錢蓉 李小金 董偉 王重龍

摘要：自然光或白熾燈照射下的豬肉圖像會(huì)因反光作用導(dǎo)致亮斑噪聲，且豬肉大理石紋紋理具有細(xì)小、分布較散等特點(diǎn)，不利于大理石紋識(shí)別。針對(duì)上述問題，通過對(duì)比多種光源條件，找到最佳拍攝環(huán)境，避免圖像出現(xiàn)亮斑噪聲。提取豬背最長肌橫截面圖的RGB顏色空間的R、G、B 3個(gè)顏色分量圖，分別用閾值分割法、模糊C均值聚類分割算法（FCM）和基于高斯核的模糊C均值聚類分割算法（KFCM），對(duì)R、G、B分量圖進(jìn)行分割試驗(yàn)，通過圖像處理技術(shù)自動(dòng)識(shí)別出豬肉大理石紋，研究結(jié)果表明KFCM算法在R分量圖上的分割結(jié)果最優(yōu)。

關(guān)鍵詞：RGB;豬肉;大理石紋;圖像分割

中圖分類號(hào)： S828?文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2019）20-0200-03

豬肉的嫩度和口感2個(gè)方面因素會(huì)直接影響豬肉產(chǎn)品的銷售，備受消費(fèi)者及生豬養(yǎng)殖戶關(guān)注。據(jù)李慶崗等研究表明，肌內(nèi)脂肪中的磷脂是影響肉品揮發(fā)性風(fēng)味成分的重要前體物，且肌內(nèi)脂肪的含量與肉的嫩度呈正相關(guān)，肌內(nèi)脂肪越多，經(jīng)烹調(diào)后嫩度就越好[1]。隨著肌內(nèi)脂肪含量的增加，嫩度也相應(yīng)改善。檢測(cè)豬肉肌內(nèi)脂肪含量的常規(guī)方法通常是化學(xué)萃取法[2]，此方法具有耗時(shí)長、投入經(jīng)濟(jì)成本大等弊端。譚林等研究發(fā)現(xiàn)，豬肉肌內(nèi)脂肪含量與大理石紋評(píng)分等級(jí)呈正比[3]。由此可知，將機(jī)器視覺技術(shù)引入到豬肉肌內(nèi)脂肪測(cè)定中，通過圖像分析識(shí)別技術(shù)自動(dòng)提取豬肉大理石紋，從而實(shí)現(xiàn)直接預(yù)測(cè)豬肉肌內(nèi)脂肪含量，能切實(shí)做到無損檢測(cè)，且有效縮短試驗(yàn)進(jìn)程。

圖像處理和識(shí)別技術(shù)被廣泛應(yīng)用，并已滲透到農(nóng)業(yè)領(lǐng)域等方面，相關(guān)研究成果被應(yīng)用到果實(shí)采摘、作物病蟲害識(shí)別和畜產(chǎn)品評(píng)定及質(zhì)量監(jiān)督等方面[4]。國內(nèi)外在20世紀(jì)80年代末開始把圖像處理和識(shí)別技術(shù)應(yīng)用到畜產(chǎn)品質(zhì)量監(jiān)督和自動(dòng)評(píng)定方面。早在1991年，McDonald等已開始將計(jì)算機(jī)視覺技術(shù)引入到牛肉分級(jí)標(biāo)準(zhǔn)的量化研究上，牛肉智能評(píng)級(jí)系統(tǒng)對(duì)于牛肉等級(jí)的評(píng)定已可取代人工評(píng)級(jí)[5]。2005年，F(xiàn)aucitano等把圖像分析技術(shù)應(yīng)用到豬肉大理石紋測(cè)定研究中，用圖像分析技術(shù)分割背最長肌中大理石紋，制定能描述大理石紋特征的圖像特征參數(shù)集合，利用統(tǒng)計(jì)分析方法評(píng)定品種對(duì)胴體品質(zhì)和肉質(zhì)大理石紋結(jié)構(gòu)的固定效應(yīng)[6]。2015年，Ludwiczak等通過試驗(yàn)對(duì)比Hessian、Canny和Deriche的3種圖像分割算法，在豬肉大理石紋智能評(píng)估的效果，分析每種分割算法的優(yōu)劣性[7]。

