CN103185731A - 基于彩色图像纹理特征的检测牛肉嫩度的装置及其方法 - Google Patents

Abstract

本发明涉及一种基于彩色图像纹理特征的检测牛肉嫩度的装置,包括灯箱、光照系统、拍摄系统、载物台和计算机；载物台安装在灯箱的底部，拍摄系统包括CCD数码照相机以及相机支架，CCD数码照相机固定在相机支架上，安装在灯箱顶部，CCD数码照相机的镜头对准载物台台面的中心，计算机与CCD数码照相机相连，光照系统包括日光灯照组件和卤素灯光源组件，日光灯照组件安装在载物台底部；卤素灯光源组件安装在灯箱顶部两侧。本发明通过纹理特征分析，获取牛肉样本图像，运用灰度共生矩阵、二维快速傅里叶变换、Gabor小波变换提取描述牛肉表面纹理特征参数，为嫩度预测模型提供特征参量，利用逐步回归与支持向量机对牛肉嫩度进行预测，预测准确率最高能达到100%。

Description

基于彩色图像纹理特征的检测牛肉嫩度的装置及其方法

技术领域

本发明涉及一种基于彩色图像纹理特征的检测牛肉嫩度的装置及其方法，属于农产品加工与检测研究领域。 

背景技术

肉类质量在全球已成为日益增长的研究课题。牛肉的品质是决定消费者购买意向和市场价格的主要因素，在牛肉的生产和流通过程中进行牛肉品质的及时检测和监控，对保障牛肉食品安全、促进牛肉生产及合理消费，具有十分重要的作用及意义。在肉类产业，对肉质量指标的量化一直是重要的研究课题。从竞争激烈的肉类工业的角度来说，持续向消费者供应质量等级优异的肉类产品是广大肉类企业赖以生存的基本要素。影响肉类质量的主要指标有：颜色、嫩度、纹理、风味、含水量以及多汁性，其中牛肉的嫩度是决定牛肉质量的最主要因素。目前，牛肉嫩度的检测方法主要有感观评定法和剪切力测定法，前者是通过人工评尝方式决定肉的嫩度，后者则根据牛肉的WBSF值来决定牛肉的嫩度。人工评尝是一种主观的评定方法，评定人员需经过专门的培训，评定过程耗时、耗力，评定结果主观性强、重复性差；剪切力测定的方法所得出的结果尽管客观、准确，但其过程繁琐、复杂，检测效率低下，根本无法满足牛肉品质的现场检测和在线检测要求。因此，有必要对牛肉品质检测方法和技术进行深入研究，以期开发一种高效、快速的牛肉品质检测技术，实现对牛肉品质的无损在线检测。 

机器视觉，融合了计算机、信息及数字图象处理等现代技术，不仅可以代替人类的部分视觉活动，而且具有比人类视觉更敏锐的辨别力，观测到人类视觉所不及的细节，获得更多的视觉信息。通过区域分割、数字运算等技术手段，可以利用机器视觉对观测对象的主要特征进行定量分析。将机器视觉技术应用于农产品加工与检测领域，在以美国、日本为代表的发达国家己经比较普遍，理论水平与实践能力都要明显强于我国。机器视觉，融合了计算机、信息及数字图象处理 等现代技术，不仅可以代替人类的部分视觉活动，而且具有比人类视觉更敏锐的辨别力，观测到人类视觉所不及的细节，从而获得更多的视觉信息。通过识别（Pattern recognition）、分割（Image segmentation）及二值化（Threshholding）等数字图像处理方法，机器视觉可以用来对观测对象的主要特征进行定量分析与描述，这在农业和食品质量检测方面，已有大量的研究及应用报道。 

牛肉图像的纹理特征在分析中起着十分重要的作用。通过使用计算机视觉技术，从不同嫩度等级的牛肉图像中提取出来的纹理特征参数可以将牛肉纤维的尺寸、排列等显著影响牛肉质地和嫩度的指标准确的反映出来。计算机视觉技术的检测准确性比人工判定高，同时测定数据客观稳定，非常适用于牛肉嫩度的自动分级。 

发明内容

本发明所要解决的技术问题是提供一种基于彩色图像纹理特征的的牛肉嫩度检测方法，为客观检测牛肉嫩度指标提供科学的决策依据，这有助于在线检测牛肉质量与实现牛肉自动分级系统。 

为解决上述技术问题，本发明的主要技术内容如下： 

一种基于彩色图像纹理特征的检测牛肉嫩度的装置,包括灯箱、光照系统、拍摄系统、载物台和计算机；所述载物台安装在灯箱的底部，所述拍摄系统包括CCD数码照相机以及相机支架，所述CCD数码照相机固定在相机支架上，安装在灯箱顶部，所述CCD数码照相机的镜头对准载物台台面的中心，所述计算机与CCD数码照相机相连，用于处理存储采集到的彩色图像，所述光照系统包括日光灯照组件和卤素灯光源组件，所述日光灯照组件安装在载物台底部，用于模拟自然光；所述卤素灯光源组件安装在灯箱顶部两侧，用于辅助光源。 

上述载物台是活动安装在灯箱底部，可自由取出。 

上述日光灯照组件包括两个50W的日光灯管。 

上述两个50W的日光灯管分别安装在载物台底部两侧。 

上述灯箱顶部两侧开设两个圆形孔，用于卤素灯光源组件插入。 

一种基于彩色图像纹理特征的检测牛肉嫩度的方法，包括以下步 骤： 

（1）、利用基于彩色图像纹理特征的检测牛肉嫩度的装置，取得黑色背景的牛肉样本彩色图像； 

（2）、进行图像分割与图像处理，得到信息完整的牛肉肌肉区域图像； 

（3）、利用灰度共生矩阵，二维快速傅立叶变换，Gabor小波变换的三种纹理特征提取方法，提取出图像217个纹理特征参数； 

（4）、建立逐步回归与支持向量机嫩度预测模型，分别对嫩，老牛肉进行模型建立与模型检验，而后进行模型结果比较。 

上述步骤（2）中图像分割和图像处理包括以下步骤： 

（a）、将图像转化到灰度； 

（b）、通过进行灰度阈值选取对图像进行分割，然后得到肌肉部位的区域二值化图像； 

（c）、得到的肌肉部位的二值化图像和输入原始黑色背景的牛肉样本的灰度图像相乘，得到信息完整牛肉肌肉区域图像，图像大小统一截为128×128像素。 

上述步骤（3）中灰度共生矩阵法提取了四个方向88个纹理特征，所述特征的详细表述与计算公式如下： 

设f(x,y)为一幅二维数字图象，其大小为M×N，灰度级别为0-n，其灰度共生矩阵为p(i,j)； 

F1能量: 

