CN106780504A - 一种基于距离保持水平集的牛肉图像中背长肌自动分割方法 - Google Patents
一种基于距离保持水平集的牛肉图像中背长肌自动分割方法 Download PDFInfo
- Publication number
- CN106780504A CN106780504A CN201710053966.5A CN201710053966A CN106780504A CN 106780504 A CN106780504 A CN 106780504A CN 201710053966 A CN201710053966 A CN 201710053966A CN 106780504 A CN106780504 A CN 106780504A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- eye muscle
- value
- beef
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 235000015278 beef Nutrition 0.000 title claims abstract description 41
- 210000003205 muscle Anatomy 0.000 claims abstract description 84
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 239000000284 extract Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 14
- 102100021411 C-terminal-binding protein 2 Human genes 0.000 claims description 10
- 101000894375 Homo sapiens C-terminal-binding protein 2 Proteins 0.000 claims description 10
- 238000005260 corrosion Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000011084 recovery Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000004438 eyesight Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 235000020997 lean meat Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于距离保持水平集的牛肉图像中背长肌自动分割方法。首先采用摄像机标定法对CCD摄像机进行标定,选取从屠宰场购买的牛胴体眼肌切片作为样本,利用改进的样本块修复模型恢复图像反光区域原有信息。提取眼肌切面区域中的候选区域,从中寻找一个处于背长肌区域的小矩形区域,其外轮廓设为初始轮廓曲线。设定迭代规则自动确定权系数ν的值,自适应控制水平集演化,检测相邻10次的系数函数(f(Ck))值,若这10个值的方差小于某一阈值(定为f(C0)/100),停止迭代,获得牛肉眼肌区域。对图像人工标记前景和背景区域,再对标记后的原始图像进行分水岭变换,最后提取出的眼肌区域即为最终目的眼肌区域。利用本发明可以实现牛肉图像中背长肌的自动分割,从而进行牛肉眼肌特征的提取,实现牛肉质量等级自动评定。
Description
技术领域
本发明涉及数值技术和计算机视觉技术领域,尤其涉及一种基于距离保持水平集的牛肉图像中背长肌自动分割方法。
背景技术
牛肉眼肌区域的纹理特征是影响牛肉品质的重要因素,牛肉眼肌图形的分割是提取牛肉眼肌纹理特征的前提。牛胴体第12~13肋骨间眼肌切面图像背长肌区域的自动分割提取,是实现牛肉自动分级的重要步骤之一。
目前,我国大部分牛肉屠宰车间使用人工评级方法对牛肉等级进行判定,根据测量数据和经验对牛胴体二分体横切面和四分体横切面等部位进行评级打分。这种方法要求对牛胴体的多个部位进行测量观察,耗费大量人力物力资源,并且人工操作中的差异会影响测量数据的准确性,且评级和打分易受主观因素影响,难以保证公平性。
参考国内外牛肉分级技术研究的最新进展,釆用计算机视觉技术对猪肉进行分级被认为是最理想的解决方案。2003年孙永海等人在发明《基于计算机视觉的冷却牛肉嫩度分析方法》中利用神经网络和图像处理技术,区分出牛肉图像中的瘦肉与脂肪,对冷却牛肉的新鲜度进行了评价。2009年赵文琦等人在发明《基于边缘流的水平集牛胴体眼肌图像分割》中采用了结合边缘流的水平集方法对牛肉眼肌图像进行分割,但提取眼肌边缘的同时,对其他区域的边缘如附生肌区域和背膘脂肪区域的边缘都进行了提取,边缘互相粘连,使得如何从这些边缘中找到眼肌边缘成为了一大难点。2013年逄滨等人在发明《牛肉眼肌图像在线采集和实时分割系统》中采用区域面积标记法和小区域消除法提取背长肌区域,但是在附生肌与眼肌相邻的情况下,分割效果并不理想。