國內(nèi)把數(shù)字圖像應(yīng)用到肉品質(zhì)檢測(cè)和自動(dòng)分級(jí)研究相對(duì)較晚。2004年趙文杰等獲取牛肉眼肌切面圖像RGB圖的R分量圖，利用數(shù)學(xué)形態(tài)學(xué)的方法來分割背長肌區(qū)域，把大理石紋分割出來[8]。隨著大理石紋能被正確有效地分割出來，2010年伍學(xué)千提出一種利用核模糊C均值聚類和改進(jìn)分水嶺算法分割豬肉眼肌切面圖像中背最長肌區(qū)域的方法，對(duì)采集的60幅豬肉眼肌圖像進(jìn)行處理，分割正確率為 86.67%[9]。

牛肉具有雪花面積大、紋理清晰等易于大理石紋分割的優(yōu)點(diǎn)，針對(duì)牛肉大理石紋等級(jí)的自動(dòng)評(píng)定方面研究較多。與牛肉相比，豬肉的大理石紋理小而細(xì)，并且脂肪與肌肉間界限不夠清晰，交接處難于分割，因此豬肉大理石紋等級(jí)的無損檢測(cè)方面研究很少。本研究選用閾值分割法、模糊C均值分割算法（FCM）和基于核的模糊C均值算法（KFCM）3種算法進(jìn)行試驗(yàn)，分別對(duì)豬背最長肌截面圖像進(jìn)行分割，比較其分割效果，選擇最佳分割算法。

1?圖像采集方法

1.1?試驗(yàn)材料與硬件平臺(tái)

1.1.1?試驗(yàn)材料

試驗(yàn)豬屠宰胴體冷卻后，采集背最長肌肋骨段約1 kg，放置冰箱冷藏24 h，取第10至第11肋處背最長肌橫段（眼肌），樣本厚度約1 cm，在常溫環(huán)境下靜置30 min，采集樣品的數(shù)字圖像。數(shù)字圖像采集裝置見圖1。

1.1.2?硬件平臺(tái)?相機(jī);鏡頭;工作臺(tái);光源為四聯(lián)燈柔光箱。

1.2?樣本圖像采集

本次試驗(yàn)由2017年2月底開始，直至4月初才全部完成，共屠宰86頭試驗(yàn)豬。豬肉樣本需在0～4 ℃冰箱中冷藏24 h，取出后切除新鮮肉樣表面，在室溫條件下置30 min后采集樣本的數(shù)字照片。然而?在放置過程中肉樣切面會(huì)有水滲出，形成水珠，且肉樣表面有油脂，導(dǎo)致樣本表面反光，在采集的樣本數(shù)字圖像中有亮斑噪聲，亮斑面積大小不一，在圖像預(yù)處理階段和圖像分割后很難去除。與樣本原始照片做對(duì)比，發(fā)現(xiàn)亮斑噪聲經(jīng)圖像分割后的結(jié)果與大理石紋分割結(jié)果相同，會(huì)被誤認(rèn)為是豬肉的大理石紋，給試驗(yàn)結(jié)果準(zhǔn)確率帶來很大影響。查閱相關(guān)文獻(xiàn)，發(fā)現(xiàn)其他研究者在樣本采集過程中也遇到同樣問題。

