【文章內(nèi)容簡介】 像形成的過程無關(guān)。一旦圖像已被采集并且已對獲取過程中產(chǎn)生的失真進(jìn)行了校正，那么所有可用圖像處理技術(shù)本質(zhì)上是通用的。因此，圖像處理是一種超越具體應(yīng)用的過程：任何為解決某一特殊問題而開發(fā)的圖像處理新技術(shù)或新方法，幾乎肯定能找到其他完全不同的應(yīng)用領(lǐng)域[16]。有鑒于此，本文通過研究林業(yè)遙感圖像的處理與模式識別過程，提出了對拍攝到的豬肉圖像進(jìn)行處理與分析的簡單流程。預(yù)處理（校正）圖像特征選擇與提取圖像描述數(shù)字圖像信息 圖像處理與分析結(jié)構(gòu)圖首先對獲得的數(shù)字圖像信息進(jìn)行簡單預(yù)處理，包括灰度校正或規(guī)格化、幾何畸變的校正、噪聲消除等處理；然后將對象從背景中分離，結(jié)合測量目的進(jìn)行特征選擇與提取，這也是本系統(tǒng)研究的關(guān)鍵之一；如果有必要，還可以做圖像描述方面的工作，例如對于肌纖維形狀的測量就要用到形狀描述。由圖像所獲得的數(shù)量是相當(dāng)大的，為了有效地實(shí)現(xiàn)分類識別，就要對原始數(shù)據(jù)進(jìn)行變換，得到最能反映分類本質(zhì)的特征，這就是特征選擇和提取過程。特征選擇從一個模式中提取什么特征，將因不同的模式而異，并且與識別的目的方法等有直接關(guān)系。通常圖像信源特征主要有幾何特征、數(shù)字特征和結(jié)構(gòu)特征等。特征選擇的主要任務(wù)是針對給定識別任務(wù)，按照預(yù)定判別準(zhǔn)則，選擇那些數(shù)量少，對提高正確識別貢獻(xiàn)最大的參數(shù)作為特征，因而它主要是一個統(tǒng)計(jì)優(yōu)化問題。特征選擇的優(yōu)劣最直接地影響到識別性能。特征選擇還應(yīng)考慮到不變性特征地選取，如圖像識別中的尺寸、位置，如旋轉(zhuǎn)不變性的選擇[17]。最簡單的特征選擇方法是根據(jù)專家的知識挑選那些對人類最有影響的特征[13]，因此在本文中選擇肌肉紅色度、脂肪層厚度以及肌纖維形狀三方面作為區(qū)分正常豬肉與含有瘦肉精問題豬肉的主要特征。所謂特征提取在廣義上是指一種變換，即將樣本由高維空間變換到低維空間，實(shí)際上是對選擇出的圖像特征如灰度或顏色、形狀等屬性進(jìn)行計(jì)算或求出圖像的特征間的空間關(guān)系。特征提取之前一般要將圖像分割成若干有意義區(qū)域（潛在目標(biāo)），區(qū)域里的像素與場景中的目標(biāo)相對應(yīng)。圖像分割首先要將圖像目標(biāo)和背景分割開來，從而知道目標(biāo)的大致位置。目前已有各種各樣的方法，其中簡單有效的方法是直方圖分割法中的最大距離法（類間方差門限法）。它的基本思想是：在直方圖取值范圍內(nèi)，任一灰度級可將直方圖分為左右兩部分，如果這兩部分的灰度均值與總體的灰度均值相距最大，則該灰度級就取為分割門限。圖像中凡是灰度值大于分割門限的像點(diǎn)，均認(rèn)為是背景中的點(diǎn)；反之，則認(rèn)為是潛在目標(biāo)區(qū)域中的點(diǎn)。這種分割方法可以精確地找到分割門限，提取目標(biāo)。 