基于RGB颜色空间的猪肉大理石纹分割

钱蓉 李小金 董伟 王重龙

摘要：自然光或白炽灯照射下的猪肉图像会因反光作用导致亮斑噪声，且猪肉大理石纹纹理具有细小、分布较散等特点，不利于大理石纹识别。针对上述问题，通过对比多种光源条件，找到最佳拍摄环境，避免图像出现亮斑噪声。提取猪背最长肌横截面图的RGB颜色空间的R、G、B 3个颜色分量图，分别用阈值分割法、模糊C均值聚类分割算法（FCM）和基于高斯核的模糊C均值聚类分割算法（KFCM），对R、G、B分量图进行分割试验，通过图像处理技术自动识别出猪肉大理石纹，研究结果表明KFCM算法在R分量图上的分割结果最优。

关键词：RGB;猪肉;大理石纹;图像分割

中图分类号： S828 文献标志码： A

文章编号：1002-1302（2019）20-0200-03

猪肉的嫩度和口感2个方面因素会直接影响猪肉产品的销售，备受消费者及生猪养殖户关注。据李庆岗等研究表明，肌内脂肪中的磷脂是影响肉品挥发性风味成分的重要前体物，且肌内脂肪的含量与肉的嫩度呈正相关，肌内脂肪越多，经烹调后嫩度就越好[1]。随着肌内脂肪含量的增加，嫩度也相应改善。检测猪肉肌内脂肪含量的常规方法通常是化学萃取法[2]，此方法具有耗时长、投入经济成本大等弊端。谭林等研究发现，猪肉肌内脂肪含量与大理石纹评分等级呈正比[3]。由此可知，将机器视觉技术引入到猪肉肌内脂肪测定中，通过图像分析识别技术自动提取猪肉大理石纹，从而实现直接预测猪肉肌内脂肪含量，能切实做到无损检测，且有效缩短试验进程。

图像处理和识别技术被广泛应用，并已渗透到农业领域等方面，相关研究成果被应用到果实采摘、作物病虫害识别和畜产品评定及质量监督等方面[4]。国内外在20世纪80年代末开始把图像处理和识别技术应用到畜产品质量监督和自动评定方面。早在1991年，McDonald等已开始将计算机视觉技术引入到牛肉分级标准的量化研究上，牛肉智能评级系统对于牛肉等级的评定已可取代人工评级[5]。2005年，Faucitano等把图像分析技术应用到猪肉大理石纹测定研究中，用图像分析技术分割背最长肌中大理石纹，制定能描述大理石纹特征的图像特征参数集合，利用统计分析方法评定品种对胴体品质和肉质大理石纹结构的固定效应[6]。2015年，Ludwiczak等通过试验对比Hessian、Canny和Deriche的3种图像分割算法，在猪肉大理石纹智能评估的效果，分析每种分割算法的优劣性[7]。

国内把数字图像应用到肉品质检测和自动分级研究相对较晚。2004年赵文杰等获取牛肉眼肌切面图像RGB图的R分量图，利用数学形态学的方法来分割背长肌区域，把大理石纹分割出来[8]。随着大理石纹能被正确有效地分割出来，2010年伍学千提出一种利用核模糊C均值聚类和改进分水岭算法分割猪肉眼肌切面图像中背最长肌区域的方法，对采集的60幅猪肉眼肌图像进行处理，分割正确率为 86.67%[9]。

牛肉具有雪花面积大、纹理清晰等易于大理石纹分割的优点，针对牛肉大理石纹等级的自动评定方面研究较多。与牛肉相比，猪肉的大理石纹理小而细，并且脂肪与肌肉间界限不够清晰，交接处难于分割，因此猪肉大理石纹等级的无损检测方面研究很少。本研究选用阈值分割法、模糊C均值分割算法（FCM）和基于核的模糊C均值算法（KFCM）3种算法进行试验，分别对猪背最长肌截面图像进行分割，比较其分割效果，选择最佳分割算法。

1 图像采集方法

1.1 试验材料与硬件平台

1.1.1 试验材料

试验猪屠宰胴体冷却后，采集背最长肌肋骨段约1 kg，放置冰箱冷藏24 h，取第10至第11肋处背最长肌横段（眼肌），样本厚度约1 cm，在常温环境下静置30 min，采集樣品的数字图像。数字图像采集装置见图1。

1.1.2 硬件平台 相机;镜头;工作台;光源为四联灯柔光箱。

1.2 样本图像采集

本次试验由2017年2月底开始，直至4月初才全部完成，共屠宰86头试验猪。猪肉样本需在0～4 ℃冰箱中冷藏24 h，取出后切除新鲜肉样表面，在室温条件下置30 min后采集样本的数字照片。然而 在放置过程中肉样切面会有水渗出，形成水珠，且肉样表面有油脂，导致样本表面反光，在采集的样本数字图像中有亮斑噪声，亮斑面积大小不一，在图像预处理阶段和图像分割后很难去除。与样本原始照片做对比，发现亮斑噪声经图像分割后的结果与大理石纹分割结果相同，会被误认为是猪肉的大理石纹，给试验结果准确率带来很大影响。查阅相关文献，发现其他研究者在样本采集过程中也遇到同样问题。