∑_i∑_jp(i，j)²       (式一) 

其中i、j分别表示矩阵中的横与列； 

F2熵: 

-∑_i∑_jp(i，j)log(p(i,j))   (式二) 

其中i、j分别表示矩阵中的横与列； 

F3相异点: 

∑_i∑_jn^kp(i，j)，|i-j|＝n   (式三) 

其中,i、j分别表示矩阵中的横与列，k=1和i≠j；n为灰度级； 

F4对比度: 

$\underset{i=0}{\overset{n}{\mathrm{\Σ}}}\underset{j=0}{\overset{n}{\mathrm{\Σ}}}{(i-j)}^{2}p(i,j)$     (式四) 

其中,i、j分别表示矩阵中的横与列，n为灰度级； 

F5逆差异: 

${\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\frac{p(i,j)}{1+n},|i-j|=n$     (式五) 

其中,i、j分别表示矩阵中的横与列，n为灰度级； 

F6相关性: 

$\frac{{\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\left(\mathrm{ij}\right)p(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}$    (式六) 

其中i、j分别表示矩阵中的横与列，μ_x,μ_y，σ_x,σ_y是p_x和p_y的均值和标准偏差； 

F7同质性: 

${\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\frac{1}{1+{(i-\mathrm{\μ})}^2}p(i,j)$      (式七) 

其中i、j分别表示矩阵中的横与列，μ为均值； 

F8自相关: 

$\frac{{\mathrm{\Σ}}_i{\mathrm{\Σ}}_j(i,j)p(i,j)-{{\mathrm{\μ}}_t}^2}{{{\mathrm{\σ}}_t}^2}$       (式八) 

其中i、j分别表示矩阵中的横与列，μ_t和σ_t列或者行向量的均值或标准偏差； 

F9集束群: 

${\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=1}^n{\{i+j-{\mathrm{\μ}}_x-{\mathrm{\μ}}_y\}}^3\×p(i,j)$    (式九) 

其中i、j分别表示矩阵中的横与列，μ_x,μ_y是p_x和p_y的均值；n为灰度级； 

F10集束显著性: 

${\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=1}^n{\{i+j-{\mathrm{\μ}}_x-{\mathrm{\μ}}_y\}}^4\×p(i,j)$     (式十) 

其中i、j分别表示矩阵中的横与列，μ_x,μ_y是p_x和p_y的均值；n为灰度级； 

F11最大概率: 

maxp(i,j)    (式十一) 

其中i、j分别表示矩阵中的横与列； 

F12平方和: 

∑_i∑_j(i-μ)²p(i，j)    (式十二) 

其中i、j分别表示矩阵中的横与列，μ为均值； 

F13均方和: 

${\mathrm{\Σ}}_{i=2}^{2n}{\mathrm{iP}}_x{+}_y\left(i\right)$     (式十三) 

其中i表示矩阵中的横，x和y是坐标系中列或者行共生矩阵的起点；n为灰度级； 

F14和方差: 

${\mathrm{\Σ}}_{i=2}^{2n}{(i-f_8)}^2{P}_x{+}_y\left(i\right)$       (式十四) 

其中i表示矩阵中的横，x和y是坐标系中列或者行共生矩阵的起点,f₈见F15；n为灰度级； 

F15和熵: 

$-{\mathrm{\Σ}}_{i=2}^{2n}{P}_x{+}_y\left(i\right)\log \left\{P_x{+}_y\left(i\right)\right\}=f_8$    (式十五) 

其中i表示矩阵中的横，x和y是坐标系中列或者行共生矩阵的起点；n为灰度级； 

F16差方差: 

${\mathrm{\Σ}}_{i=0}^{n-1}{i}^2{P}_x{-}_y\left(i\right)$    (式十六) 

其中i表示矩阵中的横，x和y是坐标系中列或者行共生矩阵的起点；n为灰度级； 

F17差熵: 

$-{\mathrm{\Σ}}_{i=0}^{n-1}{P}_x{-}_y\left(i\right)\log \left\{P_x{-}_y\left(i\right)\right\}$     (式十七) 

其中i表示矩阵中的横，x和y是坐标系中列或者行共生矩阵的起点；n为灰度级； 

F18相关性决定性(1): 

$\frac{\mathrm{HXY}-\mathrm{HXY}}{\max \{\mathrm{HX},\mathrm{HY}\}}$    (式十八) 

其中HXY=-∑_i∑_jp(i,j)log(p(i，j)),HX,HY是P_x和P_y的熵； 

F19相关性决定性(2): 

${(1-\exp [-2(\mathrm{HXY}2-\mathrm{HXY})\left]\right)}^{\frac{1}{2}}$     (式十九) 

其中HXY=-∑_i∑_jp(i,j)log(p(i,j)),HX,HY是P_x和P_y的熵, 

HXY2=-∑_i∑_jp_x(i)p_y(j)log{p_x(i),p_y(j)}； 

F20相关最大系数: 

$Q(i,j)={\mathrm{\Σ}}_k\frac{p(i,k)p(j,k)}{p_x\left(i\right)p_y\left(k\right)}$     (式二十) 

其中i、j分别表示矩阵中的横与列，k=1； 

F21逆差异归一值(INN): 

${\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\frac{1}{1+\frac{(i-j)}{\mathrm{\σ}}}p(i,j)$     (式二十一) 

其中i、j分别表示矩阵中的横与列，σ为标准方差； 

F22逆差矩归一值(IDN): 

${\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\frac{1}{1+\frac{{(i-j)}^2}{{\mathrm{\σ}}^2}}p(i,j)$    (式二十二) 

其中i、j分别表示矩阵中的横与列，σ为标准方差。 

上述步骤（3）中二维快速傅立叶变换法提取了81个二维傅立叶频域特征，其具体离散特征表示如下， 

一幅M×N图像的函数f(x,y)二维离散傅里叶变换如下所示，x和y是离散实变量，u和v为离散频率变量； 

$F(u,v)=\frac{1}{\mathrm{MN}}\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}f(x,y)e^{[-j2\mathrm{\π}(\frac{\mathrm{ux}}{M}+\frac{\mathrm{vy}}{N})]}$

式中：u＝0,1,2,…,M-1，v＝0,1,2,…,N-1； 

逆变换公式如下所示： 

$F(u,v)=\underset{u=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}f(u,v)e^{[-j2\mathrm{\π}(\frac{\mathrm{ux}}{M}+\frac{\mathrm{vy}}{N})]}$

式中：u＝0,1,2,…,M-1，v＝0,1,2,…,N-1； 

$F(x,y)=\underset{u=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{v=0}{\overset{N-1}{\mathrm{\Σ}}}f(u,v)e^{\left[j2\mathrm{\π}(\frac{\mathrm{ux}}{M}+\frac{\mathrm{vy}}{N})\right]}$