經(jīng)多次試驗(yàn)得知，改進(jìn)樣本采集場(chǎng)所的光源和樣本被拍攝前的預(yù)處理方法，可有效去除上述亮斑噪聲。在光源方面作的改進(jìn)是采用2個(gè)四聯(lián)燈柔光燈箱作為光源，在無其他外接光源的黑暗工作室中拍攝，可提升柔光效果，減少肉色失真;在樣本被拍攝前分別采用風(fēng)干、干布擦拭樣本表面和用玻璃覆蓋樣本等方法，經(jīng)比較在同一個(gè)拍攝環(huán)境下采用厚度為5 mm的正方形玻璃蓋在樣本表面，消除樣本表面因凹凸不平、水珠和油脂等因素帶來的反光影響，采集樣本的效果最佳。

2?3種分割算法試驗(yàn)結(jié)果與分析

RGB[10]顏色模型是應(yīng)用最多的一種，包括紅（Red）、綠（Green）和藍(lán)（Blue）3個(gè)分量通道，由真實(shí)的人眼顏色匹配試驗(yàn)得出的模型。在RGB顏色空間中，R、G、B 3個(gè)分量的屬性是獨(dú)立的。本試驗(yàn)選擇RGB顏色空間的R分量圖、G分量圖、B分量圖，用閾值分割算法、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）對(duì)3個(gè)分量圖進(jìn)行分割，各種方法的分割結(jié)果如下。

2.1?基于閾值分割算法的肉類大理石紋識(shí)別

2.1.1?算法應(yīng)用概述

閾值處理直觀、實(shí)現(xiàn)簡(jiǎn)單且計(jì)算速度快，在圖像分割應(yīng)用中占核心地位。閾值是用于區(qū)分目標(biāo)和背景的灰度門限，利用目標(biāo)和背景的灰度差異，選取合適的灰度閾值。如果圖像只有目標(biāo)和背景兩大類，那么只選取一個(gè)閾值稱為單閾值分割。如果圖像中有多個(gè)目標(biāo)，就需要選取多個(gè)閾值將目標(biāo)及背景分開，這種方法稱為多閾值分割[11]。2002年任發(fā)政等開始研究圖像閾值算法、圖像面積提取技術(shù)以及圖像均勻化處理和灰度值域處理方法在牛肉大理石花紋等級(jí)評(píng)判上的探索應(yīng)用[12]。2009年，Jackman等把聚類分割算法和閾值分割法相結(jié)合，交換RGB圖的R通道和B通道后轉(zhuǎn)換到HSI顏色空間，多次試驗(yàn)選取合適的閾值范圍，截取感興趣圖像內(nèi)容并重新轉(zhuǎn)換到RGB空間，利用聚類算法對(duì)經(jīng)閾值處理圖像分類，結(jié)合初始圖像去除無關(guān)內(nèi)容，分割出大理石紋[13]。

2.1.2?試驗(yàn)結(jié)果

采用最大類間方差算法分別對(duì)多幅樣本圖的3個(gè)分量圖進(jìn)行圖像處理，發(fā)現(xiàn)該算法對(duì)樣本采集清晰度、樣本含有大理石紋的數(shù)量及大理石紋的性狀等不定因素較敏感，分割準(zhǔn)確性不穩(wěn)定。如圖2、圖3所示，樣本A和B的R分量圖的最佳分割閾值是0.254 9、0.529 4，G分量圖的最佳分割閾值是0.231 4、0.356 9，B分量圖的最佳分割閾值是 0.211 8、0.447 1，可知采用閾值算法分割豬肉背最長肌截面圖，其分割效果很不理想。豬肉的肌內(nèi)脂肪顆粒很小和含量偏少等因素不利于閾值選取，因此很難正確地分割出背最長肌的大理石紋。