传统的距离保持水平集方法要求特定的初始化步骤,即初始化曲线必须把目标物体完全包围或处于目标物体内部,不利于自适应图像分割的实现,权系数的值缺乏大小自适应性,使得零水平集在捕获图像目标轮廓与不发生边界泄漏方面无法兼顾,迭代次数固定,迭代次数偏少时无法达到分割目的,而迭代次数偏多时无用的演化增加了程序的运行时间成本。
发明内容
本发明的目的是提供一种基于距离保持水平集的牛肉图像中背长肌自动分割方法,为解决上述技术问题,本发明的主要技术内容如下:
一种基于距离保持水平集的牛肉图像中背长肌自动分割方法,包括以下步骤:
(1)标定摄像头,得到图像中单位像素对应于真实场景中的实际长度;
(2)选取牛胴体四分体12-13肋处的眼肌切片作为样本,将样本放置于黑色背景布上,并用白色LED灯对样本进行补光,利用摄像机对样本横截面进行俯拍,得到牛肉眼肌切片样本图像,图像大小为1000×1000像素;
(3)利用改进的样本块修复模型恢复图像反光区域原有信息;
(4)确定初始轮廓曲线:背长肌区域处于眼肌切面区域的中间部位,提取眼肌切面区域并在眼肌切面中部区域选取一个中心与图像中心重合的矩形区域作为候选区域并计算其中心点,从候选区域中寻找到一个处于背长肌区域的小的矩形区域S2,背长肌区域像素集合用S1来表示,则S2的外轮廓即可设为初始轮廓曲线;
(5)自适应控制水平集演化:设定迭代规则自动确定权系数ν的值,进行图像自动化分割;
(6)自适应控制演化停止:为了自适应控制迭代次数,检测相邻10次的f(Ck)值,如果这10个值的方差小于某一阈值(定为f(C0)/100),则迭代停止,找到目标轮廓;
(7)结合标记分水岭分割算法实现图像精细化分割:提取基于距离保持水平集方法获得的牛肉眼肌区域,对图像人工标记前景区域和背景区域,再对标记后的原始图像进行分水岭变换,最后提取出的眼肌区域即为最终结果。
上述步骤(3)中利用样本块修复模型恢复图像反光区域原有信息包括以下步骤:
(a)针对图像反光区域颜色特征,即反光区域中心位置亮度(Value,V)最亮、饱和度(Saturation,S)值最高,向周围扩散时亮度、饱和度逐渐降低,对图像进行阈值分割提取反光区域,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分别代表某一固定阈值,阈值大小视实际拍摄条件而定;
(b)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;
(c)对于面积较大(大于9个像素点)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(小于9个像素点)的区域则进行平滑处理;
(d)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;其次采用二次匹配法搜索最佳匹配块,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。
上述步骤(4)中结合大津法与旋转法确定眼肌切面区域并选取候选区域包括以下步骤:
(a)分割眼肌切面区域,分别绘制出彩色眼肌图像R、G、B三个通道的灰度直方图,R通道直方图中有两个峰值,分别代表R通道图像的背景区域和眼肌切面区域,对R通道图像进行大津法阈值分割,提取图像中的眼肌切面区域,得到二值化图像,对该二值化图像进行轮廓提取并对提取的轮廓进行填充,得到的白色区域即为眼肌切面区域;
(b)提取眼肌切面区域,利用旋转法提取眼肌切面区域的最小外接矩形。然后截取该矩形区域对应于彩色眼肌图像所在的图像区域,得到彩色眼肌切面区域;
(c)设提取的彩色眼肌切面区域图像的长度为w,宽度为h,则选取长度为0.3w、宽度为0.5h,中心与图像中心重合的矩形区域为候选区域。
上述步骤(4)中从候选区域中找到矩形区域S2并计算其中心坐标点包括以下步骤:
(a)将候选矩形区域平均分成5行3列共15个小的矩形区域,每个矩形区域用R(i,j)来表示,i表示所在行(i=1,2,3,4,5),j表示所在列(j=1,2,3),它们的长度为0.1w、宽度为0.1h,与S2的大小相同;
(b)假设每个矩形区域R(i,j)的相应中心坐标点为(xij,yij),区域内所有像素灰度平均值为vij,设定其权值大小为wij,wij的定义为:
其中,wij与vij的值成反比,R(i,j)区域像素灰度平均值越高,代表其含有的脂肪区域越多,越有可能是附生肌与眼肌的相连区域;代表R(i,j)区域越偏离候选区域的中心区域,该区域的权值就越低;
(c)计算S2的中心坐标位置,计算公式为:
其中,
上述步骤(5)中自动确定权系数ν的值包括以下步骤:
(a)基于距离保持水平集算法在迭代过程中,设定第k次迭代的初始零水平集对应的像素坐标集合为Ck,Ck中的像素个数为nk,则Ck定义为:
Ck={(xi,yi)|(xi,yi)∈Ck,i=1,2,…,nk}
(b)设定系数函数f(Ck),f(Ck)的定义为:
(c)重新定义ν的值,第k次迭代时νk的值为:
其中,ν0代表ν的初始值,将该值设为-2,f(C0)代表初始轮廓曲线对应的系数函数值,图像边缘对应的停止速度函数(g)值相对较低,算法执行过程中,零水平集会向朝着图像的边缘扩展,即朝向g值低的位置演化,在这个过程中f(Ck)的值会逐渐降低,直到完全找到目标轮廓,f(Ck)的值达到最小,演化停止,此时相应的零水平集就是要寻找的目标轮廓。
上述步骤(7)中使用分水岭分割算法实现图像精细化分割包括以下步骤:
(a)提取距离保持水平集方法获得的彩色牛肉眼肌区域;
(b)对眼肌区域分别进行n次腐蚀运算和n次膨胀运算(n取为20),获取两次运算后的图像轮廓;
(c)用上一步获取的两个图像轮廓标记原始图像,腐蚀后的轮廓处于眼肌内部,作为前景标记,膨胀后的轮廓处于眼肌外部,作为背景标记;
(d)对标记后的图像进行分水岭变换;
(e)提取出眼肌区域即为最终的目标区域。
本发明的优点
1、本发明自适应确定候选区域,初始轮廓曲线的位置正确率高,利于自适应图像分割的实现。
2、本发明自动化确定权系数的值,使零水平集在捕获图像目标轮廓与不发生边界泄漏方面可以二者兼顾。
3、本发明自适应控制水平集演化,迭代次数根据系数函数值的变化而变化,既能保证达到分割目的,也能减少无意义的程序运行时间。
4、本发明结合分水岭算法进行图像精细化分割,最终得到的目标眼肌区域与使用模糊C均值聚类法分割、图割法、基于LBF模型的水平集等方法得到的目标眼肌区域相比明显准确率更高。
附图说明
图1为本发明的方法流程图;
图2为反光区域示意图;
图3为反光区域建模示意图;
图4为有反光的牛肉眼肌图像;
图5为改进样本块模型修复模型对有反光图像的恢复效果;
图6为拍摄得到的牛肉眼肌图像;
图7为最终分割出的目标眼肌区域。
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,一种基于距离保持水平集的牛肉图像中背长肌自动分割方法,包括以下步骤:
(1)标定摄像头,得到图像中单位像素对应于真实场景中的实际长度;
(2)选取牛胴体四分体12-13肋处的眼肌切片作为样本,将样本放置于黑色背景布上,并用白色LED灯对样本进行补光,利用摄像机对样本横截面进行俯拍,得到牛肉眼肌切片样本图像,图像大小为1000×1000像素;
(3)利用改进的样本块修复模型恢复图像反光区域原有信息;
(4)确定初始轮廓曲线:背长肌区域处于眼肌切面区域的中间部位,提取眼肌切面区域并在眼肌切面中部区域选取一个中心与图像中心重合的矩形区域作为候选区域并计算其中心点,从候选区域中寻找到一个处于背长肌区域的小的矩形区域S2,背长肌区域像素集合用S1来表示,则S2的外轮廓即可设为初始轮廓曲线;
(5)自适应控制水平集演化:设定迭代规则自动确定权系数ν的值,进行图像自动化分割;
(6)自适应控制演化停止:为了自适应控制迭代次数,检测相邻10次的f(Ck)值,如果这10个值的方差小于某一阈值(定为f(C0)/100),则迭代停止,找到目标轮廓;
(7)结合标记分水岭分割算法实现图像精细化分割:提取基于距离保持水平集方法获得的牛肉眼肌区域,对图像人工标记前景区域和背景区域,再对标记后的原始图像进行分水岭变换,最后提取出的眼肌区域即为最终结果。
上述步骤(1)中的摄像头标定包括以下步骤:
(a)首先制作一个棋盘平面作为标定模板,该棋盘为6*8黑白正方格棋盘,每一正方格的边长为3cm;
(b)摄像机在10个不同位置对该模板进行图像采集,共得到10幅棋盘图像;
(c)以OpenCV计算机视觉库为基础,调用cvFindChessboardCorners()函数读取棋盘角点坐标;
(d)调用cvFindComerSubPix()函数对像素级坐标进行拟合,进而得到角点的亚像素坐标;
(e)将角点在模板平面中的坐标值和在图像中的亚像素坐标值传入cvCalibrateCamera2()函数,得到摄像头的内外参数;
(f)图像中物体的胴体长度可通过以下公式计算得出:
其中l为物体在图像中所占的像素个数,d为摄像头到物体的距离,f为内参数矩阵中的第一个参数值,胴体长度L与距离d单位相同。
上述步骤(3)中利用改进的样本块修复模型恢复图像反光区域原有信息;其中基于样本块的图像修复算法如下:
(1)区域建模
反光区域建模如图3所示,图中Ω表示待修复的反光区域,表示反光区域的边界线,ψp是以位于反光区域边界线上的p点为中心的待修复样本块,np作为p点的法线矢量,表示p点的等照度线方向,φ表示信息完好区域。
(2)计算待修补块的优先权
对于以轮廓上的点p为中心的目标块,定义其优先权为:
P(p)=C(p)D(p)
其中:
C(p)为置信度项,用于衡量目标块ψp内可靠信息的数量。初始时M(q)=0,否则M(q)=1。D(p)称为数据项,确保了邻域内线性结构强度越大的p点优先得到修复,表示p点的等照度线的方向和强度,np表示待修补区域轮廓的单位外法线方向,α为归一化因子。