式中：x＝0,1,2,…,M-1；y＝0,1,2,…,N-1； 

二维离散函数傅里叶变换具有共轭对称性，如以下所示， 

|F(u,v)|＝|F(u,v)| 

根据二维快速傅立叶变换共轭对称性，选取l×l的二维对数频谱窗口数据log[F(u,v)](l＝1,2,…,9)来描述牛肉纹理特征，窗口左上角始终 为二维傅里叶频谱中心，即牛肉纹理特征可以表示为 

p＝l×l为牛肉纹理的特征个数，[x]_i为牛肉样本纹理第i个特征的频谱数据，T为维数；从计算量与实际试验考虑，选取9×9，共81个牛肉样本傅立叶频谱纹理特征。 

上述步骤（3）中Gabor小波变换法提取了48个纹理特征，其具体实现方式如下所示： 

（a）、Gabor滤波器的设计 

Gabor小波的非正交意味着在滤波的图像中存在着冗余信息，为了减少冗余，中心频率范围为U_l和U_h，k表示方向数，s表示尺度数，在多分辨分解中，设计的策略就是确保多通道滤波；由下面的公式计算，并分别用a，σ_u，σ_v来表示通道滤波： 

$a={(U_h/U_l)}^{\frac{1}{S-1}},$ ${\mathrm{\σ}}_u=\frac{(a-1)U_h}{(a+1){\sqrt{2\ln 2}}^{\′}},$

${\mathrm{\σ}}_v=\tan \left(\frac{\mathrm{\π}}{2k}\right)[U_h-2\ln \left(\frac{{{2\mathrm{\σ}}_u}^2}{U_h}\right)]{[2\ln 2-\frac{{\left(2\ln 2\right)}^2{{\mathrm{\σ}}_u}^2}{{U_h}^2}]}^{-\frac{1}{2}},$

其中m＝0,1,…,S-1；n＝0,1,…,S-1；u，v为空间频率变量； 

（b)、Gabor纹理特征值提取 

给出图像I(x,y),它的Gabor小波变换定义为 

W_mn(x,y)＝∫I(x₁,y₁)g_mn*(x-x₁，y-y₁)dxdy， 

W_mn代表小波变换后的图像，*表示复共轭，g_mn代表小波变换函数，xy，x₁,y₁分别代表图像某点横竖坐标； 

其中g_mn(x,y)＝a^-mg(x',y'),a＞1;m＝0,1,…,S-1；n＝0,1,…,S-1 

x'＝a^-m(xcosθ+ysinθ),和y'＝a^-m(-xsinθ+ycosθ)； 

用Gabor小波变换系数的模的平均值μ_mn和其标准方差σ_mn来表示抽取的灰度图像目标的特征，即： 

μ_mn＝∫∫|W_mn(xy)|dxdy，和 ${\mathrm{\σ}}_{\mathrm{mn}}=\sqrt{{\∫\∫\left(\right|W_{\mathrm{mn}}(x,y)|-{\mathrm{\μ}}_{\mathrm{mn}})}^2\mathrm{dxdy}};$

因此特征向量用μ_mn和σ_mn来构建，系统中运用s=4和k=6组成的特征向量为 

$\stackrel{\‾}{f}=[{\mathrm{\μ}}_{00}{\mathrm{\σ}}_{00}{\mathrm{\μ}}_{01}\·\·\·{\mathrm{\μ}}_{35}{\mathrm{\σ}}_{35}]$ ＝[μ00σ00μ01…μ35σ35] 

运用设计的Gabor滤波器，平均值μ_mn和其标准方差σ_mn求出了特征向量，每一幅128×128×8bit的牛肉图像目标的纹理特征向量为24×2=48个。 

上述步骤（4）中的逐步回归预测模型的具体实现步骤如下： 

（a）、根据牛肉实际嫩度检测值对牛肉样本进行标签分类，分为预测集和测试集； 

（b）、根据预测集样本的217个纹理特征值建立逐步回归模型； 

（c）、将测试集样本代入建好的逐步回归预测模型； 

（d）、将逐步回归预测模型结果与实际测试嫩度结果进行比较，得出预测准确率。 

上述步骤（4）中的支持向量机预测模型的具体实现步骤如下： 

（a）、根据牛肉实际嫩度检测值对牛肉样本进行标签分类，分为预测集和测试集； 

（b）、根据预测集样本的217个纹理特征值建立支持向量机模型； 

（c）、选取支持向量机惩罚系数与核函数参数； 

（d）、将测试集样本代入建好的支持向量机预测模型； 

（e）、将支持向量机预测模型结果与实际测试嫩度结果进行比较，得出预测准确率。 

借由上述技术方案，本发明至少具有下列优点： 

本发明通过纹理特征分析，获取128×128牛肉样本图像，运用灰度共生矩阵、二维快速傅里叶变换、Gabor小波变换提取描述牛肉 表面纹理特征参数，为嫩度预测模型提供特征参量，利用逐步回归与支持向量机对牛肉嫩度进行预测，预测准确率最高能达到100%。能准确预测牛肉嫩度，这有助于工业生产中在线检测牛肉嫩度以及后续牛肉质量自动分级打下基础。 

本发明的具体实施方式由以下实施例及其附图详细给出。 

附图说明

图1为本发明装置的结构示意图； 

图2为牛肉样本彩色图片肌肉部位图像处理原始示意图； 

图3为牛肉样本彩色图片肌肉部位图像处理结果示意图； 

图4为本发明的方法流程图。 

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的其具体实施方式、结构、特征及其功效，详细说明如后。 

如图1所示，一种基于彩色图像纹理特征的检测牛肉嫩度的装置,包括灯箱1、光照系统、拍摄系统、载物台2和计算机3；载物台2安装在灯箱1的底部，拍摄系统包括CCD数码照相机4以及相机支架5，CCD数码照相机4固定在相机支架5上，安装在灯箱1顶部，CCD数码照相机4的镜头对准载物台2台面的中心，计算机3与CCD数码照相机4相连，用于处理存储采集到的彩色图像，光照系统包括日光灯照组件6和卤素灯光源组件7，日光灯照组件6安装在载物台底部，用于模拟自然光；卤素灯光源组件7安装在灯箱顶部两侧，用于辅助光源。 

