基于圖像處理的雞冠面積和色級測定方法研究*

王冬，段煉，趙閏，顧華兵，黎壽豐，趙振華

(1.江蘇省家禽科學研究所,江蘇揚州,225125; 2.江蘇省家禽遺傳育種重點實驗室,江蘇揚州,225125;3.農業農村部南京農業機械化研究所,南京市,210014)

0 引言

雞冠作為雞頭部的重要器官,具有突出的生理特征,其面積大小和顏色的鮮明度,透露出個體的發育與健康狀況。科研領域,圍繞雞冠性狀與基因免疫、發育程度、免疫程度、出肉產蛋能力的關系已開展多項研究,發現雞冠的面積大小是衡量其性成熟的重要指標。通過探索雞冠大小的群體遺傳變異規律,可估算雞冠生長的遺傳參數,揭示雞冠高、長度的累積生長規律[1-2],以制定按雞冠生長狀況的性成熟選擇標準。而雞冠色度不紅潤與出肉和產蛋性能下降有密切關聯,色度發白則可能存在寄生蟲感染的情況,這在提示飼養和疫控環節需要作出相應調整。因此,獲取雞冠的面積和色度參數,作為重要性狀納入養殖分析檔案就尤為必要。

目前,雞冠的面積測定主要依靠手動卡尺測量的方法,這種方法費時耗力,常常以簡單的長乘高來粗略計算,測量數據不準確;對于雞冠色度的測定更加簡易模糊,只憑肉眼大概判斷出深紅、紅、白幾個級別。這些傳統方法,不僅不能準確獲取雞冠相關參數,還對相關研究造成一定程度的干擾和制約。因此,需要一種可以高效準確獲取雞冠面積和色級的測定方法。近年來,圖像處理與識別技術得到長足發展,研究人員利用相關技術在農業種植和養殖領域陸續開展了以體態和顏色特征為目標的系列研究[3-6]。鄧立苗等[3]從玉米葉片的反射圖像和透射圖像中提取形狀、顏色和紋理等外觀特征,利用BP神經網絡方法進行訓練識別,并對不同類別特征和各顏色分量對透射和反射圖像的處理結果進行分析。劉同海等[5]通過攝像機獲取長白豬的彩色圖像,以豬體體尺傳統的測量位置為研究基礎,提出復雜背景下豬體個體信息提取的算法。圍繞家禽,陳坤杰等[7]提出一種基于機器視覺技術的雞胴體質量分級方法,從而表明基于圖像特征的雞胴體自動分級方法可行。畢敏娜等[8]提出一種基于雞冠及雞眼構成的雞頭特征信息的病雞識別方法。莊曉霖[9]根據兩種養殖模式的差異分別設計了不同的機器視覺算法,以對家禽的異常行為進行檢測。郭蓓佳等[10]為有效監測蛋雞育成期體重,采用圖像處理技術對蛋雞俯視圖進行預處理,提取目標特征并計算估重,結果表明使用MLP神經網絡模型擬合結果精確。趙守耀等[11]根據蛋雞俯視圖圖像,對圖像輪廓進行擬合,提取出最佳幾何特征進行排列組合,通過訓練建立蛋雞行為辨別模型。可見利用機器視覺進行圖像處理,測定雞冠面積和色級,技術上具有可行性。

目前業內通過機器視覺同時測定雞冠面積和色級的研究較少,前人研究主要集中在對狀態特征的提取,而本文是通過對樣本雞冠顏色進行特征提取,計算其關鍵色值,并利用K-means聚類法[12]進行均值點群分析統計,進而制定色級標準。再通過畸變矯正和偏色校正等步驟對采集圖像實施處理,在識別獲取雞冠輪廓區域后,利用像素法測定雞冠面積,利用色差距離計算法測定雞冠色級。

1 材料與方法

1.1 試驗材料

本文選擇江蘇省家禽科學研究所選育的500只90日齡健康邵伯雞(公母各半)作為樣本對象。因其雞冠特征明顯,具有形狀典型和色度寬泛的特點[13],具有作為樣本的合適條件。

