利用圖像處理技術自動估算豬胴體參數

摘要：采用圖像閾值分割和彩色分割算法，以及輪廓跟蹤和拐點提取方法，成功實現豬二分體圖像特征提取，用VC++語言實現自動估算豬胴體圖像參數。研究結果表明迭代閾值分割和彩色分割算法能正確地分割二分體圖像，距離求索法能夠對拐點正確提取，進而確定特征點。用獲取的圖像特征與胴體實測值建立的關系模型有較好的線性關系（p<0．01），表明圖像處理技術可以快速無損地估算豬胴體參數，評價豬肉質量。

關鍵詞：圖像處理; 圖像分割； 特征提取； 背膘厚;腿臀圍

中圖法分類號：TP391文獻標識碼：A

文章編號：1001－3695(2007)01－0203－04

豬肉的質量是影響生豬養殖和屠宰加工企業經濟效益的重要因素。傳統的等級評定方法主要是目測或者人工手動測量，這些檢測方法有損肉樣，效率低且準確性差，同時存在一定的人為因素，經常引起養豬者和收購者對等級評定的爭議。因此，研究客觀的豬肉質量無損評價方法是非常必要的。

美國農業部的H. R. Cross等人研究利用視覺圖像分析技術對牛胴體進行評價[1]。他們利用視覺圖像分析技術預測44頭牛的第9~11根肋骨橫斷面的組成。研究結果表明視覺圖像分析技術（VIA）用于產量分級有著相當大的潛能。B. R. Schutte等人[2]針對傳統評價方法費力耗時，同時缺少準確性和客觀性的不足，指出利用彩色視覺圖像分析技術可以在9s~18s內對牛胴體的產量級和質量級進行評價，利用視覺圖像分析技術代替專家感觀評價牛眼肌的肉色評分和大理石紋評分可以快速、準確、客觀地評定出牛肉肉質的等級。

羅明等人[3]的研究表明瘦肉率與背膘厚、腿臀圍、眼肌面積等特性指標存在關系；屠宰率與豬的外形有關；肉色與圖

像顏色密切相關[4]；大理石紋與肌內脂肪含量密切相關；眼肌面積、肌內脂肪含量等特性指標與相應圖像特征線性相關[5，6]。背膘厚、腿臀圍、眼肌面積、豬的外形等長度特征均可從圖像中獲得，這使得利用計算機視覺技術評定豬肉等級成為可能[8]。

為了在屠宰線上自動分級，實驗采用嘉恒中自圖像采集卡，固定物距和焦距，照度在3000勒克司模擬自然光下，用分辨率為640×480的攝像頭拍攝杜大長三元雜交豬80頭二分體圖像，如圖1和圖2所示。同時測量活體重、背膘厚、胴體重及主要瘦肉重，計算出屠宰率和瘦肉率，利用圖像處理技術對二分體圖像和眼肌圖像進行處理，提取圖像特征，建立實測指標與相應圖像特征的關系模型；實測豬胴體的背膘厚、瘦肉率、屠宰率與豬二分體圖像特征的關系，找出相關的圖像特征，并建立關系模型。這是建立基于計算機圖像處理技術的豬肉無損定級系統的關鍵。

本研究預提取的圖像特征有圖像腿橫長、腿豎長、腿臀圍面積、背膘厚。圖像腿橫長是指二分體正面圖像中胴體后腿根部的水平距離，即圖1中水平線段的長度。腿豎長是指二分體側面圖像中胴體后腿根部的水平距離，即圖2中水平線段的長度。定義圖像腿臀圍面積為腿橫長與腿豎長之積。圖像背膘厚是指二分體圖像六七肋延長線處背膘的像素數，即圖3中箭頭標志的膘厚像素數。

1圖像處理

1．1圖像分割方法

針對二分體圖像，本文采用了閾值分割[7]方法將胴體從背景中分離出來。閾值分割分為三個步驟：①確定閾值；②將像素值與閾值進行比較；③決定該像素點是前景還是背景。閾值分割的關鍵是①，即閾值的確定方法。根據閾值的確定方法不同，本文分別嘗試了以下三種分割方法：