作为优选方案，载物台2是活动安装在灯箱1底部，可自由取出。 

作为优选方案，日光灯照组件6包括两个50W的日光灯管。 

作为优选方案，两个50W的日光灯管分别安装在载物台2底部两侧。 

作为优选方案，灯箱1顶部两侧开设两个圆形孔，用于卤素灯光源组件7插入。 

如图2、图3、图4所示，一种基于彩色图像纹理特征的检测牛肉嫩度的方法，包括以下步骤： 

（1）、利用基于彩色图像纹理特征的检测牛肉嫩度的装置，取得黑色背景的牛肉样本彩色图像； 

（2）、进行图像分割与图像处理，得到信息完整的牛肉肌肉区域图像； 

（3）、利用灰度共生矩阵，二维快速傅立叶变换，Gabor小波变换的三种纹理特征提取方法，提取出图像217个纹理特征参数； 

（4）、建立逐步回归与支持向量机嫩度预测模型，分别对嫩，老牛肉进行模型建立与模型检验，而后进行模型结果比较。 

上述步骤（2）中包括以下步骤： 

（a）、将图像转化到灰度； 

（b）、通过进行灰度阈值选取对图像进行分割，然后得到肌肉部位的区域二值化图像； 

（c）、得到的肌肉部位的二值化图像和输入原始黑色背景的牛肉样本的灰度图像相乘，得到信息完整牛肉肌肉区域图像，图像大小统一截为128×128像素。 

上述步骤（3）中灰度共生矩阵法提取了四个方向88个纹理特征，由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。灰度直方图是对图像上单个象素具有某个灰度进行统计的结果，而灰度共生矩阵是对图像上保持某距离的两象素分别具有某灰度的状况进行统计得到的。 

取图像(M×N)中任意一点（x，y）及偏离它的另一点（x+a，y+b），设该点对的灰度值为（g1，g2）。令点（x，y）在整个画面上移动，则会得到各种（g1，g2）值，设灰度值的级数为k，则（g1，g2）的组合共有k的平方种。对于整个画面，统计出每一种（g1，g2）值出现的次数，然后排列成一个方阵，再用（g1，g2）出现的 总次数将它们归一化为出现的概率P（g1，g2），这样的方阵称为灰度共生矩阵。距离差分值（a，b）取不同的数值组合，可以得到不同情况下的联合概率矩阵。（a，b）取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取（1，0）、（1，1）、（2，0）等小的差分值。 

当a=1，b=0时，像素对是水平的，即0度扫描；当a=0，b=1时，像素对是垂直的，即90度扫描；当a=1，b=1时，像素对是右对角线的，即45度扫描；当a=-1，b=1时，像素对是左对角线，即135度扫描。 

这样，两个象素灰度级同时发生的概率，就将（x，y）的空间坐标转化为“灰度对”（g1，g2）的描述，形成了灰度共生矩阵。 

本系统对图像利用灰度共生矩阵方法基础上进行改进提高，共提取了四个方向（0°，45°，90°，135°）上22×4共88个牛肉纹理灰度共生矩阵特征。详细特征表述与计算公式如下所示： 

设f(x,y)为一幅二维数字图象，其大小为M×N，灰度级别为0-n，其灰度共生矩阵为p(i,j)； 

F1能量: 

∑_i∑_jp(i，j)²    (式一) 

其中i、j分别表示矩阵中的横与列； 

F2熵: 

-∑_i∑_jp(i，j)log(p(i,j))    (式二) 

其中i、j分别表示矩阵中的横与列； 

F3相异点: 

∑_i∑_jn^kp(i，j)，|i-j|＝n    (式三) 

其中,i、j分别表示矩阵中的横与列，k=1和i≠j；n为灰度级； 

F4对比度: 

$\underset{i=0}{\overset{n}{\mathrm{\Σ}}}\underset{j=0}{\overset{n}{\mathrm{\Σ}}}{(i-j)}^{2}p(i,j)$    (式四) 

其中,i、j分别表示矩阵中的横与列，n为灰度级； 

F5逆差异: 

${\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\frac{p(i,j)}{1+n},|i-j|=n$    (式五) 

其中,i、j分别表示矩阵中的横与列，n为灰度级； 

F6相关性: 

$\frac{{\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\left(\mathrm{ij}\right)p(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}$     (式六) 

其中i、j分别表示矩阵中的横与列，μ_x,μ_y,σ_x,σ_y是p_x和p_y的均值和标准偏差； 

F7同质性: 

${\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\frac{1}{1+{(i-\mathrm{\μ})}^2}p(i,j)$     (式七) 

其中i、j分别表示矩阵中的横与列，μ为均值； 

F8自相关: 

$\frac{{\mathrm{\Σ}}_i{\mathrm{\Σ}}_j(i,j)p(i,j)-{{\mathrm{\μ}}_t}^2}{{{\mathrm{\σ}}_t}^2}$    (式八) 

其中i、j分别表示矩阵中的横与列，μ_t和σ_t列或者行向量的均值或标准偏差； 

F9集束群: 

${\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=1}^n{\{i+j-{\mathrm{\μ}}_x-{\mathrm{\μ}}_y\}}^3\×p(i,j)$     (式九) 

其中i、j分别表示矩阵中的横与列，μ_x,μ_y是p_x和p_y的均值；n为灰度级； 

F10集束显著性: 

${\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=1}^n{\{i+j-{\mathrm{\μ}}_x-{\mathrm{\μ}}_y\}}^4\×p(i,j)$     (式十) 

其中i、j分别表示矩阵中的横与列，μ_x,μ_y是p_x和p_y的均值；n为灰度级； 

F11最大概率: 

maxp(i,j)    (式十一) 

其中i、j分别表示矩阵中的横与列； 

F12平方和: 

∑_i∑_j(i-μ)²p(i,j)   (式十二) 

其中i、j分别表示矩阵中的横与列，μ为均值； 

F13均方和: 

${\mathrm{\Σ}}_{i=2}^{2n}{\mathrm{iP}}_x{+}_y\left(i\right)$     (式十三) 

其中i表示矩阵中的横，x和y是坐标系中列或者行共生矩阵的起点；n为灰度级； 

F14和方差: 

${\mathrm{\Σ}}_{i=2}^{2n}{(i-f_8)}^2{P}_x{+}_y\left(i\right)$     (式十四) 

其中i表示矩阵中的横，x和y是坐标系中列或者行共生矩阵的起点,f₈见F15；n为灰度级； 

F15和熵: 

$-{\mathrm{\Σ}}_{i=2}^{2n}{P}_x{+}_y\left(i\right)\log \left\{P_x{+}_y\left(i\right)\right\}=f_8$     (式十五) 

其中i表示矩阵中的横，x和y是坐标系中列或者行共生矩阵的起点；n为灰度级； 

F16差方差: 

${\mathrm{\Σ}}_{i=0}^{n-1}{i}^2{P}_x{-}_y\left(i\right)$     (式十六) 

其中i表示矩阵中的横，x和y是坐标系中列或者行共生矩阵的起点；n为灰度级； 

F17差熵: 