1.2 試驗環境與圖像工具

試驗中圖像采集場地設置在江蘇省家禽科學研究所12 m2實驗室內,配備72 W D65光源;采集設備使用佳能EOS 80D相機配備EF-S 18～135 mm鏡頭,有效像素2 420萬。印刷設備使用佳能PRO-500彩噴;計算機系統采用構架64位Windows10的ThinkPad筆記本,安裝Adobe PohtoShop cc 2017圖形軟件和佳能Print Studio Pro 2.0打印插件。

1.3 試驗流程

試驗流程如圖1所示。

圖1 試驗流程

因公母雞雞冠在測定方式和結果獲取上方法一致,所以試驗流程中不區分公母做差異化設計。

采集邵伯雞的樣本圖像,通過獲取雞冠部位每個像素點RGB顏色值,進行計算統計,得到雞冠顏色特征數據的關鍵色(KeyColor)值。采用K-means聚類法,設定K=7。將全部樣本圖像中雞冠的KeyColor值進行聚類計算分析,得到7個穩定聚類中心的色值,設定為測定色級,制成色譜。

設計帶有定位和色譜對照功能的參照塊圖案,制成專用測定板,作為采集測定圖像時背景使用。獲得測定圖像后進行處理,實施畸變矯正和偏色校正調整,并輪廓識別出完整獨立雞冠區域,展開以面積測定和色級測定為目標的兩條技術路線的計算,取得測定結果。

1.4 雞冠色度分級

本文設計較為細密的色度分級,定義目標為7級進行色度劃分,1～7級由深至淺。將相機設置為自動模式,采集雞樣本圖像,雞冠部位作為色度分級素材。因雞冠顏色非均勻單一色,需要在RGB模式下進行色彩數值化,計算提取顏色特征的關鍵色(KeyColor)值,并建立色類庫存儲所有樣本雞雞冠的顏色特征信息。利用色彩分類方法中普遍采用的K-means聚類法,設定K=7,以所有樣本雞冠的KeyColor值作為目標展開聚類計算,得到7個穩定的聚類中心以及聚類簇,聚類中心值即為色級值。其范圍可涵蓋絕大多數雞冠的色度等級。

1.4.1 關鍵色KeyColor值計算

將樣本圖像進行選取,只留下雞冠區域圖像M,如圖2所示。進行位深轉換,從256級別位深轉至32級別位深,得到圖像N,如圖3所示。轉換公式如式(1)所示。

圖3 32位深圖像N

(1)

式中:i——像素矩陣中行像素位;

j——像素矩陣中列像素位。

將圖像N的每一個像素點的RGB顏色值組合成一個長整數。組合公式如式(2)所示。

V(i,j)=N(i,j)r×32×32+N(i,j)g×32+N(i,j)b

(2)

式中:V(i,j)——圖像N在i、j點像素RGB顏色長整數值;

r——紅色通道亮度值;

g——綠色通道亮度值;

b——藍色通道亮度值。

將所有V(i,j)值形成矩陣,做直方圖統計,如圖4所示,其橫坐標為向量H值(32 768長度),縱坐標為V值。并如圖5所示獲取V的最大值Vm以及向量H中對應索引idx值。

圖4 直方圖

圖5 最大Vm值及idx值

得到Vm和idx值后,篩選直方圖向量中其他H值,得到對應V值,并計算成分比例。

L={H(i),H(i)≥0.8×Vm,i=1,2,…,dim}

(3)

v={L(i),|map(idx)-map[L(i)idx]|2≤T}

(4)

(5)

式中:L——篩選的向量H值集合;

v——對應V值集合;

acc——成分比例。

依據map映射,進行逆推轉化可求得idx中的rgb成分,轉化公式如式(6)所示。

rgb=map(vidx)

(6)

(7)

rgb=8×(rgb+1)-1

(8)

根據式(6)～式(8),得出圖像M的KeyColor值。

KeyColor=accT×rgb

(9)

1.4.2 聚類法確定色級

重復1.41節中計算步驟,得到全部樣本圖像雞冠的KeyColor值,建立色類庫存儲相關信息。使用K-means算法對所有KeyColor值進行聚類分析。

先從500個樣本KeyColor值中隨機選出7個作為初始聚類中心,分別計算其余493個與初始中心的色差距離。選用RGB顏色空間下不加權色差距離[14]