系統(tǒng)研究的關(guān)鍵技術(shù)基于數(shù)字圖像處理的智能檢測技術(shù)的關(guān)鍵有兩點(diǎn)：一是數(shù)字圖像處理，包括圖像處理與圖像分析；二是“智能”，是指用神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)等人工智能方法對圖像處理獲得的檢測信號進(jìn)行判定，得出檢測結(jié)論[13]。上述兩方面的工作都由原理框圖中的計(jì)算機(jī)模塊來完成。計(jì)算機(jī)首先對來自數(shù)字視覺系統(tǒng)的圖像信息做處理，獲得關(guān)于肌肉紅色度、脂肪層厚度以及肌纖維形狀三方面測量信息，然后做模糊化處理；利用骨骼傳感器對骨骼進(jìn)行定量測定。然后通過模糊信息與定量信息的融合處理輸出檢測結(jié)果。其中肉品顏色C、脂肪層厚度T、肌纖維形狀F、骨骼年齡Y為相關(guān)測量信息；相應(yīng)的權(quán)值；θ為閾值；稱為激發(fā)函數(shù)或作用函數(shù)，一般具有非線性特性，常見的激發(fā)函數(shù)有閾值型函數(shù)、飽和型函數(shù)、雙曲函數(shù)、S函數(shù)、高斯函數(shù)等[18]；R代表輸出結(jié)果。肉品顏色C脂肪層厚度T肌纖維形狀F骨骼年齡Y模糊化模糊化模糊化θR 瘦肉精快速測定信息融合處理過程(另起一頁，此說明打印時刪除)3. 肉品圖像特征選擇與提取對于圖像主要完成的是肌肉紅色度、脂肪層厚度以及肌纖維形狀三方面特征的選擇與提取，考慮到含有瘦肉精的豬肉樣品暫時難以獲得，本文首先研究如何對正常豬肉提取此三方面的特征。如果能夠?qū)φＸi肉準(zhǔn)確完成特征提取，對于問題豬肉進(jìn)行測量將只是結(jié)果數(shù)值上的不同，方法則是一樣的。最后要研究的也恰恰是兩種樣品在數(shù)值或者描述上的差異，從而為進(jìn)一步的信息融合做準(zhǔn)備?？紤]到MATLAB在數(shù)值分析方面的強(qiáng)大功能，而且其內(nèi)部集成實(shí)用的圖像處理工具箱，本文分析主要結(jié)合MATLAB [19]仿真實(shí)現(xiàn)。利用MATLAB友好的界面，對圖像進(jìn)行試驗(yàn)，該過程是一個互動的過程，通過反復(fù)地交互操作，找出與所選擇的原始特征相應(yīng)的抽象特征；當(dāng)結(jié)果滿足要求時，編制程序使得測量過程自動進(jìn)行。 基于計(jì)算機(jī)視覺的肉品顏色判定當(dāng)一幅數(shù)碼照片被MATLAB調(diào)入時，在工作空間里可以看到它的RGB矩陣，即關(guān)于圖像紅綠藍(lán)三色的一個三維數(shù)組，本文所有的分析也基于此。作肉品顏色判定實(shí)際上是對所得樣品各處肌肉的顏色給出一個定量指標(biāo)，利用RGB矩陣對顏色作分析是再自然不過的事情了。研究發(fā)現(xiàn)，對于判定肌肉紅色度這點(diǎn)來說，R通道是最主要的影響因素，其它的兩個通道在人肉眼見到的不同的紅色之間區(qū)別不是很明顯，執(zhí)行一條pixval命令后可以很容易看出。所以考慮從RGB矩陣中將R通道單獨(dú)提取出來作分析。關(guān)于RGB矩陣還要說明的一點(diǎn)是RGB值分別為0~255，都為0時，為黑色，都為255時，為白色。也就是說越靠近白色，R的值會越高，這個知識在下文的分析中會用到。 肉品原始圖像的R通道變換首先調(diào)入原始圖像。再從RGB數(shù)組中提取出R通道并顯示圖像及其灰度直方圖分布。