(3)搜索最佳匹配块
确定具有最佳优先权的目标块ψP后,就要在已知区域内搜索此目标块的最佳匹配块ψQ,目标块与最佳匹配块有如下匹配准则:
其中,d(ψP,ψq)表示目标块ψP和样本块ψq中对应已知像素的颜色差的平方和,可由下式表示:
d(ψP,ψq)=∑[(Pr-qr)2+(Pg-qg)2+(Pb-qb)2]
其中P、q分别对应块ψP和ψq中的已知像素点。
(4)模块拷贝修复及优先权信息更新
在找到最佳匹配块ψQ后,将块ψQ中的像素对应复制到目标块ψP中的未知像素点,该目标块内未知像素点转变为已知像素点,因此这些点的置信度需要重新更新。
(5)重复以上过程,直至目标区域修复完毕。
具体包括以下步骤:
(a)针对图像反光区域颜色特征,即反光区域中心位置亮度(Value,V)最亮、饱和度(Saturation,S)值最高,向周围扩散时亮度、饱和度逐渐降低,对图像进行阈值分割提取反光区域,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分别代表某一固定阈值,阈值大小视实际拍摄条件而定;
(b)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;
(c)对于面积较大(大于9个像素点)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(小于9个像素点)的区域则进行平滑处理;
(d)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;其次采用二次匹配法搜索最佳匹配块,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。
上述步骤(4)中结合大津法与旋转法确定眼肌切面区域并选取候选区域;其中大津法阈值分割的原理如下:
大津法按图像的灰度特性将图像分成背景和目标两部分。背景和目标之间的类间方差越大,说明构成图像的两部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。对于图像I(x,y),前景(即目标区域)和背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为其平均灰度为μ1;背景像素点数占整幅图像的比例为其平均灰度为μ2。图像的总平均灰度记为μ,类间方差记为g。
其中旋转法的原理如下:
首先提取眼肌切面区域初始外接矩形,以该外接矩形的中心点为旋转中心,在90°范围内(逆时针45°到顺时针45°)等角度等间隔旋转该外接矩形所对应的图像区域,获得新的外接矩形,比较面积大小寻优得到最小外接矩形。
具体包括以下步骤:
(a)分割眼肌切面区域,分别绘制出彩色眼肌图像R、G、B三个通道的灰度直方图,R通道直方图中有两个峰值,分别代表R通道图像的背景区域和眼肌切面区域,对R通道图像进行大津法阈值分割,提取图像中的眼肌切面区域,得到二值化图像,对该二值化图像进行轮廓提取并对提取的轮廓进行填充,得到的白色区域即为眼肌切面区域;
(b)提取眼肌切面区域,利用旋转法提取眼肌切面区域的最小外接矩形。然后截取该矩形区域对应于彩色眼肌图像所在的图像区域,得到彩色眼肌切面区域;
(c)设提取的彩色眼肌切面区域图像的长度为w,宽度为h,则选取长度为0.3w、宽度为0.5h,中心与图像中心重合的矩形区域为候选区域。
上述步骤(4)中从候选区域中找到矩形区域S2并计算其中心坐标点的具体实现步骤如下:
(a)将候选矩形区域平均分成5行3列共15个小的矩形区域,每个矩形区域用R(i,j)来表示,i表示所在行(i=1,2,3,4,5),j表示所在列(j=1,2,3),它们的长度为0.1w、宽度为0.1h,与S2的大小相同;
(b)假设每个矩形区域R(i,j)的相应中心坐标点为(xij,yij),区域内所有像素灰度平均值为vij,设定其权值大小为wij,wij的定义为:
其中,wij与vij的值成反比,R(i,j)区域像素灰度平均值越高,代表其含有的脂肪区域越多,越有可能是附生肌与眼肌的相连区域;代表R(i,j)区域越偏离候选区域的中心区域,该区域的权值就越低;
(c)计算S2的中心坐标位置,计算公式为:
其中,
上述步骤(5)中自动确定权系数ν的值的具体实现步骤如下:
(a)基于距离保持水平集算法在迭代过程中,设定第k次迭代的初始零水平集对应的像素坐标集合为Ck,Ck中的像素个数为nk,则Ck定义为:
Ck={(xi,yi)|(xi,yi)∈Ck,i=1,2,…,nk}
(b)设定系数函数f(Ck),f(Ck)的定义为:
(c)重新定义ν的值,第k次迭代时νk的值为:
其中,ν0代表ν的初始值,将该值设为-2,f(C0)代表初始轮廓曲线对应的系数函数值,图像边缘对应的停止速度函数(g)值相对较低,算法执行过程中,零水平集会向朝着图像的边缘扩展,即朝向g值低的位置演化,在这个过程中f(Ck)的值会逐渐降低,直到完全找到目标轮廓,f(Ck)的值达到最小,演化停止,此时相应的零水平集就是要寻找的目标轮廓。