2.2?基本模糊C均值分割算法的肉類大理石紋識(shí)別

2.2.1?算法應(yīng)用概述

FCM（Fuzzy C-Means）算法由Dunn提出，經(jīng)過Bezdek的推廣后，獲得了十分廣泛的應(yīng)用[14]。用于灰度圖像分割，其實(shí)現(xiàn)簡(jiǎn)單，是一種非監(jiān)督模糊聚類方法，適合存在模糊和不確定性等特點(diǎn)的灰度圖像。FCM算法未對(duì)樣本進(jìn)行最優(yōu)化處理，針對(duì)信息分布不均勻的樣本，處理結(jié)果不能達(dá)到最優(yōu)[15]。FCM的目標(biāo)函數(shù)如式（1）所示：

FCM算法對(duì)圖像的分割效果依賴于聚類數(shù)C、初始聚類中心點(diǎn)、指數(shù)權(quán)值m等初始參數(shù)的設(shè)定。2010年仇金宏等提出一種基于改進(jìn)型模糊C均值聚類算法的牛肉大理石花紋提取方法，結(jié)合了快速模糊C均值（FCM）聚類算法，對(duì)傳統(tǒng)FCM算法中的隸屬函數(shù)、聚類數(shù)C和初始聚類中心點(diǎn)選取方法進(jìn)行了優(yōu)化[16]，使牛肉大理石花紋提取的準(zhǔn)確度由76.2%提高到85.7%。

2.2.2?試驗(yàn)結(jié)果

本次試驗(yàn)選用的照片與閾值算法分割試驗(yàn)選擇同一張照片，進(jìn)行同樣的預(yù)處理，分別轉(zhuǎn)換為R、G、B 3個(gè)分量圖，繪制3個(gè)分量圖的直方圖，其中G分量圖的直方圖有3個(gè)波谷。利用FCM算法逐一進(jìn)行分割試驗(yàn)，式（1）中的m分別取3、4、5進(jìn)行試驗(yàn)，m=4的分割效果最佳，與直方圖相符合（圖4）。

2.3?基于高斯核模糊C均值聚類分割算法的肉類大理石紋識(shí)別

2.3.1?算法應(yīng)用概述

FCM算法采用歐氏距離法計(jì)算2點(diǎn)間距離，局限于處理球星數(shù)據(jù)簇，依據(jù)樣本一維特征完成聚類。為優(yōu)化FCM算法，引入核函數(shù)，通過非線性映射，把樣本數(shù)據(jù)映射到高維，進(jìn)行多維特征提取，利用核函數(shù)進(jìn)行聚類，提高聚類結(jié)果的準(zhǔn)確性。伍學(xué)千等均采用FCM算法分割牛肉圖像和豬肉眼肌圖像，并對(duì)分割結(jié)果作進(jìn)一步的優(yōu)化，使用向量信任、洪水填充算法和改進(jìn)分水嶺算法，避免大理石紋分割中出現(xiàn)的過分割和欠分割問題[9，17]。KFCM分割算法的目標(biāo)函數(shù)如式（2）所示：

2.3.2?試驗(yàn)結(jié)果

根據(jù)FCM試驗(yàn)結(jié)果，結(jié)合FCM算法和KFCM的相似性，式（2）中的類別數(shù)m=3、4、5，式（3）中高斯核的σ=28、150、200，允許誤差Emax=10-5，用基于高斯核的FCM算法對(duì)3個(gè)分量圖進(jìn)行分割試驗(yàn)，分割結(jié)果見圖5。