圖像的灰度直方圖是一個一維離散函數(shù)： （）Sk是圖像f(x,y)的第k級灰度值，nk是f(x,y)中具有灰度值Sk的像素的個數(shù)，n是圖像中像素的總數(shù)。由定義式知，P(Sk)給出了對Sk出現(xiàn)概率的一個估計(jì)，所以直方圖表明了圖像中灰度值的分布情況。 原始豬肉彩色圖像 R通道豬肉灰度圖像 R通道豬肉灰度圖像直方圖，橫軸代表灰度值，縱軸代表像素?cái)?shù)目，觀察得知該圖像灰度主要集中在兩個區(qū)域，一塊是灰度值為5的附近，即背景區(qū)域；另一塊是100~255區(qū)域，此即豬肉對象所在區(qū)，前文已經(jīng)提到，越靠近白色，R的值也會越高，因?yàn)樨i肉中的肌肉呈紅色，而脂肪呈白色，所以整體對象都會落在R灰度值較高的區(qū)域中。其實(shí)，本文所使用的原始圖像背景最初不是黑色的，而是反光的白色鋼板背景，也就是說背景像素的R灰度值也有大部分是落在100~255對象所在區(qū)間；為了分析方便，在Photoshop里將其背景改換成為了黑色，通過直方圖可以看出，這樣對象與背景就截然分開了。但是這么做也沒有篡改課題，因?yàn)橐罁?jù)對儀器硬件結(jié)構(gòu)的構(gòu)想，必須將測量環(huán)境設(shè)置成一個封閉、穩(wěn)定的場所，光源的亮度、高度需要試驗(yàn)研究確定，測量環(huán)境的背景當(dāng)然也要研究對比后才做出選擇。既然如此，通過上面的分析完全有理由選擇黑色背景，從而輕易將背景與對象分離開來，使問題得以集中在對象內(nèi)部也即肌肉與脂肪的區(qū)分上，同時使測量精度無形中也得到了提高。前文雖然提到最大距離法可以較有效地將對象從背景中分離出來，但那是針對背景不可選擇而又復(fù)雜的情況，如果背景能夠自由設(shè)置，問題就簡單多了。接下來要做的就是專門提取出肌肉部分所在像素的R灰度值并對其作數(shù)值分析，所以首先要研究肌肉與脂肪部分像素的R灰度值落點(diǎn)分布。 脂肪與肌肉R通道的灰度像素點(diǎn)統(tǒng)計(jì)利用impixel命令可確定像素顏色值，它可以由用戶交互地選取當(dāng)前圖像上的點(diǎn)。單擊鼠標(biāo)左鍵可增加點(diǎn)，按下【Backspace】鍵或【Delete】鍵刪除前面選取的點(diǎn)，按下【Shift】鍵并單擊鼠標(biāo)左鍵、鼠標(biāo)右鍵或雙擊鼠標(biāo)左鍵可以確定終點(diǎn)，并將所有選擇點(diǎn)的RGB值在指定變量中列出。首先統(tǒng)計(jì)肌肉部分像素的R灰度值落點(diǎn)分布。，執(zhí)行impixel命令，利用鼠標(biāo)在所有肉眼感覺為紅色的區(qū)域單擊選擇點(diǎn)，盡可能保證單擊點(diǎn)數(shù)與所在肌肉面積成正比，單擊鼠標(biāo)右鍵完成選擇；之后對得到的變量提取R灰度值并作排序。按照相同的方法統(tǒng)計(jì)脂肪部分像素的R灰度值落點(diǎn)分布，不過這次選擇的是所有肉眼感覺為白色的區(qū)域。將以上兩部分所得到的變量分布利用坐標(biāo)圖像顯示出來，橫軸為經(jīng)過排序后的像素位次，縱軸表示像素的R灰度值，曲線Ⅰ為脂肪部分像素的R灰度值落點(diǎn)分布曲線，曲線Ⅱ?yàn)榧∪獠糠窒袼氐腞灰度值落點(diǎn)分布曲線。可以看出，兩曲線在R灰度值100~140坡度都很陡；在R灰度值140~200曲線Ⅰ有超過70%的點(diǎn)，曲線Ⅱ大約有20%的點(diǎn)；在R灰度值200~255曲線Ⅰ大約有15%的點(diǎn)，而曲線Ⅱ則有超過70%的點(diǎn)在這之間。