上述步骤(7)中使用分水岭分割算法实现图像精细化分割;其中分水岭分割算法的原理如下:
分水岭分割方法,是一种基于拓扑理论数学形态学的分割方法,其基本思想是把图像看作是测地学上的拓扑地貌,图像中每一点像素的灰度值表示该点的海拔高度,每一个局部极小值及其影响区域称为集水盆,而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面,刺穿一个小孔,然后把整个模型慢慢浸入水中,随着浸入的加深,每一个局部极小值的影响域慢慢向外扩展,在两个集水盆汇合处构筑大坝,即形成分水岭。
分水岭的计算过程是一个迭代标注过程。在该算法中,分水岭计算分两个步骤,一个是排序过程,一个是淹没过程。首先对每个像素的灰度级进行从低到高排序,然后在从低到高实现淹没过程中,对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。
分水岭变换得到的是输入图像的集水盆图像,集水盆之间的边界点即为分水岭。显然,分水岭表示的是输入图像极大值点。因此,为得到图像的边缘信息,通常把梯度图像作为输入图像,即
g(x,y)=grad(f(x,y))={[f(x,y)-f(x-1,y)]*2[f(x,y)-f(x,y-1)]*2}*0.5
其中,f(x,y)表示原始图像。
分水岭算法对微弱边缘具有良好的响应,是得到封闭连续边缘的保证。另外,分水岭算法所得到的封闭的集水盆,为分析图像的区域特征提供了可能。
具体包括以下步骤:
(a)提取距离保持水平集方法获得的彩色牛肉眼肌区域;
(b)对眼肌区域分别进行n次腐蚀运算和n次膨胀运算(n取为20),获取两次运算后的图像轮廓;
(c)用上一步获取的两个图像轮廓标记原始图像,腐蚀后的轮廓处于眼肌内部,作为前景标记,膨胀后的轮廓处于眼肌外部,作为背景标记;
(d)对标记后的图像进行分水岭变换;
(e)提取出眼肌区域即为最终的目标区域。
Claims (6)
1.一种基于距离保持水平集的牛肉图像中背长肌自动分割方法,其特征在于包括以下步骤:
(1)标定摄像头,得到图像中单位像素对应于真实场景中的实际长度;
(2)选取牛胴体四分体12-13肋处的眼肌切片作为样本,将样本放置于黑色背景布上,并用白色LED灯对样本进行补光,利用摄像机对样本横截面进行俯拍,得到牛肉眼肌切片样本图像,图像大小为1000×1000像素;
(3)利用改进的样本块修复模型恢复图像反光区域原有信息;
(4)确定初始轮廓曲线:背长肌区域处于眼肌切面区域的中间部位,提取眼肌切面区域并在眼肌切面中部区域选取一个中心与图像中心重合的矩形区域作为候选区域并计算其中心点,从候选区域中寻找到一个处于背长肌区域的小的矩形区域S2,背长肌区域像素集合用S1来表示,则S2的外轮廓即可设为初始轮廓曲线;
(5)自适应控制水平集演化:设定迭代规则自动确定权系数ν的值,进行图像自动化分割;
(6)自适应控制演化停止:为了自适应控制迭代次数,检测相邻10次的f(Ck)值,如果这10个值的方差小于某一阈值(定为f(C0)/100),则迭代停止,找到目标轮廓;
(7)结合标记分水岭分割算法实现图像精细化分割:提取基于距离保持水平集方法获得的牛肉眼肌区域,对图像人工标记前景区域和背景区域,再对标记后的原始图像进行分水岭变换,最后提取出的眼肌区域即为最终结果。
2.根据权利要求1所述的基于距离保持水平集的牛肉图像中背长肌自动分割方法,其特征在于所述步骤(3)中利用样本块修复模型恢复图像反光区域原有信息包括以下步骤:
(2a)针对图像反光区域颜色特征,即反光区域中心位置亮度(Value,V)最亮、饱和度(Saturation,S)值最高,向周围扩散时亮度、饱和度逐渐降低,对图像进行阈值分割提取反光区域,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分别代表某一固定阈值,阈值大小视实际拍摄条件而定;
(2b)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;
(2c)对于面积较大(大于9个像素点)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(小于9个像素点)的区域则进行平滑处理;
(2d)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;其次采用二次匹配法搜索最佳匹配块,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。
3.根据权利要求1所述的基于距离保持水平集的牛肉图像中背长肌自动分割方法,其特征在于所述步骤(4)中结合大津法与旋转法确定眼肌切面区域并选取候选区域包括以下步骤:
