. 基于单一技术及多信息融合技术的猪肉新鲜度无损检测研究[D]. 镇江： 江苏大学， 2013.

[15] 王全春， 陶琳丽， 杨秀娟， 等. 猪肉背最长肌切面图像背景去除研究[J]. 云南农业大学学报（自然科学）， 2013（1）： 107-112.

[16] 韩卫杰. 肉用绵羊杂交组合筛选及胴体分割方法的研究[D]. 杨凌： 西北农林科技大学， 2005.

[17] 仇金宏， 沈明霞， 彭增起， 等. 基于改进型FCM算法的牛肉大理石花纹提取方法[J]. 农业机械学报， 2010， 41（8）： 184-188.

[18] 王桂琴， 杨子彪， 郑丽敏， 等. 计算机视觉在农产品检测中的应用[J]. 中国农业科技导报， 2003（3）： 52-56.

[19] 李志. 牛胴体眼肌切面分级信息检测自动化研究[D]. 长春： 吉林大学， 2008.

[20] STANFORD K， RICHMOND R J， JONES S D M， et al. Video image analysis for on-line classification of lamb carcasses[J]. Animal Science， 1998， 67（9）： 311-316.

[21] 杨方方. 彩色图像分割技术的研究： 图像边缘检测技术的研究应用[D]. 无锡： 江南大学， 2009.

[22] 孙小梅. 基于形状特征的商标图像检索系统的研究与设计[D]. 淄博： 山东理工大学，2008.

[23] 李春丽. 基于统计形状模型的肝脏图像分割算法研究[D]. 广州： 南方医科大学， 2012.

[24] 李永奎， 刘冬. 计算机视觉技术在农业生产中的应用[J]. 农业科技与装备， 2011（6）： 58-60.

[25] 赵兆. Visual C++在数字图像处理中的应用[J]. 现代计算机（专业版）， 2011（11）： 57-58； 62.

[26] KONGSRO J， R?E M， AASTVEIT A H， et al. Virtual dissection of lamb carcasses using computer tomography （CT） and its correlation to manual dissection[J]. Journal of Food Engineering， 2008， 88（1）： 86-93. DOI：10.1016/j.jfoodeng.2008.01.021.

[27] GONZALEZ R C， WOODS R E. Digital picture processing[M]. New Zealand： Prentice Hall， 2007.

[28] 刘佳男， 张秋菊. 基于OpenCV的图像灰度校正算法的实现[J]. 江南大学学报， 2011（6）： 662-666.

[29] 曹亮. 基于Otsu理论的图像分割算法研究[D]. 武汉： 武汉理工大学， 2008.

[30] 邱丽君. Otsu图像分割方法的研究与应用[D]. 济南： 山东师范大学， 2011.