经多次试验得知，改进样本采集场所的光源和样本被拍摄前的预处理方法，可有效去除上述亮斑噪声。在光源方面作的改进是采用2个四联灯柔光灯箱作为光源，在无其他外接光源的黑暗工作室中拍摄，可提升柔光效果，减少肉色失真;在样本被拍摄前分别采用风干、干布擦拭样本表面和用玻璃覆盖样本等方法，经比较在同一个拍摄环境下采用厚度为5 mm的正方形玻璃盖在样本表面，消除样本表面因凹凸不平、水珠和油脂等因素带来的反光影响，采集样本的效果最佳。

2 3种分割算法试验结果与分析

RGB[10]颜色模型是应用最多的一种，包括红（Red）、绿（Green）和蓝（Blue）3个分量通道，由真实的人眼颜色匹配试验得出的模型。在RGB颜色空间中，R、G、B 3个分量的属性是独立的。本试验选择RGB颜色空间的R分量图、G分量图、B分量图，用阈值分割算法、模糊C均值分割算法（FCM）和基于高斯核的模糊C均值分割算法（KFCM）对3个分量图进行分割，各种方法的分割结果如下。

2.1 基于阈值分割算法的肉类大理石纹识别

2.1.1 算法应用概述

阈值处理直观、实现简单且计算速度快，在图像分割应用中占核心地位。阈值是用于区分目标和背景的灰度门限，利用目标和背景的灰度差异，选取合适的灰度阈值。如果图像只有目标和背景两大类，那么只选取一个阈值称为单阈值分割。如果图像中有多个目标，就需要选取多个阈值将目标及背景分开，这种方法称为多阈值分割[11]。2002年任发政等开始研究图像阈值算法、图像面积提取技术以及图像均匀化处理和灰度值域处理方法在牛肉大理石花纹等级评判上的探索应用[12]。2009年，Jackman等把聚类分割算法和阈值分割法相结合，交换RGB图的R通道和B通道后转换到HSI颜色空间，多次试验选取合适的阈值范围，截取感兴趣图像内容并重新转换到RGB空间，利用聚类算法对经阈值处理图像分类，结合初始图像去除无关内容，分割出大理石纹[13]。

2.1.2 试验结果

采用最大类间方差算法分别对多幅样本图的3个分量图进行图像处理，发现该算法对样本采集清晰度、样本含有大理石纹的数量及大理石纹的性状等不定因素较敏感，分割准确性不稳定。如图2、图3所示，样本A和B的R分量图的最佳分割阈值是0.254 9、0.529 4，G分量图的最佳分割阈值是0.231 4、0.356 9，B分量图的最佳分割阈值是 0.211 8、0.447 1，可知采用阈值算法分割猪肉背最长肌截面图，其分割效果很不理想。猪肉的肌内脂肪颗粒很小和含量偏少等因素不利于阈值选取，因此很难正确地分割出背最长肌的大理石纹。

2.2 基本模糊C均值分割算法的肉类大理石纹识别

2.2.1 算法应用概述

FCM（Fuzzy C-Means）算法由Dunn提出，经过Bezdek的推广后，获得了十分广泛的应用[14]。用于灰度图像分割，其实现简单，是一种非监督模糊聚类方法，适合存在模糊和不确定性等特点的灰度图像。FCM算法未对样本进行最优化处理，针对信息分布不均匀的样本，处理结果不能达到最优[15]。FCM的目标函数如式（1）所示：

FCM算法对图像的分割效果依赖于聚类数C、初始聚类中心点、指数权值m等初始参数的设定。2010年仇金宏等提出一种基于改进型模糊C均值聚类算法的牛肉大理石花纹提取方法，结合了快速模糊C均值（FCM）聚类算法，对传统FCM算法中的隶属函数、聚类数C和初始聚类中心点选取方法进行了优化[16]，使牛肉大理石花纹提取的准确度由76.2%提高到85.7%。

2.2.2 试验结果

本次试验选用的照片与阈值算法分割试验选择同一张照片，进行同样的预处理，分别转换为R、G、B 3个分量图，绘制3个分量图的直方图，其中G分量图的直方图有3个波谷。利用FCM算法逐一进行分割试验，式（1）中的m分别取3、4、5进行试验，m=4的分割效果最佳，与直方图相符合（图4）。

2.3 基于高斯核模糊C均值聚类分割算法的肉类大理石纹识别

2.3.1 算法应用概述

FCM算法采用欧氏距离法计算2点间距离，局限于处理球星数据簇，依据样本一维特征完成聚类。为优化FCM算法，引入核函数，通过非线性映射，把样本数据映射到高维，进行多维特征提取，利用核函数进行聚类，提高聚类结果的准确性。伍学千等均采用FCM算法分割牛肉图像和猪肉眼肌图像，并对分割结果作进一步的优化，使用向量信任、洪水填充算法和改进分水岭算法，避免大理石纹分割中出现的过分割和欠分割问题[9，17]。KFCM分割算法的目标函数如式（2）所示：