$-{\mathrm{\Σ}}_{i=0}^{n-1}{P}_x{-}_y\left(i\right)\log \left\{P_x{-}_y\left(i\right)\right\}$    (式十七) 

其中i表示矩阵中的横，x和y是坐标系中列或者行共生矩阵的起点；n为灰度级； 

F18相关性决定性(1): 

$\frac{\mathrm{HXY}-\mathrm{HXY}}{\max \{\mathrm{HX},\mathrm{HY}\}}$    (式十八) 

其中HXY=-∑_i∑_jp(i,j)log(p(i,j)),HX,HY是P_x和P_y的熵； 

F19相关性决定性(2): 

${(1-\exp [-2(\mathrm{HXY}2-\mathrm{HXY})\left]\right)}^{\frac{1}{2}}$     (式十九) 

其中HXY=-∑_i∑_jp(i,j)log(p(i，j)),HX,HY是P_x和P_y的熵, 

HXY2=-∑_i∑_jp_x(i)p_y(j)log{p_x(i),p_y(j)}； 

F20相关最大系数: 

$Q(i,j)={\mathrm{\Σ}}_k\frac{p(i,k)p(j,k)}{p_x\left(i\right)p_y\left(k\right)}$     (式二十) 

其中i、j分别表示矩阵中的横与列，k=1； 

F21逆差异归一值(INN): 

${\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\frac{1}{1+\frac{(i-j)}{\mathrm{\σ}}}p(i,j)$     (式二十一) 

其中i、j分别表示矩阵中的横与列，σ为标准方差； 

F22逆差矩归一值(IDN): 

${\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\frac{1}{1+\frac{{(i-j)}^2}{{\mathrm{\σ}}^2}}p(i,j)$     (式二十二) 

其中i、j分别表示矩阵中的横与列，σ为标准方差。 

上述步骤（3）中二维快速傅立叶变换法提取了81个二维傅立叶频域特征，傅立叶变换被广泛地应用在图像处理领域，被人们称为图像的第2种语言。本系统利用傅立叶变换的频域特性，提出了基于二维傅立叶频域窗口变换的牛肉图像纹理特征。 

一幅M×N图像的函数f(x,y)二维离散傅里叶变换如下所示，x和y是离散实变量，u和v为离散频率变量； 

$F(u,v)=\frac{1}{\mathrm{MN}}\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}f(x,y)e^{[-j2\mathrm{\π}(\frac{\mathrm{ux}}{M}+\frac{\mathrm{vy}}{N})]}$

式中：u＝0,1,2,…,M-1，v＝0,1,2,…,N-1； 

逆变换公式如下所示： 

$F(u,v)=\underset{u=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}f(u,v)e^{[-j2\mathrm{\π}(\frac{\mathrm{ux}}{M}+\frac{\mathrm{vy}}{N})]}$

式中：u＝0,1,2,…,M-1，v＝0,1,2,…,N-1； 

$F(x,y)=\underset{u=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{v=0}{\overset{N-1}{\mathrm{\Σ}}}f(u,v)e^{\left[j2\mathrm{\π}(\frac{\mathrm{ux}}{M}+\frac{\mathrm{vy}}{N})\right]}$

式中：x＝0,1,2,…,M-1；y＝0,1,2,…,N-1； 

显示图像的傅里叶频谱时，其动态范围超过显示设备的显示能力，要对原图像的动态范围进行压缩，最常用的方法是借助对数形式对动态范围进行调整。 

二维离散函数傅里叶变换具有共轭对称性，如以下所示， 

|F(u,v)|＝|F(u,v)| 

根据二维快速傅立叶变换共轭对称性，选取l×l的二维对数频谱 窗口数据log[F(u,v)](l＝1,2,…,9)来描述牛肉纹理特征，窗口左上角始终为二维傅里叶频谱中心，即牛肉纹理特征可以表示为 

p＝l×l为牛肉纹理的特征个数，[x]_i为牛肉样本纹理第i个特征的频谱数据，T为维数；从计算量与实际试验考虑，选取9×9，共81个牛肉样本傅立叶频谱纹理特征。 

上述步骤（3）中Gabor小波变换法提取了48个纹理特征。 

Gabor小波变换是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的时间一频率窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，因此，小波变换在许多领域都得到了成功的应用，特别是小波变换的离散数字算法已被广泛用于许多问题的变换研究中。Gabor小波变换在分析数字图像中局部区域的频率和方向信息具有优异的性能，在计算机视觉和纹理分割中已经得到了广泛的应用 

本发明第三种牛肉纹理提取方法是基于Gabor滤波器算法，对牛肉图像进行识别。Gabor小波滤波器中心频率是一个从低到高的范围，滤波器采用6方向、4尺度，保证了多通道滤波，用Gabor小波变换系数的模的平均值和其标准方差来表示抽取的牛肉图像目标的纹理特征。其具体实现方式如下所示： 

（a）、Gabor滤波器的设计 

Gabor小波的非正交意味着在滤波的图像中存在着冗余信息，为了减少冗余，中心频率范围为U_l和U_h，k表示方向数，s表示尺度数，在多分辨分解中，设计的策略就是确保多通道滤波；由下面的公式计算，并分别用a，σ_u，σ_v来表示通道滤波： 

$a={(U_h/U_l)}^{\frac{1}{S-1}},$ ${\mathrm{\σ}}_u=\frac{(a-1)U_h}{(a+1){\sqrt{2\ln 2}}^{\′}},$

${\mathrm{\σ}}_v=\tan \left(\frac{\mathrm{\π}}{2k}\right)[U_h-2\ln \left(\frac{{{2\mathrm{\σ}}_u}^2}{U_h}\right)]{[2\ln 2-\frac{{\left(2\ln 2\right)}^2{{\mathrm{\σ}}_u}^2}{{U_h}^2}]}^{-\frac{1}{2}},$

其中m＝0,1,…,S-1；n＝0,1,…,S-1；u，v为空间频率变量； 

（b)、Gabor纹理特征值提取 

给出图像I(x,y),它的Gabor小波变换定义为 

W_mn(x,y)＝∫I(x₁,y₁)g_mn*(x-x₁,y-y₁)dxdy， 

W_mn代表小波变换后的图像，*表示复共轭，g_mn代表小波变换函数，xy，x₁,y₁分别代表图像某点横竖坐标； 

其中g_mn(x,y)＝a^-mg(x',y'),a＞1;m＝0,1,…,S-1；n＝0,1,…,S-1 

x'＝a^-m(xcosθ+ysinθ),和y'＝a^-m(-xsinθ+ycosθ)； 

用Gabor小波变换系数的模的平均值μ_mn和其标准方差σ_mn来表示抽取的灰度图像目标的特征，即： 

μ_mn＝∫∫|W_mn(xy)|dxdy，和 ${\mathrm{\σ}}_{\mathrm{mn}}=\sqrt{{\∫\∫\left(\right|W_{\mathrm{mn}}(x,y)|-{\mathrm{\μ}}_{\mathrm{mn}})}^2\mathrm{dxdy}};$

