基于分形理論及機(jī)器視覺的牛肉自動分級技術(shù)研究.pdf

1、建立牛肉分級制度，是引導(dǎo)市場消費(fèi)、規(guī)范牛肉生產(chǎn)與流通、形成優(yōu)質(zhì)優(yōu)價體系從而促進(jìn)牛肉業(yè)健康快速發(fā)展的重要措施。目前世界上主要的牛肉生產(chǎn)及消費(fèi)國均已建立了各自的牛肉分級體系，成為其保障國內(nèi)肉牛業(yè)健康發(fā)展的主要手段，我國也已經(jīng)制訂并頒布了我國牛肉質(zhì)量評定分級的行業(yè)標(biāo)準(zhǔn)。 目前，世界各國的牛肉分級體系所采用的分級方法，主要是主觀的視覺評定。評價指標(biāo)包括牛肉的大理石花紋、牛肉色澤、牛肉的生理成熟度以及牛肉的脂肪色等，其中，牛肉大理石花紋等

2、級是最主要的評價指標(biāo)。由于現(xiàn)存的牛肉等級評定方法是一種主觀、定性而非客觀定量的評價方法，評定過程會受到人為因素的干擾，不僅效率低，難以保證公平和公正，而且還存在相當(dāng)大的誤差。因此，研究牛肉分級的定量指標(biāo)和客觀評定方法，探討牛肉的自動分級技術(shù)，正成為目前世界肉類生產(chǎn)發(fā)達(dá)國家在肉類科學(xué)領(lǐng)域的熱點研究問題之一。 由于牛肉的生物特質(zhì)，其眼肌切面大理石花紋和色澤千變?nèi)f化，要找出一個能自動對其等級進(jìn)行評判的方法非常困難，直到80年代初，一些

3、科學(xué)家將機(jī)器視覺與圖像處理技術(shù)應(yīng)用到牛肉自動分級中，牛肉自動分級技術(shù)才獲得重要發(fā)展，目前，機(jī)器視覺和圖像處理技術(shù)，被公認(rèn)為是實現(xiàn)牛肉自動分級的最有效技術(shù)手段。 本研究利用計算機(jī)圖像處理和機(jī)器視覺技術(shù)，對牛胴體眼肌切面圖像進(jìn)行預(yù)處理，分割出大理石花紋，然后測定牛肉大理石花紋的分形維，研究其分形特征，最后找出基于牛肉大理石花紋分形維數(shù)的、能全面、準(zhǔn)確描述牛肉大理石花紋豐富程度的量化指標(biāo)，建立該指標(biāo)與牛肉大理石花紋等級關(guān)系的數(shù)學(xué)模型，

4、實現(xiàn)牛肉大理石花紋等級的自動判別。 牛胴體眼肌切面圖像的預(yù)處理主要包括背景消除、背長肌區(qū)域分割及肌內(nèi)脂肪分割等3個部分。背景消除采用區(qū)域生長法進(jìn)行，生長從圖像的最左上角開始，逐漸向右向下進(jìn)行。生長規(guī)則采用基于區(qū)域灰度差準(zhǔn)則，根據(jù)區(qū)域內(nèi)像素亮度的灰度值來描述區(qū)域的一致性或相似性，即：對于像素g，檢查其鄰域中另一個像素g’，如果二者的灰度值之差在某個預(yù)先設(shè)定的范圍△內(nèi)，則把g’合并到g所在的區(qū)域內(nèi)。區(qū)域生長的中止條件由圖像分割的最佳

5、閾值決定，最佳閾值通過迭代法獲得。實驗結(jié)果表明，采用區(qū)域生長法進(jìn)行牛胴體眼肌切面圖像的背景消除，可以獲得良好的分割效果。 背長肌區(qū)域的分割采用了基于形態(tài)學(xué)的綜合圖像處理技術(shù)，首先采用閾值法，將消除了背景的牛胴體眼肌切面圖像進(jìn)行二值化處理，再用差影法消去圖像的脂肪區(qū)域，然后采用全方位圖像腐蝕和膨脹技術(shù)，分割出背長肌區(qū)域的二值化圖像，最后，通過將二值化的背長肌區(qū)域圖像和消除了背景的牛胴體眼肌切面原圖像進(jìn)行圖像“與”操作，最終實現(xiàn)背長

6、肌區(qū)域從牛胴體眼肌切面原圖像中的分割。對牛肉大理石花紋標(biāo)準(zhǔn)圖板和牛肉樣本圖像所進(jìn)行的分割實驗結(jié)果表明，基于形態(tài)學(xué)的綜合圖像處理技術(shù)具有很好的適應(yīng)性，可以對各種牛胴體眼肌切面圖像實現(xiàn)背長肌區(qū)域的準(zhǔn)確分割。 對背長肌區(qū)域脂肪與肌肉的精確分割，是提取牛肉大理石花紋特征參數(shù)，實現(xiàn)大理石花紋等級等級的自動判定的關(guān)鍵步驟。圖像的二值化處理，是一種簡單有效的圖像分割方法。本文采用Otsu法實現(xiàn)閾值的自動選取，然后以此閾值為門限值，對圖象進(jìn)行二

7、值化處理，實驗結(jié)果顯示，該方法可以精確有效的從背長肌區(qū)域提取出牛肉的大理石花紋。 分形，通常被人們看作是大小碎片聚集的狀態(tài)，是沒有特征長度的圖形、構(gòu)造以及現(xiàn)象的總稱，具有自相似性與標(biāo)度不變性兩個重要特征，主要被用來描述那些無序、不規(guī)則的、非線性的自然形態(tài)和現(xiàn)象。分形維數(shù)是分形理論中最核心的概念和內(nèi)容，它是對一個分形集的不規(guī)則程度、復(fù)雜性和碎裂程度的度量，是描述分形特征的定量參數(shù)。對各種維數(shù)的探索，已成為研究分形幾何的主要工具。關(guān)