以上分析表明，在R灰度值100~140之間，肌肉部分和脂肪部分的像素都較少；R灰度值140~200之間的點(diǎn)主要為肌肉部分像素，但是里面也有少量的脂肪部分像素；而R灰度值200~255之間則主要為脂肪部分的像素，不過也夾雜著一些肌肉部分的像素。所以，有必要專門對這三個區(qū)間進(jìn)行單獨(dú)分析。曲線Ⅰ 曲線Ⅱ脂肪肌肉 脂肪與肌肉部分像素的R灰度值落點(diǎn)分布曲線利用區(qū)域處理命令roicolor可以按指定的灰度范圍設(shè)定感興趣的區(qū)域，并作二值圖像顯示。例如，(I,100,140)可以選中所有R灰度值在100~140的區(qū)域，其中變量I為紅色分量所在的矩陣。，可以分析R灰度值在100~140之間像素的成因。 R灰度值100~140之間像素可以看出大約有三塊區(qū)域位于該區(qū)間，左上區(qū)域?yàn)檎从猩倭垦E的肌肉，右上區(qū)域?yàn)橐徊糠旨∪獾谋彻獠糠?，最下面的區(qū)域?yàn)橐徊糠种镜谋彻獠糠?。這表明對肌肉顏色分區(qū)間考慮的想法是有一定正確性的，如果在儀器設(shè)計(jì)時考慮好光照的均勻性，在樣品放入之前對肉品含有血跡的部分稍作擦拭，就可以盡量把這些受到干擾的像素都挪移到R灰度值在140以上的區(qū)域。用同樣的方法對R灰度值區(qū)間140~200和200~255作顯示。 R灰度值140~200之間像素 R灰度值200~255之間像素，上面的大塊區(qū)域即肌肉所在區(qū)，而下面的小塊區(qū)域則是一小條受光照影響以及沾有雜質(zhì)的脂肪。這同樣驗(yàn)證了區(qū)間理論，如果調(diào)節(jié)好光照并對肉品預(yù)先擦拭后再放入儀器，可以較有效地去掉脂肪部分對肌肉的影響，使得區(qū)間純凈。，最上面的一塊是受光照比較強(qiáng)的一部分肌肉；中間比較稀疏的一小塊則是肉品的大理紋區(qū)域，所謂的大理紋也即肌肉中稍沾白的部分，對于它暫時不能采取措施，因?yàn)檫@是肉品的正常現(xiàn)象；最下面的一部分則集中顯示了大部分的脂肪。還是假定在光照均勻的情況下，對分析將會更有利。從以上的分析得知，將肌肉部分所在的像素按R灰度值分區(qū)間考慮的想法是可行的。即使在光照不可調(diào)的情況下，只要不是光照質(zhì)量太差，仍然可以在選定區(qū)間內(nèi)得到大多肌肉部分所在像素的R灰度值，滿足一定的精度要求。根據(jù)前文的結(jié)果，把R灰度值140~200作為分析的主要區(qū)間。當(dāng)然區(qū)間的上下限值還得商榷，需要經(jīng)過多幅圖片綜合分析才能最終確定下來，以使最終的測量誤差降到最低。本文只是借此進(jìn)一步地討論方案的可行性。此外，還可以統(tǒng)計(jì)在R灰度值140~200大區(qū)間內(nèi)的各個小區(qū)間的比例，暫以10為步長，得到各小區(qū)間比例。其中橫軸6分別對應(yīng)R灰度值140~150、150~160、160~170、170~180、180~190、190~200小區(qū)間，縱軸表示小區(qū)間所占的比例。 紅色小區(qū)間比例柱狀圖。把R灰度值140~200區(qū)間定義為大部分肌肉所在區(qū)域稱為紅區(qū)，而把200~240之間定義為大部分脂肪所在區(qū)域稱為白區(qū)，兩者在180~20