因此特征向量用μ_mn和σ_mn来构建，系统中运用s=4和k=6组成的特征向量为 

$\stackrel{\‾}{f}=[{\mathrm{\μ}}_{00}{\mathrm{\σ}}_{00}{\mathrm{\μ}}_{01}\·\·\·{\mathrm{\μ}}_{35}{\mathrm{\σ}}_{35}]$

运用设计的Gabor滤波器，平均值μ_mn和其标准方差σ_mn求出了特征向量，每一幅128×128×8bit的牛肉图像目标的纹理特征向量为24×2=48个。 

本系统根据217个纹理特征值建立2个不同的嫩度预测模型，分别是逐步回归预测模型与支持向量机预测模型。 

逐步回归分析的实施过程是每一步都要对已引入回归方程的牛肉图像纹理特征变量计算其偏回归平方和（即贡献），然后选一个偏 回归平方和最小的牛肉图像纹理特征变量，在预先给定的水平下进行显著性检验，若显著则该牛肉图像纹理特征变量不必从回归方程中剔除，这时方程中其他几个牛肉图像纹理特征变量也都不需要剔除（因为其他几个牛肉图像纹理特征变量的偏回归平方和都大于最小的一个更不需要剔除）。相反，如果不显著，则该牛肉图像纹理特征变量需要剔除，然后按偏回归平方和由小到大地依次对方程中其他牛肉图像纹理特征变量进行检验。将对影响不显著的牛肉图像纹理特征变量全部剔除，保留的都是显著的。接着再对未引入回归方程中的牛肉图像纹理特征变量分别计算其偏回归平方和，并选其中偏回归方程和最大的一个牛肉图像纹理特征变量，同样在给定水平下作显著性检验，如果显著则将该牛肉图像纹理特征变量引入回归方程，这一过程一直持续下去，直到在回归方程中的牛肉图像纹理特征变量都不能剔除而又无新牛肉图像纹理特征变量可以引入时为止，这时逐步回归过程结束。具体实现步骤如下： 

（a）、根据牛肉实际嫩度检测值对牛肉样本进行标签分类，分为预测集和测试集； 

（b）、根据预测集样本的217个纹理特征值建立逐步回归模型； 

（c）、将测试集样本代入建好的逐步回归预测模型； 

（d）、将逐步回归预测模型结果与实际测试嫩度结果进行比较，得出预测准确率。 

支持向量机（Support Vector Machine，SVM）在上世纪90年代中期，作为一种新的模式识别方法--基于统计学习理论下被提出，这种新型分类方法在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。SVM的核心思想是:通过引入核函数,将在输入空间线性不可分样本,映射到高维特征空间,达到线性可分或者近似线性可分。 

支持向量机具有以下优点： 

（1）基于结构风险最小化（SRM，Structural Risk Minimization）原则，具有良好的泛化能力； 

（2）算法最终将转化成一个凸优化问题，保证了算法的全局最优性，解决了神经网络无法避免的局部最小问题； 

（3）应用核技术，将输入空间中的非线性问题，通过非线性函数映射到高维特征空间中，在高维空间中构造线性判别函数； 

（4）具有严格的理论和数学基础，避免了神经网络实现中的经验成分； 

（5）其算法复杂度与样本维数无关。 

SVM在应用于解决实际问题中时,核函数及其参数的选取是一个关键,,核函数及其参数选择的好坏直接影响SVM分类器性能的优劣,因此如何选择核函数及其参数就成为研究SVM的一个重要方面。使用径向基（RBF）核函数需要确定两个结构参数：惩罚系数C和核参数σ。这两个参数对支持向量机的性能影响比较复杂，与具体的应用密切相关，但目前并没有统一的方法指导我们去选择支持向量机中的惩罚系数C和径向基函数参数σ的取值。本系统自行研制并编写了一套自动计算并提取惩罚系数C和径向基函数参数σ的方法，能够求出对模型预测率最佳的惩罚系数C和径向基函数参数σ值。具体实施步骤是划定惩罚系数C和径向基函数参数σ的范围，依次将划定范围内的值带入支持向量机系统进行检验，直到得出最佳预测结果为止。 

支持向量机预测模型的具体实现步骤如下： 

（a）、根据牛肉实际嫩度检测值对牛肉样本进行标签分类，分为预测集和测试集； 

（b）、根据预测集样本的217个纹理特征值建立支持向量机模型； 

（c）、选取支持向量机惩罚系数与核函数参数； 

（d）、将测试集样本代入建好的支持向量机预测模型； 

（e）、将支持向量机预测模型结果与实际测试嫩度结果进行比较，得出预测准确率。 

本系统分别用逐步回归与支持向量机对牛肉样本的纹理特征之进行了分类预测，结果表明：对牛肉样本进行彩色图片采集的情况下，支持向量机对嫩牛肉的样本识别率能达到100%，逐步回归模型对牛 肉嫩度的最佳预测率也达到94%。所以，通过本发明所采取的基于彩色图像纹理特征的检测牛肉嫩度的装置及其方法，可以对牛肉样本进行有效的在线嫩度预测，并为以后牛肉在线质量检测系统打下基础。 

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。 

Claims (12)

1.一种基于彩色图像纹理特征的检测牛肉嫩度的装置,其特征在于：包括灯箱、光照系统、拍摄系统、载物台和计算机；所述载物台安装在灯箱的底部，所述拍摄系统包括CCD数码照相机以及相机支架，所述CCD数码照相机固定在相机支架上，安装在灯箱顶部，所述CCD数码照相机的镜头对准载物台台面的中心，所述计算机与CCD数码照相机相连，用于处理存储采集到的彩色图像，所述光照系统包括日光灯照组件和卤素灯光源组件，所述日光灯照组件安装在载物台底部，用于模拟自然光；所述卤素灯光源组件安装在灯箱顶部两侧，用于辅助光源。