(10)

式中:r1——x像素點r亮度值;

g1——x像素點g亮度值;

b1——x像素點b亮度值;

r2——y像素點r亮度值;

g2——y像素點g亮度值;

b2——y像素點b亮度值。

根據計算結果,將所有樣本分別歸納到與初始中心距離最短也就是相似度最高的聚類范圍內,從而形成7個聚類簇。一輪聚類結束后,重新計算7個聚類簇的平均值,并設為新的聚類中心。再重復計算493個樣本與7個新的聚類中心的色差距離,以此循環,直至7個聚類中心KeyColor值穩定不再變化為止,見圖6。

圖6 KeyColor值K-means聚類流程

通過對樣本KeyColor值進行K-means聚類,500樣本中最終確定7個穩定的聚類中心,即雞冠在RGB模式下7個目標色級的標準色值,如表1所示。

表1 RGB模式下雞冠色度分級

如圖7所示,7個色級在RGB顏色空間散點分布呈現出合理色差距離。

圖7 色級RGB顏色空間散點分布

將7個RGB色級作為參照塊圖案中色譜的設計值。因色譜需要印刷輸出后使用,必須通過ICC色彩管理標準,制定合理的ICC配置文件,經多種參數調整,并匹配佳能打印插件測試后,再進行由RGB向CMYK顏色的轉換[15],得到CMYK顏色模式下色譜圖像。這樣印刷輸出的圖像可以將轉換過程中出現的偏色情況降低到最小。

轉換CMYK模式后,得到色譜7個色級的標準色值,如表2所示。

表2 CMYK模式色譜

1.5 測定圖像采集及預處理

1.5.1 測定板及參照塊設計

考慮到拍攝光線、角度和距離等因素,采集測定圖像時可能存在失真、畸變、偏色等情況,同時存在背景干擾和后續計算復雜度等問題。本文使用PhotoShop預先設計一個如圖8所示的測定板,在設定為29.7 cm×42 cm(A3)尺寸,300 dpi分辨率,CMYK顏色模式下進行制圖。以綠幕色CMYK(62,0,100,0)為底色,左上方為參照塊圖案。

如圖9所示的參照塊呈正方形,尺寸為6.42 cm×6.42 cm,底色為白色CMYK(0,0,0,0)。其左上、左下、右上角為1.905 cm×1.905 cm的方形黑塊,右下角為1.411 cm×1.411 cm的方形黑塊,顏色均為CMYK(63,52,51,100),四黑塊主要起到畸變矯正作用。中部從左至右,橫向設置已確定色級的CMYK色譜,主要起到偏色校正作用。

這塊石頭不但不美觀，而且還經常擋著別人的道路，大家都嫌棄它，看到它都繞著走。我一看到這塊石頭就想吐，因為它的身上經常有蜘蛛絲和其他動物的口水。看來這塊石頭真的是毫無用處，要提醒保安爺爺把它弄走。

圖9 參照塊圖案

在采集測定圖像時,將測定板作為背景,可減少背景干擾和無效圖塊,精簡雞冠輪廓識別過程。同時,通過與參照塊對比,可利用算法對圖像進行矯正畸變和偏色校正調整,有效實現定位定色對照功能。

測定板按照1∶1實物打印,制成硬板,在測定圖像采集環節使用,對本研究起到不可或缺的作用。

1.5.2 測定圖像采集

在采集測定圖像時需將測定板豎直放置,將雞頭雞冠一側緊貼測定板,且不可遮擋參照塊圖案,拍攝時盡量將鏡頭垂直于測定板,距離0.5～1 m范圍內進行。采集的測定圖像中必須包含完整有效的參照塊圖案和雞冠部位。

1.6 圖像調整及雞冠輪廓識別

采集得到符合基本要求的測定圖像后,需進行系列調整處理和雞冠輪廓識別后方可展開數據測定。

1.6.1 檢測參照塊

雞冠數據的測定主要依據參照塊作為定位和定色標準,所以需要檢測采集圖像中參照塊情況。檢測時使用SIFT特征匹配算法[16],先將參照塊標準設計圖二值化,其中4個定位塊與色譜1、2級色塊在二值化后呈現為五個黑色方塊,其余部分白色不顯示。將這五個黑色方塊作為關鍵點進行詳細描述,形成尋像圖形的特征點集。供目標圖像檢測匹配。