（1）固定閾值分割。

固定閾值法即閾值是事先給定的，并且在分割過程中保持不變。最佳固定閾值的選取通常有三種方法：①實驗法即嘗試法，這種方法是通過嘗試、反復試驗獲取閾值的，通常適用于在分割前知道某些圖像特征的情況。②直方圖法是一種較普遍的確定閾值的方法。這種方法適用于前景和背景物體的灰度值存在差別，并且分布相對均勻的情況。當一幅圖像的直方圖具有兩個峰時，可以取兩峰的谷點作為門限閾值。③最小誤差法是假定前景與背景的灰度值都是正態分布，以兩正態分布曲線交點處的灰度值作為閾值。其局限在于前景和背景的灰度值要求呈正態分布。

針對胴體二分體正面和側面圖像的特點選用直方圖法。圖4(a)為二分體正面原始圖像；圖4(b)為二分體正面圖像的灰度圖像。圖5(a)為二分體側面原始圖像；圖5(b)為二分體側面圖像的灰度圖像。圖6(a)為二分體正面圖像的直方圖；圖6(b)為二分體側面圖像的直方圖。根據圖6就可以確定閾值為50。

圖7(a)和圖7(b)分別為采用固定閾值法分割后的結果。這種方法成功與否完全取決于圖像直方圖能否被很好地分割，此外，不同的圖像往往存在不同的最佳分割閾值，所以固定閾值分割對閾值不相同的圖像無法實現正確分割。

（2）自適應閾值分割。

當照明不均勻、有突發噪聲，或者背景灰度變化比較大時，整幅圖像分割將沒有合適的單一門限，因為單一的閾值不能兼顧圖像各個像素的實際情況。減少亮度不均勻帶來的影響的一種方法是將圖像細分成更小的子圖像，對每一子圖像分別選取一個閾值進行分割，這種與坐標相關的閾值稱為動態閾值法，也稱為自適應閾值方法。這類算法的時間復雜度和空間復雜度較大，但是抗噪聲能力較強，對采用閾值不容易分割的圖像有較好的效果。

通常選取每塊圖像中各像素閾值的平均值或最大值與最小值的平均值作為閾值，即

T=(maxValue+minValue)/2，或者T=∑Ni=0Pi/8，其中Pi為該子圖像中像素的像素值。此外還可以對每一子圖像采用直方圖的方法確定閾值。

本文將圖像分成四個子圖像，然后計算每個子圖像的均值，根據均值設置閾值，各閾值應用在相應的子圖上。其分割效果如圖8所示。子圖像分得越多，圖像分割效果越好，但時間復雜度和空間復雜度也就越大。該算法的閾值不是固定的，而是根據圖像像素的實際性質來設定的。

（3）迭代閾值分割。

當背景與對象在圖像中占據的面積相近時，即背景像素數與對象像素數接近時，好的初始值T0就是圖像中各像素灰度值的平均值；當背景與對象在圖像中占據的面積相差很大，則一個像素組就會在灰度直方圖中占主要地位，此時，最好的初始值T0將是灰度值的中間值一類的初值。參數t用于中止算法的運行，此參數在考慮迭代速度時應用。迭代閾值分割的效果如圖9所示。

固定閾值分割具有速度快和算法簡單的優點，該算法成功與否取決于直方圖能否很好地分割，此外對于多幅閾值不同的圖像無法使用單一閾值正確分割，需考慮每幅圖像的直方圖，選用不同的閾值對這些圖像進行分割。自適應閾值分割算法無須事先指定閾值，可以根據實際圖像得到閾值，具有很好的抗干擾能力，但由于它的時間復雜度和空間復雜度較大，所以分割速度受到一定影響。迭代閾值分割法可以根據實際圖像自動迭代計算出閾值，適當選取閾值和結束條件，可達到較快的分割速度，但需實現指定初始值和結束條件。由于本文需實現對多幅圖像的快速分割，所以選用迭代閾值分割算法對二分體圖像進行分割，經過大量試驗后，確定適當的初始值和結束條件，能夠實現快速、正確的分割。