8、于分維，人們從各自的研究領(lǐng)域出發(fā)，提出了許多種定義，主要有豪斯道夫維數(shù)、計盒維數(shù)、信息維數(shù)、相似維數(shù)和填充維數(shù)等。其測定方法，包括粗視化法、測度關(guān)系法、相關(guān)函數(shù)法、功率譜法和半方差法等。本文在牛胴體眼肌切面圖像預(yù)處理的基礎(chǔ)上，首先測定了牛肉大理石花紋標(biāo)準(zhǔn)圖板和樣本圖像的計盒維數(shù)和信息維數(shù)，然后進(jìn)一步測定了順時針旋轉(zhuǎn)45度的樣本圖像及局部樣本圖像的計盒維數(shù)和信息維數(shù)。 計盒維數(shù)的測定采用基于粗視化法原理的像素點覆蓋法，該方法的基本

9、原理是，用某一邊長的網(wǎng)格，將圖像數(shù)據(jù)矩陣劃分為若干子矩陣，計算非零子矩陣的個數(shù)；改變網(wǎng)格的邊長，再次計算非零子矩陣的個數(shù)，這樣反復(fù)進(jìn)行若干次，得到一個關(guān)于網(wǎng)絡(luò)邊長和非零子矩陣個數(shù)的數(shù)組，然后將網(wǎng)絡(luò)邊長和非零子矩陣個數(shù)的關(guān)系繪在雙對數(shù)坐標(biāo)圖上，若圖像為分形圖形，則網(wǎng)絡(luò)邊長和非零子矩陣個數(shù)在雙對數(shù)坐標(biāo)圖上呈直線關(guān)系，直線的斜率即為圖像的計盒維數(shù)。采用該方法所作的測定實驗結(jié)果表明，牛肉大理石花紋標(biāo)準(zhǔn)圖板和樣本圖像均在12～116像素的標(biāo)度范圍

10、內(nèi)呈現(xiàn)出無標(biāo)度性特征，即分形性。將樣本圖像進(jìn)行旋轉(zhuǎn)及取局部后的測定結(jié)果亦證明，在一定的標(biāo)度范圍內(nèi)，圖像呈分形特征。 從信息維的定義出發(fā)，同樣采用改變粗視化的方法，測定了牛肉大理石花紋標(biāo)準(zhǔn)圖板和樣本圖像的信息維數(shù)。實驗結(jié)果表明，在標(biāo)度區(qū)間[18，116]，圖像表現(xiàn)出分形特征。 將樣本圖像進(jìn)行45度旋轉(zhuǎn)，然后測定其計盒維數(shù)和信息維數(shù)，結(jié)果亦證明，在一定的標(biāo)度范圍內(nèi)，圖像具有顯著的分形性。 為進(jìn)一步研究圖像的分形性，從

11、以上樣本圖像中截取80×80和160×100兩個不同大小的局部圖像，分別經(jīng)過計盒維數(shù)和信息維數(shù)的測定與計算，實驗結(jié)果表明，在測定的標(biāo)度范圍內(nèi)，牛胴體眼肌切面樣本的局部圖像依然表現(xiàn)出顯著的分形特征。 將脂肪面積比率、脂肪顆粒總數(shù)、大脂肪顆粒數(shù)、小脂肪顆粒數(shù)、計盒維數(shù)及信息維數(shù)6個參數(shù)，作為描述牛胴體眼肌切面肌內(nèi)脂肪豐富程度的定量指標(biāo)進(jìn)行相關(guān)性分析，實驗結(jié)果顯示，這些指標(biāo)均對牛肉大理石花紋等級的判定有顯著的影響。進(jìn)一步的回歸分析表明

12、，脂肪面積比率、脂肪盡管顆?？倲?shù)、大脂肪顆粒數(shù)、小脂肪顆粒數(shù)、計盒維數(shù)及信息維數(shù)這些參數(shù)的均值與牛肉大理石花紋等級之間線性相關(guān)。若采用R2準(zhǔn)則以上述6個參數(shù)為自變量，以大理石花紋等級為應(yīng)變量做多元線性回歸，可以得到以脂肪面積比率、計盒維數(shù)和大脂肪顆粒數(shù)為參數(shù)的，進(jìn)行大理石花紋等級判定的最優(yōu)多元線性回歸模型。 通過相關(guān)系數(shù)矩陣分析，可知計盒維數(shù)與信息維數(shù)、脂肪面積比率與大脂肪顆粒數(shù)以及脂肪顆粒總數(shù)與小脂肪顆粒數(shù)之間存在嚴(yán)重的共線性

13、，因此，以計盒維數(shù)、脂肪面積比率和脂肪顆?？倲?shù)為自變量，以大理石花紋等級為應(yīng)變量進(jìn)行二次多項式回歸擬合，建立起一個大理石花紋等級判定的二次多項式擬合模型，回歸分析以及顯著性檢驗表明，模型在顯著水平α=0.05下高度顯著。 在對上述二次多項式擬合模型的回歸系數(shù)的顯著性檢驗中發(fā)現(xiàn)，有3個回歸系數(shù)項的影響不顯著，因此，在剔除這些不顯著項后，得到一個改進(jìn)的二次多項式擬合模型，顯著性檢驗表明，模型仍在顯著水平α=0.05下高度顯著。