(3a)分割眼肌切面区域,分别绘制出彩色眼肌图像R、G、B三个通道的灰度直方图,R通道直方图中有两个峰值,分别代表R通道图像的背景区域和眼肌切面区域,对R通道图像进行大津法阈值分割,提取图像中的眼肌切面区域,得到二值化图像,对该二值化图像进行轮廓提取并对提取的轮廓进行填充,得到的白色区域即为眼肌切面区域;
(3b)提取眼肌切面区域,利用旋转法提取眼肌切面区域的最小外接矩形。然后截取该矩形区域对应于彩色眼肌图像所在的图像区域,得到彩色眼肌切面区域;
(3c)设提取的彩色眼肌切面区域图像的长度为w,宽度为h,则选取长度为0.3w、宽度为0.5h,中心与图像中心重合的矩形区域为候选区域。
4.根据权利要求1所述的基于距离保持水平集的牛肉图像中背长肌自动分割方法,其特征在于所述步骤(4)中从候选区域中找到矩形区域S2并计算其中心坐标点包括以下步骤:
(4a)将候选矩形区域平均分成5行3列共15个小的矩形区域,每个矩形区域用R(i,j)来表示,i表示所在行(i=1,2,3,4,5),j表示所在列(j=1,2,3),它们的长度为0.1w、宽度为0.1h,与S2的大小相同;
(4b)假设每个矩形区域R(i,j)的相应中心坐标点为(xij,yij),区域内所有像素灰度平均值为vij,设定其权值大小为wij,wij的定义为:
其中,wij与vij的值成反比,R(i,j)区域像素灰度平均值越高,代表其含有的脂肪区域越多,越有可能是附生肌与眼肌的相连区域;代表R(i,j)区域越偏离候选区域的中心区域,该区域的权值就越低;
(4c)计算S2的中心坐标位置,计算公式为:
其中,
5.根据权利要求1所述的基于距离保持水平集的牛肉图像中背长肌自动分割方法,其特征在于所述步骤(5)中自动确定权系数ν的值包括以下步骤:
(5a)基于距离保持水平集算法在迭代过程中,设定第k次迭代的初始零水平集对应的像素坐标集合为Ck,Ck中的像素个数为nk,则Ck定义为:
Ck={(xi,yi)|(xi,yi)∈Ck,i=1,2,…,nk}
(5b)设定系数函数f(Ck),f(Ck)的定义为:
(5c)重新定义ν的值,第k次迭代时νk的值为:
其中,ν0代表ν的初始值,将该值设为-2,f(C0)代表初始轮廓曲线对应的系数函数值,图像边缘对应的停止速度函数(g)值相对较低,算法执行过程中,零水平集会向朝着图像的边缘扩展,即朝向g值低的位置演化,在这个过程中f(Ck)的值会逐渐降低,直到完全找到目标轮廓,f(Ck)的值达到最小,演化停止,此时相应的零水平集就是要寻找的目标轮廓。
6.根据权利要求1所述的基于距离保持水平集的牛肉图像中背长肌自动分割方法,其特征在于所述步骤(7)中使用分水岭分割算法实现图像精细化分割包括以下步骤:
(6a)提取距离保持水平集方法获得的彩色牛肉眼肌区域;
(6b)对眼肌区域分别进行n次腐蚀运算和n次膨胀运算(n取为20),获取两次运算后的图像轮廓;
(6c)用上一步获取的两个图像轮廓标记原始图像,腐蚀后的轮廓处于眼肌内部,作为前景标记,膨胀后的轮廓处于眼肌外部,作为背景标记;
(6d)对标记后的图像进行分水岭变换;
(6e)提取出眼肌区域即为最终的目标区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710053966.5A CN106780504B (zh) | 2017-01-22 | 2017-01-22 | 一种基于距离保持水平集的牛肉图像中背长肌自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710053966.5A CN106780504B (zh) | 2017-01-22 | 2017-01-22 | 一种基于距离保持水平集的牛肉图像中背长肌自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106780504A true CN106780504A (zh) | 2017-05-31 |
CN106780504B CN106780504B (zh) | 2019-11-01 |
Family
ID=58941932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710053966.5A Active CN106780504B (zh) | 2017-01-22 | 2017-01-22 | 一种基于距离保持水平集的牛肉图像中背长肌自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780504B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460781A (zh) * | 2018-10-20 | 2019-03-12 | 龙口味美思环保科技有限公司 | 一种基于决策树归纳学习的牛排等级划分方法 |
CN109785378A (zh) * | 2018-03-21 | 2019-05-21 | 威海晶合数字矿山技术有限公司 | 一种基于图谱图像算法分析技术的矿石粒度在线检测设备 |