將采集圖像平滑濾波后,二值化作為目標圖像,設置對比度閾值為0.03作為提取穩定特征點的精度,對目標圖像進行掃描逼近。如目標圖像中存在滿足上述尋像圖形特征點集的約束條件:局部輪廓的邊數、形狀、位置與5個黑色方塊的5×4條直線段、5×4個近似90°直角點、最外側4個角點構成近似正方形等特征相對應,即達成特征匹配,完成參照塊的識別。如識別失敗則提示該采集圖像不符合要求,無法測定使用。參照塊二值化檢測如圖10所示。

(a) 采集的測定圖像

識別到參照塊后,必須以此為介入對象進行全圖畸變矯正。因在拍攝過程中,相機鏡頭無法完全與測定板保持垂直,存在拍攝角度引起的變形,可能導致測量誤差,所以需要實施矯正措施。根據參照塊的定義與在圖像中的畸變情況,使用透視變換法[17]糾正其扭曲變形,使參照塊矯正至符合原設定比例,從而帶動全圖實現畸變矯正。需要注意的是,因雞頭擺動造成的雞冠圖像面積縮小無法通過此法進行矯正。所以在圖像采集過程中,如無固定裝置輔助,則需將雞頭貼緊測定板,阻止其擺動。

同時,在不同場景拍攝受到光線、相機鏡頭等因素的影響,成像顏色與實際顏色存在普遍的偏色情況,這就需要對采集圖像進行偏色校正。本文采用多項式回歸法[18-19]進行偏色校正處理,因其為目前針對RGB通道彩色成像系統最優的偏色校正非線性算法。在不同光照情況下的成像,以監督色為標準,經過該算法處理都能達到較為理想的校正效果。具體步驟是將7個色級的標準RGB值分別作為監督色值,將采集圖像中參照塊的色譜向監督色值進行標準差加權偏色還原,從而帶動全圖實現偏色校正。通過上述兩種算法處理后,才能實現圖像比例、色度與實物的對應。

1.6.3 輪廓識別

對經過畸變矯正和偏色校正的圖像進行雞冠輪廓識別。考慮到去除圖像多余信息可使計算更加精準,便需采用色度鍵編輯技術,從圖中將雞頭與綠幕背景分割再進行雞冠部位的截取。首先設置動態閾值,使用Canny算法[20]自動實現整個雞頭與綠幕的初次邊緣分割,其中雞冠的冠齒端輪廓會清晰呈現,并得到分割邊緣像素點集。由于雞冠與肉髯和耳葉顏色相近,且與雞頭皮連接處邊界模糊,Canny算法在此處區分效果欠佳,所以采用手動方式,在初次形成的分割邊緣上進行二次截取。通過對鼠標點擊事件進行編程,在初次分割邊緣上取一點作為開始,沿雞冠與雞頭皮處進行多點連線分離描繪,并將最后一點回到初次邊緣上作為結束,這樣就得到二次截取的連線像素點集。將前后兩次得到的像素點集進行交匯連通后,就形成了一個新的合圍區域,即完整獨立的雞冠輪廓區域,以高亮突顯。

調整識別前后對比,產生了較好的失真還原,如圖11所示。

(a) 采集的測定圖像

1.7 雞冠測定

測定圖像經過調整處理和輪廓識別后形成的合圍區域,即是需要測定面積與色級數據的雞冠區域。

1.7.1 面積測定

本文采用像素計算法進行雞冠實際面積的獲取。在不同光線環境和設備條件下,每次采集的圖像大小不一,這就需要進行一次面積比對操作。將采集圖像畸變矯正后,在未縮放狀態下,取得圖中參照塊的像素面積,與標準參照塊的設計面積進行比對,即可得到每張圖的像素面積與實際面積的轉換比值。因此,只需測算出雞冠合圍區域的像素面積,乘以轉換比值,即可得出雞冠的實際面積。

