豬眼肌B超圖像紋理特征提取與分類

2013-08-01 11:38:30張建勛謝婷婷

重慶理工大學學報(自然科學) 2013年2期

關鍵詞：檢測

張建勛，李濤，孫權，謝婷婷

(重慶理工大學計算機科學與工程學院，重慶 400054)

在我國，豬肉是消費量最大的肉類食品，其品質的優劣直接關系到國民的生活質量、營養的水平以及飲食的安全，所以長期以來對豬肉品質的檢測和研究受到了多方面的高度重視。而決定豬肉品質的因素有很多，其中一個重要的指標是其眼肌(豬眼肌俗稱里脊，位于豬的背部)肌內的脂肪含量。因此如何實現對生豬眼肌肌內脂肪含量的無損檢測是一個重要的研究課題［1］。

傳統的眼肌肌內脂肪含量檢測方法主要有感官檢測、理化檢測和微生物檢測。感官檢測存在指標單一、主觀性強、可重復性差、準確性差、勞動強度大、人工成本高、效率低等問題。理化檢測和微生物檢測雖然準確率高，但都是具有破壞性的檢測方法。因此這些傳統檢測方法已經不能滿足快速性、非破壞性、實時性的現代檢測要求［2］。

相對于傳統的檢測方法，超聲波檢測技術屬于無損檢測技術中的一種，因其具有對檢測對象的無損性、可重復檢測性以及成本較低等特點，在日常生活中得到了廣泛應用。該技術根據聲波在豬肉中傳播時的反射、散射、透射及吸收特性，衰減系數和傳播速度等獲得特征區域的B超圖像，再通過數字圖像處理技術、模式識別技術實現對肉質脂肪含量的檢測判斷［3］。

利用豬肉的聲學物理性質，可在對活體不造成傷害的情況下對其眼肌內脂肪含量進行快速、準確、科學的判斷，并且在檢測過程中利用計算機、傳感器、計算機圖像處理等技術實現檢測判斷的自動化、智能化。

1 實驗數據與預處理

實驗數據為豬眼肌B超圖像及其對應的肌內脂肪含量等數據，由重慶市畜牧科學院提供，共135例(圖1為其中1例)，其中眼肌肌內脂肪質量分數在0～2.5%的數據(脂肪含量過低)有42例，脂肪質量分數在2.5% ～3.5%的數據(脂肪含量合理)有48例，肌內脂肪質量分數大于3.5%的數據(脂肪含量過高)有45例。肌內脂肪含量等是通過對生豬屠宰后理化檢測的方法獲得，因此數據準確客觀。豬眼肌B超圖像的特征區域由有經驗的畜牧科研人員手工選出。

預處理首先根據畜牧科研人員選取的不規則特征區域，在不規則特征區域中截取30×30像素的矩形子圖(圖2)，然后對子圖提取紋理特征。算法采用Matlab 7.1實現，運算平臺為Core2 Duo CPU E7500@2.93GHz 2.94GHz，內存為 4G 的PC機。

圖1 豬眼肌B超圖像和已勾畫ROI的圖像

圖2 三類脂肪含量由低到高的特征區域子圖(大小為30×30)

2 紋理特征提取

本文提取的紋理特征用于豬眼肌B超圖像的脂肪含量檢測分類，即3類脂肪含量的判斷，是生豬肉質檢測判斷的一個重要環節。圖像的紋理包含了人類視覺系統用于解釋和分析不同類圖像的重要信息，一般是指圖像基本元素在空間上的互相關聯與排列。紋理作為一種底層的視覺信息，所承載的信息比單純的灰度變化要多很多，而許多脂肪含量表現出來的影像特點也恰恰是紋理上的變化，因此提取的紋理特征可以有效地用于生豬脂肪含量的檢測判斷。

用灰度共生矩陣描述紋理特征是1973年由Haralick等提出的，它是圖像灰度變化的二階統計度量，是表述紋理圖像結構特征的基本函數。根據2個像素點位置的聯合概率密度函數可以建立起紋理圖像的共生矩陣。圖像的灰度共生矩陣能反映圖像灰度關于方向、相鄰間隔、變化幅度的多種信息。

