基于RGB顏色空間的豬肉大理石紋分割

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因反光作用導致亮斑噪聲，且豬肉大理石紋紋理具有細小、分布較散等特點，不利于大理石紋識別。針對上述問題，通過對比多種光源條件，找到最佳拍攝環境，避免圖像出現亮斑噪聲。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R、G、B分量圖進行分割試驗，通過圖像處理技術自動識別出豬肉大理石紋，研究結果表明KFCM算法在R分量圖上的分割結果最優。

關鍵詞：RGB;豬肉;大理石紋;圖像分割

中圖分類號： S828?文獻標志碼： A

文章編號：1002-1302（2019）20-0200-03

豬肉的嫩度和口感2個方面因素會直接影響豬肉產品的銷售，備受消費者及生豬養殖戶關注。據李慶崗等研究表明，肌內脂肪中的磷脂是影響肉品揮發性風味成分的重要前體物，且肌內脂肪的含量與肉的嫩度呈正相關，肌內脂肪越多，經烹調后嫩度就越好[1]。隨著肌內脂肪含量的增加，嫩度也相應改善。檢測豬肉肌內脂肪含量的常規方法通常是化學萃取法[2]，此方法具有耗時長、投入經濟成本大等弊端。譚林等研究發現，豬肉肌內脂肪含量與大理石紋評分等級呈正比[3]。由此可知，將機器視覺技術引入到豬肉肌內脂肪測定中，通過圖像分析識別技術自動提取豬肉大理石紋，從而實現直接預測豬肉肌內脂肪含量，能切實做到無損檢測，且有效縮短試驗進程。

圖像處理和識別技術被廣泛應用，并已滲透到農業領域等方面，相關研究成果被應用到果實采摘、作物病蟲害識別和畜產品評定及質量監督等方面[4]。國內外在20世紀80年代末開始把圖像處理和識別技術應用到畜產品質量監督和自動評定方面。早在1991年，McDonald等已開始將計算機視覺技術引入到牛肉分級標準的量化研究上，牛肉智能評級系統對于牛肉等級的評定已可取代人工評級[5]。2005年，Faucitano等把圖像分析技術應用到豬肉大理石紋測定研究中，用圖像分析技術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集合，利用統計分析方法評定品種對胴體品質和肉質大理石紋結構的固定效應[6]。2015年，Ludwiczak等通過試驗對比Hessian、Canny和Deriche的3種圖像分割算法，在豬肉大理石紋智能評估的效果，分析每種分割算法的優劣性[7]。

國內把數字圖像應用到肉品質檢測和自動分級研究相對較晚。2004年趙文杰等獲取牛肉眼肌切面圖像RGB圖的R分量圖，利用數學形態學的方法來分割背長肌區域，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年伍學千提出一種利用核模糊C均值聚類和改進分水嶺算法分割豬肉眼肌切面圖像中背最長肌區域的方法，對采集的60幅豬肉眼肌圖像進行處理，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點，針對牛肉大理石紋等級的自動評定方面研究較多。與牛肉相比，豬肉的大理石紋理小而細，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的無損檢測方面研究很少。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種算法進行試驗，分別對豬背最長肌截面圖像進行分割，比較其分割效果，選擇最佳分割算法。

1?圖像采集方法

1.1?試驗材料與硬件平臺

1.1.1?試驗材料

試驗豬屠宰胴體冷卻后，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，在常溫環境下靜置30 min，采集樣品的數字圖像。數字圖像采集裝置見圖1。

1.1.2?硬件平臺?相機;鏡頭;工作臺;光源為四聯燈柔光箱。

1.2?樣本圖像采集

本次試驗由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后采集樣本的數字照片。然而?在放置過程中肉樣切面會有水滲出，形成水珠，且肉樣表面有油脂，導致樣本表面反光，在采集的樣本數字圖像中有亮斑噪聲，亮斑面積大小不一，在圖像預處理階段和圖像分割后很難去除。與樣本原始照片做對比，發現亮斑噪聲經圖像分割后的結果與大理石紋分割結果相同，會被誤認為是豬肉的大理石紋，給試驗結果準確率帶來很大影響。查閱相關文獻，發現其他研究者在樣本采集過程中也遇到同樣問題。

經多次試驗得知，改進樣本采集場所的光源和樣本被拍攝前的預處理方法，可有效去除上述亮斑噪聲。在光源方面作的改進是采用2個四聯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干、干布擦拭樣本表面和用玻璃覆蓋樣本等方法，經比較在同一個拍攝環境下采用厚度為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種分割算法試驗結果與分析

RGB[10]顏色模型是應用最多的一種，包括紅（Red）、綠（Green）和藍（Blue）3個分量通道，由真實的人眼顏色匹配試驗得出的模型。在RGB顏色空間中，R、G、B 3個分量的屬性是獨立的。本試驗選擇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3個分量圖進行分割，各種方法的分割結果如下。

2.1?基于閾值分割算法的肉類大理石紋識別

2.1.1?算法應用概述

閾值處理直觀、實現簡單且計算速度快，在圖像分割應用中占核心地位。閾值是用于區分目標和背景的灰度門限，利用目標和背景的灰度差異，選取合適的灰度閾值。如果圖像只有目標和背景兩大類，那么只選取一個閾值稱為單閾值分割。如果圖像中有多個目標，就需要選取多個閾值將目標及背景分開，這種方法稱為多閾值分割[11]。2002年任發政等開始研究圖像閾值算法、圖像面積提取技術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評判上的探索應用[12]。2009年，Jackman等把聚類分割算法和閾值分割法相結合，交換RGB圖的R通道和B通道后轉換到HSI顏色空間，多次試驗選取合適的閾值范圍，截取感興趣圖像內容并重新轉換到RGB空間，利用聚類算法對經閾值處理圖像分類，結合初始圖像去除無關內容，分割出大理石紋[13]。