（4）彩色分割。

彩色圖像比灰度圖像包含了更多的圖像信息，給人更直觀的視覺感受，特別當利用灰度圖像無法分割出目標區域時，彩色圖像分割就更加重要了[8~11]。因此，克服傳統灰度圖像分割方法的不足，研究穩健有效的彩色圖像自動分割方法是一個更加廣泛的研究領域。

為了提取圖像背膘厚，需要對圖像作進一步分割，即在去除背景的同時分割出胴體的骨骼及肥膘。僅利用閾值分割無法實現較好的分割效果，針對本文二分體正面圖像中脂肪顏色(R，G和B的值，即彩色圖像像素的紅、綠、藍分量的值)與背景和胴體其他部位顏色存在差別，利用彩色信息對圖像進行分割。其步驟為：①獲取圖像起始點像素信息；②經大量圖像分析獲得，當該像素滿足R>r，G>g，B>b時，為脂肪像素，將該像素填充白色，即R=255，G=255，B=255；否則將該像素填充為黑色，即R=0，G=0，B=0，其中 195

針對本文中二分體圖像脂肪像素點的彩色信息特點，即R≤200，G≤180，B≤150，利用彩色信息分割圖像，在去除圖像背景的同時，將圖像中的脂肪和瘦肉部分較好地分割開。其分割效果如圖10所示。

圖10(a)為二分體正面原始圖像；圖10(b)為利用彩色圖像特征分割后的結果。可以看出，利用彩色圖像特征既可將胴體與背景分離，又可將胴體的膘厚、骨骼與瘦肉分離，為提取圖像背膘厚做好了充分的準備工作。

閾值分割的特點是基于灰度圖像，其算法簡單、速度快，主要應用于對象與背景的分離，當需要提取圖像對象中的某一區域，特別是當該區域像素與其他像素灰度值很接近，利用閾值分割無法達到較好效果時，利用彩色分割可以使分割效果得到很好的改善。

1．2圖像特征提取

（1）輪廓跟蹤。

它是獲取圖像外部輪廓特征的過程[12]，是為圖像的形狀分析作準備。其基本步驟是：①依據一定的搜索準則找到目標物體輪廓上一個起始像素點；②依據該像素的某些特征按照一定的跟蹤準則找出目標物體輪廓上的其他像素。算法的關鍵在于搜索準則和跟蹤準則的確定。

45°旋轉掃描法是通過每次旋轉45°來尋找下一個邊界點而得名。其具體算法描述為：①按照從左到右、從下到上的順序掃描，找到第一個黑色像素點，即為最左下方的邊界點，記為A。②以A為起始點，定義初始的搜索方向為沿左上方，如果A的左上方點是黑點，則該左上方點為邊界點，否則搜索方向順時針旋轉45°，這樣旋轉下去，直到找到第一個黑點B為止。③以B為起始點，將搜索方向在當前方向的基礎上逆時針旋轉90°，繼續按照②搜索，直到再次搜索到點A為止。

由于邊界的連續性，所以每一個邊界點都可以用它與前一邊界點的夾角來描述。其示意圖如圖11所示。

圖11中最左下點，即初始點A，其左上方點為黑點，即為點B，以B為起點，搜索方向逆時針旋轉90°為左下，開始新的搜索。每當找到一個新的邊界點時，都以它為新的起點，同時搜索方向逆時針旋轉90°，再次開始新的搜索，直到回到初始點A為止。本文采用45°旋轉掃描法進行邊界跟蹤。

圖12(a)和圖13(a)為迭代分割后的二值圖像；圖12(b)和圖13(b)分別為45°旋轉掃描法得到的二分體正面和側面胴體輪廓邊界。胴體邊界的正確識別為進一步提取拐點奠定了基礎。

（2）拐點提取。

本文將拐點定義為輪廓多邊形的頂點，即相鄰兩直線段相交求得的交點。在圖像處理過程中，拐點的提取[8，9，13~16]具有重要意義，因為它對目標特征的提取起著決定作用，一旦找到了這些拐點，目標特征就很容易提取了。通常提取拐點有兩個過程，拐點的求索和拐點的消除。距離求索法，即拐點的提取依據邊緣上一個像素點到與其相鄰兩點所形成直線的距離進行的。如圖14所示，點i(xi，yi)到點i-1(xi-1，yi-1)和點i+1(xi+1，yi+1)所形成直線的距離為d。