通常用Pd表示灰度共生矩陣。如果灰度級為為L，則Pd為一個L×L的方陣，其中的某個元素 Pd(i，j)，i，j=0，1，2，…，L －1 被定義為具有空間位置關系d=(Dx，Dy)，并且灰度分別為i和j的2個像素出現的次數或概率(歸一化)，如圖3所示。

圖3 灰度共生矩陣幾何空間定義

常用的空間位置關系d有水平，垂直和正、負45°共4種，如圖4所示。

圖4 常用4種方向空間位置關系

一旦空間位置關系d確定，就可以生成一定d下的灰度共生矩陣其中矩陣中的每一個元素代表一種灰度組合出現的次數或概率(歸一化)。例如元素Pd(0，1)代表圖像中2個像素距離為d的灰度分別為0和1的情況出現的次數或概率(歸一化)。

通過灰度共生矩陣計算下面5種特征參數:

1)能量

能量反映了灰度共生矩陣中各元素的平方和。它度量圖像紋理灰度變化是否均一，反映了圖像灰度分布的均勻程度和紋理粗細度。如果共生矩陣的所有值均相等，則能量值就小;相反，如果其中的一些值大而其他值小，則能量值就大。一幅有著一致灰度的圖像的灰度共生矩陣只有1個值，等于圖像的總像素數，其能量值最大。因此，能量值大的圖像表示一種較均勻和規則變化的圖像紋理模式。

2)熵

熵反映著圖像紋理的隨機性。當空間共生矩陣中所有值都相等時，它取得最大值;相反，如果共生矩陣中的值非常不均勻時，其值較小。因此，熵如果取得最大值則表示圖像中灰度分布非常隨機。

3)慣性矩

慣性矩反映圖像中局部變化的情況，反映了圖像的清晰度和紋理的溝紋深淺。圖像紋理的溝紋越深，則對比值越大，效果越清晰;反之，其值越小，則溝紋越淺，效果越模糊。

4)相關值

相關值反映空間灰度共生矩陣各元素在行或列方向上的相似程度。相關值的大小度量了圖像中局部灰度的相關性。當矩陣元素值均勻相等時，相關值就大;相反，如果矩陣像元值相差很大，則相關值就比較小。當一副圖像中相似的紋理區域有某種方向性時，其值就比較大。

5)局部平穩性

局部平穩性反映圖像紋理局部變化的情況，其值越大則說明圖像紋理的不同區域間缺少變化，局部非常均勻。

3 特征篩選

初次提取的特征參數之間會存在亢余度，而且各個特征參數描述脂肪含量屬性的能力也有不同，從計算的復雜程度和分類器性能來看都需要進行特征篩選，以得到有效的特征組合。

根據表1～4的特征值取值范圍對3種不同類脂肪含量的豬眼肌肌內紋理特征參數進行相關性分析發現，相關和局部平穩對識別不同超聲圖像的特異性作用不大，所以在后面的分類識別中用水平方向的能量、熵、慣性矩3種特征參數作為樣本的特征值。而且試驗數據也證明，能量、熵、慣性矩在水平、垂直、45°和－45°不同方向上的值域范圍都比較穩定，這說明選取的3個參數具有很好的旋轉不變性。

4 分類器設計

本實驗選用基于3層拓撲結構的BP神經網絡對特征參數進行分類識別［5－6］。第1層為輸入層，經過紋理計算得到4個方向，每個方向3個特征值，每幅選擇區域圖像12個特征值，所以輸入層神經元的個數為12。中間層數為25。輸出端采用3個節點。

對于輸出層，眼肌肌內脂肪含量分為3類:脂肪含量過低、脂肪含量合適、脂肪含量過高。采用二進制進行編碼。對于輸出“脂肪含量合適”采用(1，0，0)這樣的輸出向量。因為神經元的激勵函數是“S”型函數，即f(x)，所以激勵函數的輸出永遠不可能達到0或1，可能會導致算法不收斂，因此采用接近值，0.001 代表 0，0.999 代表 1。