CN113947683A (zh) * | 2021-10-15 | 2022-01-18 | 兰州交通大学 | 指尖点检测方法、系统及指尖点运动轨迹识别方法、系统 |
CN114821071A (zh) * | 2022-06-08 | 2022-07-29 | 四川大学 | 一种从动态冰图像中提取粘连气泡的方法、装置及设备 |
CN116188461A (zh) * | 2023-04-24 | 2023-05-30 | 深圳市欣冠精密技术有限公司 | 一种基于设计图智能识别的钣金加工系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060127880A1 (en) * | 2004-12-15 | 2006-06-15 | Walter Harris | Computerized image capture of structures of interest within a tissue sample |
CN101706445A (zh) * | 2009-11-10 | 2010-05-12 | 吉林大学 | 牛肉大理石花纹等级评分方法及装置 |
CN102676633A (zh) * | 2012-03-08 | 2012-09-19 | 天津大学 | 一种菌落自动计数方法 |
CN104376559A (zh) * | 2014-11-14 | 2015-02-25 | 中国人民解放军军事医学科学院卫生装备研究所 | 基于改进的距离调整水平集算法的医学图像分割方法 |
CN105701805A (zh) * | 2016-01-07 | 2016-06-22 | 中国农业大学 | 一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法 |
-
2017
- 2017-01-22 CN CN201710053966.5A patent/CN106780504B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060127880A1 (en) * | 2004-12-15 | 2006-06-15 | Walter Harris | Computerized image capture of structures of interest within a tissue sample |
CN101706445A (zh) * | 2009-11-10 | 2010-05-12 | 吉林大学 | 牛肉大理石花纹等级评分方法及装置 |
CN102676633A (zh) * | 2012-03-08 | 2012-09-19 | 天津大学 | 一种菌落自动计数方法 |
CN104376559A (zh) * | 2014-11-14 | 2015-02-25 | 中国人民解放军军事医学科学院卫生装备研究所 | 基于改进的距离调整水平集算法的医学图像分割方法 |
CN105701805A (zh) * | 2016-01-07 | 2016-06-22 | 中国农业大学 | 一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法 |
Non-Patent Citations (3)
Title |
---|
CHUNMING LI 等: "Fast Distance Preserving Level Set Evolution for Medical Image Segmentation", 《CONTROL,AUTOMATION, ROBOTICS AND VISION》 * |
张彧龙 等: "基于图像修复技术的猪肉眼肌图像反光区域复原", 《计算机应用》 * |
郑丽敏 等: "利用图像处理技术自动估算猪胴体参数", 《计算机应用研究》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785378A (zh) * | 2018-03-21 | 2019-05-21 | 威海晶合数字矿山技术有限公司 | 一种基于图谱图像算法分析技术的矿石粒度在线检测设备 |
CN109785378B (zh) * | 2018-03-21 | 2023-01-20 | 威海晶合数字矿山技术有限公司 | 一种基于图谱图像算法分析技术的矿石粒度在线检测设备 |
CN109460781A (zh) * | 2018-10-20 | 2019-03-12 | 龙口味美思环保科技有限公司 | 一种基于决策树归纳学习的牛排等级划分方法 |
CN109460781B (zh) * | 2018-10-20 | 2022-08-19 | 上海瑞轩食品有限公司 | 一种基于决策树归纳学习的牛排等级划分方法 |