具體算法描述為:①在輪廓圖像中選取一個圖像像素點作為起始點，從上到下、從左到右，以逆時針方向掃描邊緣。②計算邊緣點i到點i-3和點i+3形成直線的距離，如果距離d小于某一門限值，則去掉第i個邊緣點；重復上述步驟直到所有邊緣點被掃描。③對剩下的邊緣點計算邊緣點i到點i-1和i+1形成直線的距離，如果距離d小于某一門限值，則去掉第i個邊緣點；重復上述步驟直到所有邊緣點被掃描。④在剩下的邊緣點中，如果邊緣點i+1處于邊緣點i的八鄰域之一，則去掉該邊緣點。

（3）提取腿橫長、腿豎長和腿臀圍面積。

從二分體正側面圖像中提取腿橫長和腿豎長的步驟如下：①利用迭代閾值分割將圖像分割成二值圖像。②對二值圖像進行邊界跟蹤。③提取拐點，判斷特征點，確定特征點的位置。④計算腿橫長和腿豎長的像素數，腿橫長與腿豎長像素數之積即為腿臀圍面積。

分割流程圖和結果如圖16和圖17所示。圖16中最后一個圖中窗口提取出的腿橫長為99個像素，圖17中最后一個圖中窗口提取出的腿豎長為64個像素，兩者之積即為腿臀圍面積6 336個像素。

（4）提取背膘厚。

因本圖像六七肋處膘厚的位置很難確定，需要首先在圖像中找到六七肋處點的位置，即圖19中直線標志的位置。研究六七肋處點的位置與胴體總長的關系，發現圖像中肋長與胴體總長的比值接近一個常數k，如圖18所示。肋長定義為圖像中胴體最高點到六七肋處點的距離，胴體總長定義為圖像中胴體最高點到胴體最低點的距離。掃描胴體正面圖像的二值圖，可以找到胴體的最高點和最低點坐標，兩點縱坐標之差即為圖像中胴體總長，利用比值常數k和胴體總長就可以得到肋長，即肋長 = 胴體總長×k， 依據胴體最高點坐標和肋長即可找到六七肋處的位置，即六七肋處點的縱坐標y六七肋=y最高點-肋長。

提取背膘厚的步驟為：①找出六七肋處點的位置；②利用彩色圖像信息R，G，B分割圖像；③依據六七肋的位置提取圖像背膘厚。

其流程圖如圖19所示。圖19中最后一個圖中窗口提取出圖像背膘厚為9個像素。

2實測指標與圖像特征的關系模型

（1） 背膘厚與圖像特征的關系。

建立背膘厚與圖像背膘厚，即圖像背膘像素數的關系模型為y=0．241x1+0．542，其中y為實測六七肋處背膘厚，單位為cm，x1為圖像六七肋處背膘的像素數，單位為像素，R2=0．913（p<0．01）。結果表明，背膘厚與圖像背膘處像素數成顯著的線性相關。

（2）屠宰率與圖像特征的關系模型。

鑒于屠宰率與豬的膘厚、外形存在關系，采用逐步回歸分析法，研究屠宰率與圖像背膘厚、圖像腿橫長、圖像腿豎長和圖像腿臀圍面積（圖像腿橫長×圖像腿豎長）的關系，建立它們的關系模型，找出相關的圖像特征，建立的關系模型為y=0．144x1+60．752，其中y為屠宰率(%)，x1為圖像腿臀圍面積，單位為像素，R2=0．916(p<0．01)。結果表明，屠宰率與圖像腿臀圍面積成顯著的線性相關。

(3)瘦肉率與圖像特征的關系模型。

鑒于瘦肉率與背膘厚、腿臀圍、眼肌面積等特性指標存在關系[3]，采用逐步回歸分析法，研究瘦肉率與圖像背膘像素數、圖像腿橫長、圖像腿豎長、圖像腿臀圍面積的關系，建立它們的關系模型，找出相關的圖像特征，建立的關系模型為y=-0．504 4x1+58．06，其中y為瘦肉率(%)，x1為圖像背膘厚，單位為像素，R2=0．906（p<0．01）。結果表明，瘦肉率與圖像背膘厚和圖像眼肌像素數成顯著的線性負相關。