2.根据权利要求1所述的基于彩色图像纹理特征的检测牛肉嫩度的装置，其特征在于：所述载物台是活动安装在灯箱底部，可自由取出。

3.根据权利要求1所述的基于彩色图像纹理特征的检测牛肉嫩度的装置，其特征在于：所述日光灯照组件包括两个50W的日光灯管。

4.根据权利要求1、3任一权利要求所述的基于彩色图像纹理特征的检测牛肉嫩度的装置，其特征在于：所述两个50W的日光灯管分别安装在载物台底部两侧。

5.根据权利要求1所述的基于彩色图像纹理特征的检测牛肉嫩度的装置，其特征在于：所述灯箱顶部两侧开设两个圆形孔，用于卤素灯光源组件插入。

6.一种基于彩色图像纹理特征的检测牛肉嫩度的方法，其特征在于包括以下步骤：

（1）、利用基于彩色图像纹理特征的检测牛肉嫩度的装置，取得黑色背景的牛肉样本彩色图像；

（2）、进行图像分割与图像处理，得到信息完整的牛肉肌肉区域图像；

（3）、利用灰度共生矩阵，二维快速傅立叶变换，Gabor小波变换的三种纹理特征提取方法，提取出图像217个纹理特征参数；

（4）、建立逐步回归与支持向量机嫩度预测模型，分别对嫩，老牛肉进行模型建立与模型检验，而后进行模型结果比较。

7.根据权利要求6所述的基于彩色图像纹理特征的检测牛肉嫩度的方法其特征在于：所述步骤（2）中图像分割和图像处理包括以下步骤：

（7a）、将图像转化到灰度；

（7b）、通过进行灰度阈值选取对图像进行分割，然后得到肌肉部位的区域二值化图像；

（7c）、得到的肌肉部位的二值化图像和输入原始黑色背景的牛肉样本的灰度图像相乘，得到信息完整牛肉肌肉区域图像，图像大小统一截为128×128像素。

8.根据权利要求6所述的基于彩色图像纹理特征的检测牛肉嫩度的方法其特征在于：所述步骤（3）中灰度共生矩阵法提取了四个方向88个纹理特征，所述特征的详细表述与计算公式如下：

设f(x,y)为一幅二维数字图象，其大小为M×N，灰度级别为0-n，其灰度共生矩阵为p(i,j)；

F1能量:

∑_i∑_jp(i，j)²    (式一)

其中i、j分别表示矩阵中的横与列；

F2熵:

-∑_i∑_jp(i，j)log(p(i,j))   (式二)

其中i、j分别表示矩阵中的横与列；

F3相异点:

∑_i∑_jn^kp(i，j)，|i-j|＝n   (式三)

其中,i、j分别表示矩阵中的横与列，k=1和i≠j；n为灰度级；

F4对比度:

$\underset{i=0}{\overset{n}{\mathrm{\Σ}}}\underset{j=0}{\overset{n}{\mathrm{\Σ}}}{(i-j)}^{2}p(i,j)$    (式四)

其中,i、j分别表示矩阵中的横与列，n为灰度级；

F5逆差异:

${\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\frac{p(i,j)}{1+n},|i-j|=n$    (式五)

其中,i、j分别表示矩阵中的横与列，n为灰度级；

F6相关性:

$\frac{{\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\left(\mathrm{ij}\right)p(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}$    (式六)

其中i、j分别表示矩阵中的横与列，μ_x,μ_y,σ_x,σ_y是p_x和p_y的均值和标准偏差；

F7同质性:

${\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\frac{1}{1+{(i-\mathrm{\μ})}^2}p(i,j)$     (式七)

其中i、j分别表示矩阵中的横与列，μ为均值；

F8自相关:

$\frac{{\mathrm{\Σ}}_i{\mathrm{\Σ}}_j(i,j)p(i,j)-{{\mathrm{\μ}}_t}^2}{{{\mathrm{\σ}}_t}^2}$     (式八)

其中i、j分别表示矩阵中的横与列，μ_t和σ_t列或者行向量的均值或标准偏差；

F9集束群:

${\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=1}^n{\{i+j-{\mathrm{\μ}}_x-{\mathrm{\μ}}_y\}}^3\×p(i,j)$     (式九)

其中i、j分别表示矩阵中的横与列，μ_x,μ_y是p_x和p_y的均值；n为灰度级；

F10集束显著性:

${\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=1}^n{\{i+j-{\mathrm{\μ}}_x-{\mathrm{\μ}}_y\}}^4\×p(i,j)$    (式十)

其中i、j分别表示矩阵中的横与列，μ_x,μ_y是p_x和p_y的均值；n为灰度级；

F11最大概率:

maxp(i,j)    (式十一)

其中i、j分别表示矩阵中的横与列；

F12平方和:

∑_i∑_j(i-μ)²p(i,j)    (式十二)

其中i、j分别表示矩阵中的横与列，μ为均值；

F13均方和:

${\mathrm{\Σ}}_{i=2}^{2n}{\mathrm{iP}}_x{+}_y\left(i\right)$     (式十三)

其中i表示矩阵中的横，x和y是坐标系中列或者行共生矩阵的起点；n为灰度级；

F14和方差:

${\mathrm{\Σ}}_{i=2}^{2n}{(i-f_8)}^2{P}_x{+}_y\left(i\right)$    (式十四)

其中i表示矩阵中的横，x和y是坐标系中列或者行共生矩阵的起点,f₈见F15；n为灰度级；

F15和熵:

$-{\mathrm{\Σ}}_{i=2}^{2n}{P}_x{+}_y\left(i\right)\log \left\{P_x{+}_y\left(i\right)\right\}=f_8$     (式十五)

其中i表示矩阵中的横，x和y是坐标系中列或者行共生矩阵的起点；n为灰度级；

F16差方差:

${\mathrm{\Σ}}_{i=0}^{n-1}{i}^2{P}_x{-}_y\left(i\right)$    (式十六)

其中i表示矩阵中的横，x和y是坐标系中列或者行共生矩阵的起点；n为灰度级；

F17差熵:

$-{\mathrm{\Σ}}_{i=0}^{n-1}{P}_x{-}_y\left(i\right)\log \left\{P_x{-}_y\left(i\right)\right\}$    (式十七)

其中i表示矩阵中的横，x和y是坐标系中列或者行共生矩阵的起点；n为灰度级；

F18相关性决定性(1):

$\frac{\mathrm{HXY}-\mathrm{HXY}}{\max \{\mathrm{HX},\mathrm{HY}\}}$     (式十八)

其中HXY=-∑_i∑_jp(i,j)log(p(i,j)),HX,HY是P_x和P_y的熵；

F19相关性决定性(2):

${(1-\exp [-2(\mathrm{HXY}2-\mathrm{HXY})\left]\right)}^{\frac{1}{2}}$    (式十九)

其中HXY=-∑_i∑_jp(i,j)log(p(i，j)),HX,HY是P_x和P_y的熵,

HXY2=-∑_i∑_jp_x(i)p_y(j)log{p_x(i),p_y(j)}；

F20相关最大系数:

$Q(i,j)={\mathrm{\Σ}}_k\frac{p(i,k)p(j,k)}{p_x\left(i\right)p_y\left(k\right)}$     (式二十)

