利用图像处理技术自动估算猪胴体参数

收稿日期:2005208231;修返日期:2005212213基金项目:国家“863”计划资助项目(2002AA24805122)利用图像处理技术自动估算猪胴体参数3郑丽敏1,于　铂1,唐　毅1,朱　虹1,田立军1,任发政2(中国农业大学1.信息与电气工程学院;2.食品科学与营养工程学院,北京100094)摘　要:采用图像阈值分割和彩色分割算法,以及轮廓跟踪和拐点提取方法,成功实现猪二分体图像特征提取,用VC ++语言实现自动估算猪胴体图像参数。

研究结果表明迭代阈值分割和彩色分割算法能正确地分割二分体图像,距离求索法能够对拐点正确提取,进而确定特征点。

用获取的图像特征与胴体实测值建立的关系模型有较好的线性关系(p <0101),表明图像处理技术可以快速无损地估算猪胴体参数,评价猪肉质量。

关键词:图像处理;图像分割;特征提取;背膘厚;腿臀围中图法分类号:TP391 文献标识码:A 文章编号:100123695(2007)0120203204Evaluating Para meters of Hogs ’s Carcass U sing I m age Pr ocessing Technol ogyZ HE NG L i 2m in 1,Y U Bo 1,T ANG Yi 1,Z HU Hong 1,TI A N L i 2jun 1,RE N Fa 2zheng2(1.College of Infor m ation &Electrical Engineering;2.College of Food Science &N utritional Engineering,China A gricultural U niversity,B ei 2jing 100094,China )Abstract:The threshold seg mentati on and col or seg mentati on algorith m s are adop ted,the i m age features of half carcasses isobtained using the track outline and inflexi on method,VC ++is then used t o calculate the fat thickness,area of butt ocks au 2t omatically .The results indicate that the repeatedly threshold seg mentati on and col or seg mentati on algorith m s could seg ment the half carcass i m age;The distance track method could correctly seek inflexi on,then confir m the i m age features .Fat thick 2ness,area of butt ocks of hog ’s half carcass could be esti m ated aut omatically using the established models in this study with i m age p r ocessing technol ogy,m ini m izing human err ors and conta m inati on,and i m p r oving efficiency in assessing pork quality .Key words:I m age Pr ocessing;I m age Seg mentati on;Features Obtaining;Fat Thickness;A rea of Butt ocks 猪肉的质量是影响生猪养殖和屠宰加工企业经济效益的重要因素。

传统的等级评定方法主要是目测或者人工手动测量,这些检测方法有损肉样,效率低且准确性差,同时存在一定的人为因素,经常引起养猪者和收购者对等级评定的争议。

因此,研究客观的猪肉质量无损评价方法是非常必要的。

美国农业部的H.R.Cr oss 等人研究利用视觉图像分析技术对牛胴体进行评价[1]。

他们利用视觉图像分析技术预测44头牛的第9～11根肋骨横断面的组成。

研究结果表明视觉图像分析技术(V I A )用于产量分级有着相当大的潜能。

B.R.Schutte 等人[2]针对传统评价方法费力耗时,同时缺少准确性和客观性的不足,指出利用彩色视觉图像分析技术可以在9s ～18s 内对牛胴体的产量级和质量级进行评价,利用视觉图像分析技术代替专家感观评价牛眼肌的肉色评分和大理石纹评分可以快速、准确、客观地评定出牛肉肉质的等级。

罗明等人[3]的研究表明瘦肉率与背膘厚、腿臀围、眼肌面积等特性指标存在关系;屠宰率与猪的外形有关;肉色与图像颜色密切相关[4];大理石纹与肌内脂肪含量密切相关;眼肌面积、肌内脂肪含量等特性指标与相应图像特征线性相关[5,6]。

背膘厚、腿臀围、眼肌面积、猪的外形等长度特征均可从图像中获得,这使得利用计算机视觉技术评定猪肉等级成为可能[8]。

为了在屠宰线上自动分级,实验采用嘉恒中自图像采集卡,固定物距和焦距,照度在3000勒克司模拟自然光下,用分辨率为640×480的摄像头拍摄杜大长三元杂交猪80头二分体图像,如图1和图2所示。

同时测量活体重、背膘厚、胴体重及主要瘦肉重,计算出屠宰率和瘦肉率,利用图像处理技术对二分体图像和眼肌图像进行处理,提取图像特征,建立实测指标与相应图像特征的关系模型;实测猪胴体的背膘厚、瘦肉率、屠宰率与猪二分体图像特征的关系,找出相关的图像特征,并建立关系模型。