3結論

針對二分體圖像的分割方法，對于二分體正面和側面圖像，本文嘗試了固定閾值法、自適應閾值方法和迭代閾值法，通過比較選用迭代閾值法，它可以適應對不同二分體正面和側面圖像的分割，同時有較快的分割速度和較好的分割效果。通過對圖像進行邊界跟蹤、拐點提取，并確定特征點，成功提取的二分體圖像特征有圖像腿橫長、腿豎長、腿臀圍面積、背膘厚。經統計分析，背膘厚與圖像背膘厚線性相關，屠宰率與圖像腿臀圍面積線性相關，瘦肉率與圖像背膘厚線性負相關，這與對豬肉質量評價相一致，腿臀圍的大豬肌肉發達，屠宰率高；背膘越厚，瘦肉率越低所以負相關成立。豬的背膘厚、屠宰率、瘦肉率等指標是評價豬肉質量的重要指標，通過圖像處理技術獲取的圖像特征代表了實測特征，使建立基于計算機視覺技術豬肉質量評定系統成為可能。

參考文獻：

［1］Manjunathsb， Mayw. Texture Features for Browsing and Retrieval of Image Data[J]. IEEE Transactions Pattern Analysis and Machine Intelligence，1996，18(8):837842.

［2］B R Schutte， N Biju， G A Kranzler， et al.Color Video Image Analysis for Augmenting Beef Carcass Grading[R]. Animal Science Research Report，1998.3236.

［3］羅明，朱礪. 屠宰加工線上瘦肉型豬胴體瘦肉率估測方法的研究[J]. 四川農業大學學報，2002，20（2）：153155.

［4］A M Wyle， R C Cannell， K E Belk， et al. An Evaluation of the Prototype Portable HunterLab Video Imaging System as a Tool to Predict Tenderness of Beef Carcasses Using Objective Measure of Lean and Fat Color[R]. Beef Program Report， 1999.

［5］于鉑，任發政，田立軍，等. 利用圖像處理技術估算豬肉等級評價指標的應用研究[J]. 肉類研究，20-04，（3）:4144.

［6］B L Gwartney， X Gao， J Tan， et al. Determining Fat Content[J]. Ground Beef via Color Image Processing， Journal of Muscle Food，1996，7:441451.

［7］楊枝靈，王開，等. Visual C++ 數字圖像獲取處理及實踐應用[M]. 北京：人民郵電出版社，2003.535538.

［8］劉木華，趙杰文，等. 基于模糊C均值聚類的牛肉圖像中脂肪和肌肉區域分割技術[J].農業工程學報，20-04，20（2）：161163.

［9］張少軍，艾矯健，李忠富. 利用數字圖像處理技術測量幾何尺寸[J]. 北京科技大學學報，2002，6（3）：284287.

［10］黃建忠，李德華，柳健，等. 一種室內彩色圖像的分割方法[J]. 華中理工大學學報，1997，（10）：97100.

［11］石俊生，楊衛平，白鳳翔，等. 彩色圖像分割與顏色特征選擇[J]. 云南師范大學學報，1999，（12）：5356.

［12］何斌，馬天予，王運堅，等. Visual C++ 數字圖像處理（第2版）[M]. 北京：人民郵電出版社，2002.435437.

［13］陳燕新，戚飛虎. 一種新的提取輪廓特征點的方法[J]. 紅外與毫米波學報，1998，6（3）：171176.

［14］李華，劉文予，朱耀庭，等. 基于形態學的快速拐點檢測統一模型[J]. 中國圖像圖形學報，2002，（6）：543547.

［15］王延平，袁杰，蘇祥芳. 幾種拐點不變量及其在目標識別中的應用[J]. 中國圖像圖形學報，1999，（10）：854859.

［16］曾剛，廖原，尹亮，等. 拐點特征的提取和物體破損圖像的識別[J]. 中國圖像圖形學報，1998，（3）：217220.

作者簡介：

鄭麗敏（1962），女，碩士生導師，主要研究方向為計算機圖像處理與分析、模式識別、專家系統。

注:本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文