2.1.2?試驗結果

采用最大類間方差算法分別對多幅樣本圖的3個分量圖進行圖像處理，發現該算法對樣本采集清晰度、樣本含有大理石紋的數量及大理石紋的性狀等不定因素較敏感，分割準確性不穩定。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別

2.2.1?算法應用概述

FCM（Fuzzy C-Means）算法由Dunn提出，經過Bezdek的推廣后，獲得了十分廣泛的應用[14]。用于灰度圖像分割，其實現簡單，是一種非監督模糊聚類方法，適合存在模糊和不確定性等特點的灰度圖像。FCM算法未對樣本進行最優化處理，針對信息分布不均勻的樣本，處理結果不能達到最優[15]。FCM的目標函數如式（1）所示：

FCM算法對圖像的分割效果依賴于聚類數C、初始聚類中心點、指數權值m等初始參數的設定。2010年仇金宏等提出一種基于改進型模糊C均值聚類算法的牛肉大理石花紋提取方法，結合了快速模糊C均值（FCM）聚類算法，對傳統FCM算法中的隸屬函數、聚類數C和初始聚類中心點選取方法進行了優化[16]，使牛肉大理石花紋提取的準確度由76.2%提高到85.7%。

2.2.2?試驗結果

本次試驗選用的照片與閾值算法分割試驗選擇同一張照片，進行同樣的預處理，分別轉換為R、G、B 3個分量圖，繪制3個分量圖的直方圖，其中G分量圖的直方圖有3個波谷。利用FCM算法逐一進行分割試驗，式（1）中的m分別取3、4、5進行試驗，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別

2.3.1?算法應用概述

FCM算法采用歐氏距離法計算2點間距離，局限于處理球星數據簇，依據樣本一維特征完成聚類。為優化FCM算法，引入核函數，通過非線性映射，把樣本數據映射到高維，進行多維特征提取，利用核函數進行聚類，提高聚類結果的準確性。伍學千等均采用FCM算法分割牛肉圖像和豬肉眼肌圖像，并對分割結果作進一步的優化，使用向量信任、洪水填充算法和改進分水嶺算法，避免大理石紋分割中出現的過分割和欠分割問題[9，17]。KFCM分割算法的目標函數如式（2）所示：

2.3.2?試驗結果

根據FCM試驗結果，結合FCM算法和KFCM的相似性，式（2）中的類別數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3個分量圖進行分割試驗，分割結果見圖5。

3?討論與結論

對比分析3種分割算法的試驗結果，可發現采用基于高斯核的FCM算法對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，FCM要求人為設置初始類別數、類中心值及隸屬函數，這一設定帶有很大的主觀性，會導致試驗結果不夠嚴謹;同時，與閾值分割算法相比，分割出數量較多的大理石紋，因FCM分割算法采用歐氏距離法計算樣本點與類中心間距離，而豬肉大理石紋細短，且分布較散，采用歐式距離法不利于分割出小而細的大理石紋;另外，因大理石紋和肌肉間界限模糊，導致分割過程中有過分割的現象。考慮上述原因，采用基于高斯核的FCM分割算法（KFCM）對3個分量圖進行分割，結果表明，在R分量圖上采用KFCM聚類算法的分割結果更加貼近實際情況。KFCM算法是對FCM作進一步改進，采用高斯核法計算樣本與類中心間距離，把樣本特征映射到高維，讓特征空間得到細化，把原來隱藏的特征信息顯現化，彌補了閾值算法和FCM算法存在的不足。

在未來的工作中，將針對識別出的大理石紋，制定準確描述大理石紋的特征參數集，采用機器學習方法，結合豬個體特征，根據豬肉大理石紋和肌內脂肪間的相關性，構建豬肉肌內脂肪含量自動預測模型，提高豬肉肌內脂肪含量檢測的效率，降低檢測費用，實現無損化檢測。

參考文獻：

[1]李慶崗，經榮斌. 豬肌內脂肪酸的研究進展[J]. 飼料博覽，2004（3）：10-12.

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

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

[4]趙?萍，李永奎，林?靜，等. 數字圖像處理技術在農產品方面的應用[J]. 農機化研究，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. 基于數學形態學的牛肉圖像中背長肌分割和大理石紋提取技術研究[J]. 農業工程學報，2004，20（1）：144-146.

[9]伍學千. 基于計算機視覺技術的豬肉品質檢測與分級研究[D]. 杭州：浙江大學，2010.

[10]岡薩雷斯. 數字圖像處理[M]. 北京：電子工業出版社，2009.

[11]楊衛平，李忠科，王?勇，等. 基于區域的圖像分割算法綜述[C]//全國測控計量儀器儀表學術年會，2007：278-281.

[12]任發政，鄭麗敏，王桂芹，等. 應用MATLAB圖像處理技術評判牛肉大理石花紋[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，焦李成. 核聚類算法[J]. 計算機學報，2002，25（6）：587-590.

[16]仇金宏，沈明霞，彭增起，等. 基于改進型FCM算法的牛肉大理石花紋提取方法[J]. 農業機械學報，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.