合圍區域像素面積,可根據n個輪廓離散點集,分別提取相應矢量矩陣,通過計算得出。設Q為輪廓離散點集,P為x、y坐標系中合圍區域輪廓線上離散點,則輪廓離散點集為Q(P∈{(xi,yi)|1≤i≤n})。

計算公式如式(11)所示。

(11)

(12)

式中:px、py、x、y——矢量矩陣;

a——像素面積。

根據式(12)得出實際面積

r=a×γ

(13)

式中:γ——像素面積與實際面積轉換比值。

1.7.2 色級測定

計算調整識別后的雞冠合圍區域顏色的KeyColor值,將其分別與7個色級的標準RGB值代入空間色差距離式(10)中進行計算,并比較7個結果值的大小,數值最小的代表色差距離最近,即判定雞冠顏色歸屬該色級。

2 結果驗證與分析

為了對本測定方法的可行性與精度進行評估,開展了測定結果驗證。因傳統測定主要采用尺量雞冠長乘高算法和色級目測法,誤差大主觀性強,不具備比對意義,故選擇數字平面成像模擬驗證法進行測定數據比對。

2.1 驗證方法

使用Photoshop,在設定為29.7 cm×42 cm(A3)尺寸,300 dpi分辨率,RGB顏色模式下,底色為RGB(84,186,44)綠幕的畫布上,繪制如圖12所示的數字平面模擬雞圖案,模擬圖案在畫布中設計尺寸不受局限,但是雞冠部位必須完整。因Photoshop軟件具備像素面積計算功能,且結果精準[21],通過魔棒與套索等工具,設置容差為0,可準確將模擬圖的雞冠部位描邊勾勒,得到其在A3畫布中的實際面積。同時將雞冠顏色在7個色級的聚類范圍內進行目標值設定,利用色差公式計算距離確定色級。將該RGB圖利用前述方法轉CMYK顏色模式后按照A3尺寸1∶1實物印刷,即可得到一張雞冠有確定面積值和色級的模擬雞圖紙。

(a) 編號1模擬雞

按此方法設計30個模擬雞圖案,進行編號后印制成模擬雞圖紙供驗證使用。將模擬雞圖紙進行裁剪,留取包含完整雞冠的有效部位,貼于前述測定板上(不能遮擋參照塊)。使用本文前述方法采集驗證圖像,調整并識別雞冠輪廓,測定其面積和色級,與模擬雞已知設定數據對比,統計面積誤差和色度定級準確率。

2.2 結果分析

在面積驗證數據結果中,設定面積與實測面積的相對誤差范圍在0.11%～4.84%之間,平均相對誤差為2.24%。分析誤差原因,與采集驗證圖像時的拍攝角度有關。當圖像畸變增加時,矯正算法會產生更大的測定減值,30個測量數據相對誤差未出現負值,這提示實測面積比設定面積略小,顯示本方法在設計和算法過程中存在使實測值向減值方向計算的整體誤差。

在色級驗證數據結果中,30個實測色級準確29個,錯誤1個,準確率為96.67%。分析錯誤原因,當模擬圖案中雞冠顏色值設定處于兩個色級中位附近,色差距離非常接近時,受RGB設計色轉CMYK打印色圖像過程輕微損失影響,色度采集值偏向淺色,導致定級錯誤。

通過模擬法驗證,綜合上述測定結果比對可知,本文測定方法算法穩定,誤差范圍小,結果準確性高。

3 結論

1) 通過將采集圖像進行系列處理,并結合相關計算,實現了對雞冠面積和色級的測定。分別得到面積測定相對誤差最大為4.84%,最小為0.11%,平均相對誤差為2.24%;色級測定準確率96.67%的有效結果。

2) 本文是操作及算法的組合,具有一定的開創性與通用性。該方法通過Python3.7語言與OpenCV4庫平臺進行編程實現,形成測試版軟件。在試驗場景開展效果評測,結果顯示該方法可行性高,一定程度上降低了雞冠測定難度,提高了采集速度和數據可信度,達到平均每小時完成30只雞的測定速度。可有效解決雞冠參數批量獲取的需求難點,收到了良好的評測反饋。下一步將通過優化步驟流程,提高算法精度,設計適應移動端的測定方法,可進一步提升便捷度與準確度,擴大場景范圍。