CN113947683A (zh) * | 2021-10-15 | 2022-01-18 | 兰州交通大学 | 指尖点检测方法、系统及指尖点运动轨迹识别方法、系统 |
CN114821071A (zh) * | 2022-06-08 | 2022-07-29 | 四川大学 | 一种从动态冰图像中提取粘连气泡的方法、装置及设备 |
CN114821071B (zh) * | 2022-06-08 | 2023-09-22 | 四川大学 | 一种从动态冰图像中提取粘连气泡的方法、装置及设备 |
CN116188461A (zh) * | 2023-04-24 | 2023-05-30 | 深圳市欣冠精密技术有限公司 | 一种基于设计图智能识别的钣金加工系统 |
CN116188461B (zh) * | 2023-04-24 | 2023-06-27 | 深圳市欣冠精密技术有限公司 | 一种基于设计图智能识别的钣金加工系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106780504B (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780504B (zh) | 一种基于距离保持水平集的牛肉图像中背长肌自动分割方法 | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN109409263B (zh) | 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法 | |
CN105513041B (zh) | 一种大幅面遥感图像海陆分割的方法及系统 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN106934795B (zh) | 一种混凝土桥梁裂缝的自动检测方法和预测方法 | |
CN103886285B (zh) | 先验地理信息辅助下的光学遥感影像舰船检测方法 | |
CN108319973A (zh) | 一种树上柑橘果实检测方法 | |
CN109613006A (zh) | 一种基于端到端神经网络的织物疵点检测方法 | |
CN110119728A (zh) | 基于多尺度融合语义分割网络的遥感图像云检测方法 | |
CN109460754B (zh) | 一种水面异物检测方法、装置、设备及存储介质 | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
CN108364280A (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
CN106650812B (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN101706445B (zh) | 用于牛肉大理石花纹等级评分的图像处理方法 | |
CN103364410B (zh) | 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN105096315B (zh) | 基于Gamma分布的异质超像素SAR图像分割方法 | |
CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
CN108765491A (zh) | 一种sar图像舰船目标检测方法 | |
CN108399361A (zh) | 一种基于卷积神经网络cnn和语义分割的行人检测方法 | |
CN110738676A (zh) | 一种结合RGBD数据的GrabCut自动分割算法 | |
CN105718945A (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
CN110135500A (zh) | 一种基于自适应深度特征滤波器的多场景下目标跟踪方法 | |
CN111242864B (zh) | 一种基于Gabor纹理约束的手指静脉图像修复方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231128 Address after: 462000 Intersection of Wenming Road and China National Highway 107, Yancheng District, Luohe City, Henan Province Patentee after: Zhongyuan Food Laboratory Address before: 100083 No. 17 Qinghua East Road, Beijing, Haidian District Patentee before: CHINA AGRICULTURAL University |
|
TR01 | Transfer of patent right |