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

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(C_k))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

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

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(C_k)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(x_ij，y_ij)，区域内所有像素灰度平均值为v_ij，设定其权值大小为w_ij,w_ij的定义为：

其中，w_ij与v_ij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C_k，C_k中的像素个数为n_k，则C_k定义为：

C_k＝{(x_i,y_i)|(x_i,y_i)∈C_k,i＝1,2,…,n_k}

(b)设定系数函数f(C_k)，f(C_k)的定义为：

(c)重新定义ν的值，第k次迭代时ν_k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(C_k)的值会逐渐降低，直到完全找到目标轮廓，f(C_k)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(C_k)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，ψ_p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，n_p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ψ_p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，n_p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ψ_P后，就要在已知区域内搜索此目标块的最佳匹配块ψ_Q，目标块与最佳匹配块有如下匹配准则：

其中，d(ψ_P，ψ_q)表示目标块ψ_P和样本块ψ_q中对应已知像素的颜色差的平方和，可由下式表示：

d(ψ_P，ψ_q)＝∑[(P_r-q_r)²+(P_g-q_g)²+(P_b-q_b)²]

其中P、q分别对应块ψ_P和ψ_q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ψ_Q后，将块ψ_Q中的像素对应复制到目标块ψ_P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(x_ij，y_ij)，区域内所有像素灰度平均值为v_ij，设定其权值大小为w_ij,w_ij的定义为：

其中，w_ij与v_ij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C_k，C_k中的像素个数为n_k，则C_k定义为：

C_k＝{(x_i,y_i)|(x_i,y_i)∈C_k,i＝1,2,…,n_k}

(b)设定系数函数f(C_k)，f(C_k)的定义为：

(c)重新定义ν的值，第k次迭代时ν_k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(C_k)的值会逐渐降低，直到完全找到目标轮廓，f(C_k)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(C_k)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：

$F(i,j)=\left\{\begin{array}{cc}255& V>thresh1,S>thresh2\\ 0& else\end{array}\right.$

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(x_ij,y_ij)，区域内所有像素灰度平均值为v_ij，设定其权值大小为w_ij,w_ij的定义为：

$w_{ij}={\left(\frac{255}{v_{ij}}\right)}^2*e^{-\sqrt{{(i-3)}^2+{(j-2)}^2}}$

其中，w_ij与v_ij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：

$\begin{array}{cc}x=\frac{1}{W}\underset{i=1}{\overset{5}{\Σ}}\underset{j=1}{\overset{3}{\Σ}}{x}_{ij}\×w_{ij}& y=\frac{1}{W}\underset{i=1}{\overset{5}{\Σ}}\underset{j=1}{\overset{3}{\Σ}}{y}_{ij}\×w_{ij}\end{array}$

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C_k，C_k中的像素个数为n_k，则C_k定义为：

C_k＝{(x_i,y_i)|(x_i,y_i)∈C_k,i＝1,2,…,n_k}

(5b)设定系数函数f(C_k)，f(C_k)的定义为：

$f\left(C_k\right)=\frac{1}{n_k}\underset{i=1}{\overset{n_k}{\Σ}}g(x_i,y_i)$

(5c)重新定义ν的值，第k次迭代时ν_k的值为：

$v_k=v_0\×\frac{f\left(C_k\right)}{f\left(C_0\right)}$

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(C_k)的值会逐渐降低，直到完全找到目标轮廓，f(C_k)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。