3?討論與結(jié)論

對(duì)比分析3種分割算法的試驗(yàn)結(jié)果，可發(fā)現(xiàn)采用基于高斯核的FCM算法對(duì)R分量圖分割的效果最佳。分析其原因，有如下幾方面：首先，豬肉的大理石紋與牛肉的大理石紋相比，有著較大區(qū)別，豬肉的大理石紋和肌肉間界限沒有牛肉大理石清晰，很模糊，不利于閾值分割，在閾值分割的過程中很難找到合適的分割閾值。其次，F(xiàn)CM要求人為設(shè)置初始類別數(shù)、類中心值及隸屬函數(shù)，這一設(shè)定帶有很大的主觀性，會(huì)導(dǎo)致試驗(yàn)結(jié)果不夠嚴(yán)謹(jǐn);同時(shí)，與閾值分割算法相比，分割出數(shù)量較多的大理石紋，因FCM分割算法采用歐氏距離法計(jì)算樣本點(diǎn)與類中心間距離，而豬肉大理石紋細(xì)短，且分布較散，采用歐式距離法不利于分割出小而細(xì)的大理石紋;另外，因大理石紋和肌肉間界限模糊，導(dǎo)致分割過程中有過分割的現(xiàn)象。考慮上述原因，采用基于高斯核的FCM分割算法（KFCM）對(duì)3個(gè)分量圖進(jìn)行分割，結(jié)果表明，在R分量圖上采用KFCM聚類算法的分割結(jié)果更加貼近實(shí)際情況。KFCM算法是對(duì)FCM作進(jìn)一步改進(jìn)，采用高斯核法計(jì)算樣本與類中心間距離，把樣本特征映射到高維，讓特征空間得到細(xì)化，把原來隱藏的特征信息顯現(xiàn)化，彌補(bǔ)了閾值算法和FCM算法存在的不足。

在未來的工作中，將針對(duì)識(shí)別出的大理石紋，制定準(zhǔn)確描述大理石紋的特征參數(shù)集，采用機(jī)器學(xué)習(xí)方法，結(jié)合豬個(gè)體特征，根據(jù)豬肉大理石紋和肌內(nèi)脂肪間的相關(guān)性，構(gòu)建豬肉肌內(nèi)脂肪含量自動(dòng)預(yù)測(cè)模型，提高豬肉肌內(nèi)脂肪含量檢測(cè)的效率，降低檢測(cè)費(fèi)用，實(shí)現(xiàn)無損化檢測(cè)。

參考文獻(xiàn)：

[1]李慶崗，經(jīng)榮斌. 豬肌內(nèi)脂肪酸的研究進(jìn)展[J]. 飼料博覽，2004（3）：10-12.

[2]張偉力，曾勇慶. 豬肉肌內(nèi)脂肪測(cè)定方法及其誤差分析[J]. 豬業(yè)科學(xué)，2008，25（7）：102-103.

[3]譚?林，姜海龍. 肌內(nèi)脂肪含量與豬肉品質(zhì)的相關(guān)性分析[J]. 飼料博覽，2010（12）：11-13.

[4]趙?萍，李永奎，林?靜，等. 數(shù)字圖像處理技術(shù)在農(nóng)產(chǎn)品方面的應(yīng)用[J]. 農(nóng)機(jī)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]趙杰文，劉木華，張海東. 基于數(shù)學(xué)形態(tài)學(xué)的牛肉圖像中背長肌分割和大理石紋提取技術(shù)研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2004，20（1）：144-146.

[9]伍學(xué)千. 基于計(jì)算機(jī)視覺技術(shù)的豬肉品質(zhì)檢測(cè)與分級(jí)研究[D]. 杭州：浙江大學(xué)，2010.

[10]岡薩雷斯. 數(shù)字圖像處理[M]. 北京：電子工業(yè)出版社，2009.

[11]楊衛(wèi)平，李忠科，王?勇，等. 基于區(qū)域的圖像分割算法綜述[C]//全國測(cè)控計(jì)量儀器儀表學(xué)術(shù)年會(huì)，2007：278-281.

[12]任發(fā)政，鄭麗敏，王桂芹，等. 應(yīng)用MATLAB圖像處理技術(shù)評(píng)判牛肉大理石花紋[J]. 肉類研究，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]張?莉，周偉達(dá)，焦李成. 核聚類算法[J]. 計(jì)算機(jī)學(xué)報(bào)，2002，25（6）：587-590.

[16]仇金宏，沈明霞，彭增起，等. 基于改進(jìn)型FCM算法的牛肉大理石花紋提取方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，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.