其中i、j分别表示矩阵中的横与列，k=1；

F21逆差异归一值(INN):

${\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\frac{1}{1+\frac{(i-j)}{\mathrm{\σ}}}p(i,j)$     (式二十一)

其中i、j分别表示矩阵中的横与列，σ为标准方差；

F22逆差矩归一值(IDN):

${\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\frac{1}{1+\frac{{(i-j)}^2}{{\mathrm{\σ}}^2}}p(i,j)$    (式二十二)

其中i、j分别表示矩阵中的横与列，σ为标准方差。

9.根据权利要求6所述的基于彩色图像纹理特征的检测牛肉嫩度的方法其特征在于：所述步骤（3）中二维快速傅立叶变换法提取了81个二维傅立叶频域特征，其具体离散特征表示如下，

一幅M×N图像的函数f(x,y)二维离散傅里叶变换如下所示，x和y是离散实变量，u和v为离散频率变量；

$F(u,v)=\frac{1}{\mathrm{MN}}\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}f(x,y)e^{[-j2\mathrm{\π}(\frac{\mathrm{ux}}{M}+\frac{\mathrm{vy}}{N})]}$

式中：u＝0,1,2,…,M-1，v＝0,1,2,…,N-1；

逆变换公式如下所示：

$F(u,v)=\underset{u=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}f(u,v)e^{[-j2\mathrm{\π}(\frac{\mathrm{ux}}{M}+\frac{\mathrm{vy}}{N})]}$

式中：u＝0,1,2,…,M-1，v＝0,1,2,…,N-1；

$F(x,y)=\underset{u=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{v=0}{\overset{N-1}{\mathrm{\Σ}}}f(u,v)e^{\left[j2\mathrm{\π}(\frac{\mathrm{ux}}{M}+\frac{\mathrm{vy}}{N})\right]}$

式中：x＝0,1,2,…,M-1；y＝0,1,2,…,N-1；

二维离散函数傅里叶变换具有共轭对称性，如以下所示，

|F(u,v)|＝|F(u,v)|

根据二维快速傅立叶变换共轭对称性，选取l×l的二维对数频谱窗口数据log[F(u,v)](l＝1,2,…,9)来描述牛肉纹理特征，窗口左上角始终为二维傅里叶频谱中心，即牛肉纹理特征可以表示为

p＝l×l为牛肉纹理的特征个数，[x]_i为牛肉样本纹理第i个特征的频谱数据，T为维数；从计算量与实际试验考虑，选取9×9，共81个牛肉样本傅立叶频谱纹理特征。

10.根据权利要求6所述的基于彩色图像纹理特征的检测牛肉嫩度的方法其特征在于：所述步骤（3）中Gabor小波变换法提取了48个纹理特征，其具体实现方式如下所示：

（10a）、Gabor滤波器的设计

Gabor小波的非正交意味着在滤波的图像中存在着冗余信息，为了减少冗余，中心频率范围为U_l和U_h，k表示方向数，s表示尺度数，在多分辨分解中，设计的策略就是确保多通道滤波；由下面的公式计算，并分别用a，σ_u，σ_v来表示通道滤波：

$a={(U_h/U_l)}^{\frac{1}{S-1}},$ ${\mathrm{\σ}}_u=\frac{(a-1)U_h}{(a+1){\sqrt{2\ln 2}}^{\′}},$

${\mathrm{\σ}}_v=\tan \left(\frac{\mathrm{\π}}{2k}\right)[U_h-2\ln \left(\frac{{{2\mathrm{\σ}}_u}^2}{U_h}\right)]{[2\ln 2-\frac{{\left(2\ln 2\right)}^2{{\mathrm{\σ}}_u}^2}{{U_h}^2}]}^{-\frac{1}{2}},$

其中m＝0,1,…,S-1；n＝0,1,…,S-1；u，v为空间频率变量；

（b)、Gabor纹理特征值提取

给出图像I(x,y),它的Gabor小波变换定义为

W_mn(x,y)＝∫I(x₁,y₁)g_mn*(x-x₁,y-y₁)dxdy，

W_mn代表小波变换后的图像，*表示复共轭，g_mn代表小波变换函数，xy，x₁,y₁分别代表图像某点横竖坐标；

其中g_mn(x,y)＝a^-mg(x',y'),a＞1;m＝0,1,…,S-1；n＝0,1,…,S-1

x'＝a^-m(xcosθ+ysinθ),和y'＝a^-m(-xsinθ+ycosθ)；

用Gabor小波变换系数的模的平均值μ_mn和其标准方差σ_mn来表示抽取的灰度图像目标的特征，即：

μ_mn＝∫∫|W_mn(xy)|dxdy，和 ${\mathrm{\σ}}_{\mathrm{mn}}=\sqrt{{\∫\∫\left(\right|W_{\mathrm{mn}}(x,y)|-{\mathrm{\μ}}_{\mathrm{mn}})}^2\mathrm{dxdy}};$

因此特征向量用μ_mn和σ_mn来构建，系统中运用s=4和k=6组成的特征向量为

$\stackrel{\‾}{f}=[{\mathrm{\μ}}_{00}{\mathrm{\σ}}_{00}{\mathrm{\μ}}_{01}\·\·\·{\mathrm{\μ}}_{35}{\mathrm{\σ}}_{35}]$

运用设计的Gabor滤波器，平均值μ_mn和其标准方差σ_mn求出了特征向量，每一幅128×128×8bit的牛肉图像目标的纹理特征向量为24×2=48个。

11.根据权利要求6所述的基于彩色图像纹理特征的检测牛肉嫩度的方法其特征在于：所述步骤（4）中的逐步回归预测模型的具体实现步骤如下：

（11a）、根据牛肉实际嫩度检测值对牛肉样本进行标签分类，分为预测集和测试集；

（11b）、根据预测集样本的217个纹理特征值建立逐步回归模型；

（11c）、将测试集样本代入建好的逐步回归预测模型；

（11d）、将逐步回归预测模型结果与实际测试嫩度结果进行比较，得出预测准确率。

12.根据权利要求6所述的基于彩色图像纹理特征的检测牛肉嫩度的方法其特征在于：所述步骤（4）中的支持向量机预测模型的具体实现步骤如下：

（12a）、根据牛肉实际嫩度检测值对牛肉样本进行标签分类，分为预测集和测试集；

（12b）、根据预测集样本的217个纹理特征值建立支持向量机模型；

（12c）、选取支持向量机惩罚系数与核函数参数；

（12d）、将测试集样本代入建好的支持向量机预测模型；

（12e）、将支持向量机预测模型结果与实际测试嫩度结果进行比较，得出预测准确率。

Images