一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法

一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法，

其特征在于包括以下步骤：

(1)标定摄像机，得到图像中单位像素对应于真实场景中的实际长度；

(2)选取猪肉第5-6根肋骨处背最长肌作为样本，将样本放置于黑色背景布上，并用白色灯对样本进行补光，利用数码照相机对样本横截面进行俯拍，获取猪肉眼肌样本图像，图像大小为1000*1000像素；

(3)利用改进的样本块修复方法对得到的样本图像进行预处理，恢复图像反光区域原有信息；

(4)结合最大熵法与迭代法对预处理后的眼肌图像进行图像分割，提取出猪肉大理石花纹；

(5)从得到的大理石花纹图像中提取出脂肪数量指标、脂肪分布指标和脂肪纹理指标特征值；

(6)根据特征值和化学方法检测结果建立逐步回归预测模型和Fisher判别模型，而后对模型进行检验和结果比较，最后通过该模型对猪肉肌内脂肪含量进行预测；

所述步骤(3)图像预处理过程中利用样本块修复方法对得到的样本图像进行预处理包括以下步骤：

(1a)针对图像反光区域特征，即反光区域中心像素点有较高的亮度(Value，V)值和较高的饱和度(Saturation，S)值，对图像逐像素点进行阈值分割以得到反光中心区域，分割公式如下：

其中的F(i，j)代表坐标为(i，j)的像素点所对应的颜色值，255对应的是白色，0对应的是黑色，thresh1和thresh2分别代表了某一固定的阈值，阈值大小视实际拍摄条件而定；

(1b)对图像进行2次全方向膨胀，使得图像中相互靠近的反光中心区域相互合并，然后对膨胀后的图像进行2次全方向腐蚀，使得面积变大的反光中心区域还原为原始大小；

(1c)对于面积较大的反光中心区域，把这些区域的外接矩形作为图像的反光区域，而对于面积很小的区域则进行简单的平滑处理；

(1d)利用改进的样本块修复方法对反光区域进行图像复原，改进方法如下：

首先修补过程中每次只针对一个待修复区域进行修补，然后再复原其它修复块，直到全部修补完成为止；其次在搜索最佳匹配块的过程中采用二次匹配法进行搜索，第一次匹配是粗略匹配，通过隔行隔列粗略搜索最佳匹配块的中心点位置，每次扫描的数据量降为原图四分之一；第二次匹配是精确匹配，在第一次匹配搜索到的中心点位置的八邻域点内进行遍历搜索，以得到最后的最佳匹配块进行修复。

所述步骤(4)图像分割过程中结合最大熵法与迭代法对预处理后的眼肌图像进行图像分割包括以下步骤：

(2a)去除图像背景：将去除反光后的图像转换为灰度图像，根据眼肌图像的特征，转换的灰度值公式为：Gray＝G*0.6+B*0.4，其中Gray为图像灰度值，G为原始图像绿色通道值，B为原始图像蓝色通道值，运用大津法对得到的灰度图像进行整体阈值分割去除图像背景，得到图像P1；

(2b)提取眼肌中的脂肪部分：把P1均分为20*20份并分别进行阈值分割，每一份小图像根据其图像特征为其选取不同的自适应阈值分割算法，选取的流程如下，其中迭代法分割出的大理石花纹面积为S1，最大熵法分割出的大理石花纹面积为S2：

当图像块中包含背景区域时，选用迭代法对图像块进行自适应阈值分割；

当S2≤S1＜1.3*S2时，选用迭代法对图像块进行自适应阈值分割；

当S1≤S2＜1.3*S1时，选用最大熵法对图像块进行自适应阈值分割；

当S2≥1.3*S1时，选用迭代法对图像块进行自适应阈值分割；

当S1≥1.3*S2时，选用最大熵法对图像块进行自适应阈值分割；

每个小块分割完成后得到图像P2；

(2c)去除肌间脂肪：对P2进行轮廓提取，选出周长最大的一个轮廓，对该轮廓进行填充，对填充后的区域进行形态学膨胀处理得到图像P3，对图像P2和P3进行差值运算，得到图像P4；

(2d)对P4进行形态学膨胀处理得到图像P5，对P5进行轮廓提取，找出轮廓像素点个数小于10的轮廓区域，这些区域为噪声点，去除这些区域得到图像P6，对P5和P6进行与计算得到图像P7，此时的图像即为提取出的眼肌大理石花纹。

所述步骤(5)特征提取过程中从得到的大理石花纹图像中提取出脂肪分布指标特征值共3个，所述特征的详细表述如下：

F1脂肪颗粒均匀度：指的是脂肪颗粒分布变异系数，设有效眼肌图像有n行，每行的脂肪像素占该行总像素比例为wi(i＝1,2,…,n)，平均值为则脂肪颗粒均匀度C的计算公式如下：

F2计盒维数；

F3信息维数。