这是建立基于计算机图像处理技术的猪肉无损定级系统的关键。

本研究预提取的图像特征有图像腿横长、腿竖长、腿臀围面积、背膘厚。

图像腿横长是指二分体正面图像中胴体后腿根部的水平距离,即图1中水平线段的长度。

腿竖长是指二分体侧面图像中胴体后腿根部的水平距离,即图2中水平线段的长度。

定义图像腿臀围面积为腿横长与腿竖长之积。

图像背膘厚是指二分体图像六七肋延长线处背膘的像素数,即图3中箭头标志的膘厚像素数。

1　图像处理111　图像分割方法针对二分体图像,本文采用了阈值分割[7]方法将胴体从背景中分离出来。

阈值分割分为三个步骤:①确定阈值;②将像素值与阈值进行比较;③决定该像素点是前景还是背景。

阈值分割的关键是①,即阈值的确定方法。

根据阈值的确定方法不同,本文分别尝试了以下三种分割方法:(1)固定阈值分割。

固定阈值法即阈值是事先给定的,并且在分割过程中保持不变。

最佳固定阈值的选取通常有三种方法:①实验法即尝试法,这种方法是通过尝试、反复试验获取阈值的,通常适用于在分割前知道某些图像特征的情况。

②直方图法是一种较普遍的确定阈值的方法。

这种方法适用于前景和背景物体的灰度值存在差别,并且分布相对均匀的情况。

当一幅图像的直方图具有两个峰时,可以取两峰的谷点作为门限阈值。

③最小误差法是假定前景与背景的灰度值都是正态分布,以两正态分布曲线交点处的灰度值作为阈值。

其局限在于前景和背景的灰度值要求呈正态分布。

针对胴体二分体正面和侧面图像的特点选用直方图法。

图4(a )为二分体正面原始图像;图4(b )为二分体正面图像的灰度图像。

图5(a )为二分体侧面原始图像;图5(b )为二分体侧面图像的灰度图像。

图6(a )为二分体正面图像的直方图;图6(b )为二分体侧面图像的直方图。

根据图6就可以确定阈值为50。

图7(a )和图7(b )分别为采用固定阈值法分割后的结果。

这种方法成功与否完全取决于图像直方图能否被很好地分割,此外,不同的图像往往存在不同的最佳分割阈值,所以固定阈值分割对阈值不相同的图像无法实现正确分割。

(2)自适应阈值分割。

当照明不均匀、有突发噪声,或者背景灰度变化比较大时,整幅图像分割将没有合适的单一门限,因为单一的阈值不能兼顾图像各个像素的实际情况。

减少亮度不均匀带来的影响的一种方法是将图像细分成更小的子图像,对每一子图像分别选取一个阈值进行分割,这种与坐标相关的阈值称为动态阈值法,也称为自适应阈值方法。

这类算法的时间复杂度和空间复杂度较大,但是抗噪声能力较强,对采用阈值不容易分割的图像有较好的效果。

通常选取每块图像中各像素阈值的平均值或最大值与最小值的平均值作为阈值,即T =(max Value +m in Value )/2,或者T =∑Ni =0P i /8,其中P i 为该子图像中像素的像素值。

此外还可以对每一子图像采用直方图的方法确定阈值。

本文将图像分成四个子图像,然后计算每个子图像的均值,根据均值设置阈值,各阈值应用在相应的子图上。

其分割效果如图8所示。

子图像分得越多,图像分割效果越好,但时间复杂度和空间复杂度也就越大。

该算法的阈值不是固定的,而是根据图像像素的实际性质来设定的。

(3)迭代阈值分割。

阈值也可以通过迭代计算得到,即所谓的迭代阈值分割法。

其算法描述如下:①选择一个T 0(阈值)的初始估计值,假定灰度级为L 。

②用T 0分割图像,将图像分割成大于T 0的像素集合和小于或等于T 0的像素集合。

③计算新的阈值T i +1={∑T ik =0h k ×k /∑T ik =0h k +∑L -1k =T i +1h k ×k /∑L -1k =T i +1h k }/2,其中h k 是灰度为k 值的像素个数,∑T ik =0h k 为所有灰度值小于或等于T i 的像素个数,∑L -1k =T i +1h k 为所有灰度值大于T i 的像素个数。

④重复②、③,直到T i +1-T i <t (t 为事先定义的精度值)。

当背景与对象在图像中占据的面积相近时,即背景像素数与对象像素数接近时,好的初始值T 0就是图像中各像素灰度值的平均值;当背景与对象在图像中占据的面积相差很大,则一个像素组就会在灰度直方图中占主要地位,此时,最好的初始值T 0将是灰度值的中间值一类的初值。

参数t 用于中止算法的运行,此参数在考虑迭代速度时应用。

迭代阈值分割的效果如图9所示。

固定阈值分割具有速度快和算法简单的优点,该算法成功与否取决于直方图能否很好地分割,此外对于多幅阈值不同的图像无法使用单一阈值正确分割,需考虑每幅图像的直方图,选用不同的阈值对这些图像进行分割。

自适应阈值分割算法无须事先指定阈值,可以根据实际图像得到阈值,具有很好的抗干扰能力,但由于它的时间复杂度和空间复杂度较大,所以分割速度受到一定影响。