2.3.2 试验结果

根据FCM试验结果，结合FCM算法和KFCM的相似性，式（2）中的类别数m=3、4、5，式（3）中高斯核的σ=28、150、200，允许误差Emax=10-5，用基于高斯核的FCM算法对3个分量图进行分割试验，分割结果见图5。

3 讨论与结论

对比分析3种分割算法的试验结果，可发现采用基于高斯核的FCM算法对R分量图分割的效果最佳。分析其原因，有如下几方面：首先，猪肉的大理石纹与牛肉的大理石纹相比，有着较大区别，猪肉的大理石纹和肌肉间界限没有牛肉大理石清晰，很模糊，不利于阈值分割，在阈值分割的过程中很难找到合适的分割阈值。其次，FCM要求人为设置初始类别数、类中心值及隶属函数，这一设定带有很大的主观性，会导致试验结果不够严谨;同时，与阈值分割算法相比，分割出数量较多的大理石纹，因FCM分割算法采用欧氏距离法计算样本点与类中心间距离，而猪肉大理石纹细短，且分布较散，采用欧式距离法不利于分割出小而细的大理石纹;另外，因大理石纹和肌肉间界限模糊，导致分割过程中有过分割的现象。考虑上述原因，采用基于高斯核的FCM分割算法（KFCM）對3个分量图进行分割，结果表明，在R分量图上采用KFCM聚类算法的分割结果更加贴近实际情况。KFCM算法是对FCM作进一步改进，采用高斯核法计算样本与类中心间距离，把样本特征映射到高维，让特征空间得到细化，把原来隐藏的特征信息显现化，弥补了阈值算法和FCM算法存在的不足。

在未来的工作中，将针对识别出的大理石纹，制定准确描述大理石纹的特征参数集，采用机器学习方法，结合猪个体特征，根据猪肉大理石纹和肌内脂肪间的相关性，构建猪肉肌内脂肪含量自动预测模型，提高猪肉肌内脂肪含量检测的效率，降低检测费用，实现无损化检测。

参考文献：

[1]李庆岗，经荣斌. 猪肌内脂肪酸的研究进展[J]. 饲料博览，2004（3）：10-12.

[2]张伟力，曾勇庆. 猪肉肌内脂肪测定方法及其误差分析[J]. 猪业科学，2008，25（7）：102-103.

[3]谭 林，姜海龙. 肌内脂肪含量与猪肉品质的相关性分析[J]. 饲料博览，2010（12）：11-13.

[4]赵 萍，李永奎，林 静，等. 数字图像处理技术在农产品方面的应用[J]. 农机化研究，2007（11）：198-200.

[5]Mcdonald T P，Chen Y R. Visual characterization of marbling in beef rib eyes and its relationship to taste parameters[J]. Transactions of the Asae，1991，34（6）：2499-2504.

[6]Faucitano L，Huff P，Teuscher F，et al. Application of computer imageanalysis to measure pork marbling characteristics[J]. Meat Science，2005，69（3）：537-543.

[7]Ludwiczak A，S[DD（-1][HT6]′[DD）]lósarz P，Lisiak D，et al. Different methods of image segmentation in the process of meat marbling evaluation[J]. Proceedings of SPIE - The International Society for Optical Engineering，2015：1-6.

[8]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纹提取技术研究[J]. 农业工程学报，2004，20（1）：144-146.

[9]伍学千. 基于计算机视觉技术的猪肉品质检测与分级研究[D]. 杭州：浙江大学，2010.

[10]冈萨雷斯. 数字图像处理[M]. 北京：电子工业出版社，2009.

[11]杨卫平，李忠科，王 勇，等. 基于区域的图像分割算法综述[C]//全国测控计量仪器仪表学术年会，2007：278-281.

[12]任发政，郑丽敏，王桂芹，等. 应用MATLAB图像处理技术评判牛肉大理石花纹[J]. 肉类研究，2002（4）：14-15.

[13]Jackman P，Sun D W，Allen P. Automatic segmentation of beef longissimus dorsi muscle and marbling by an adaptable algorithm[J]. Meat Science，2009，83（2）：187-194.

[14]Bezdek J C. Pattern recognition with fuzzy objective function algorithms[M]// Pattern recognition with fuzzy objective function algorithms. Plenum Press，1981：203-239.

[15]张 莉，周伟达，焦李成. 核聚类算法[J]. 計算机学报，2002，25（6）：587-590.

[16]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.

[17]Du C J，Sun D W，Jackman P，et al. Development of a hybrid image processing algorithm for automatic evaluation of intramuscular fat content in beef M-longissimus dorsi[J]. Meat Science，2008，80（4）：1231-1237.