CN109035229A - 一种基于傅里叶描述子的奶牛体况自动评价方法 - Google Patents
一种基于傅里叶描述子的奶牛体况自动评价方法 Download PDFInfo
- Publication number
- CN109035229A CN109035229A CN201810790305.5A CN201810790305A CN109035229A CN 109035229 A CN109035229 A CN 109035229A CN 201810790305 A CN201810790305 A CN 201810790305A CN 109035229 A CN109035229 A CN 109035229A
- Authority
- CN
- China
- Prior art keywords
- image
- cow
- model
- fourier
- body condition
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 21
- 239000008267 milk Substances 0.000 title abstract description 15
- 235000013336 milk Nutrition 0.000 title abstract description 15
- 210000004080 milk Anatomy 0.000 title abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 16
- 230000000877 morphologic effect Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000000611 regression analysis Methods 0.000 claims abstract description 4
- 241000283690 Bos taurus Species 0.000 claims description 100
- 235000013365 dairy product Nutrition 0.000 claims description 19
- 238000009499 grossing Methods 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002411 adverse Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 229920006395 saturated elastomer Polymers 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 239000003086 colorant Substances 0.000 abstract description 2
- 238000009360 aquaculture Methods 0.000 abstract 1
- 244000144974 aquaculture Species 0.000 abstract 1
- 239000000284 extract Substances 0.000 abstract 1
- 210000004209 hair Anatomy 0.000 description 4
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 208000015754 perinatal disease Diseases 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000004003 subcutaneous fat Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于傅里叶描述子的奶牛体况自动评价方法，利用数字图像处理技术及回归分析方法建立奶牛体况评分的预测模型，采集不同场景中奶牛的后视图图像，按比例随机分为训练集样本和测试集样本；对训练集样本中的图像进行平滑处理，转换颜色空间得到饱和度图像；使用最大类间方差法求出饱和度图像的分割阈值得到二值化图像，利用形态学处理二值化图像；使用傅立叶描述子对奶牛的边界轮廓进行表达，提取主要频率建立回归模型；将回归模型作为预测模型对测试集样本进行测试，结果与专家评分比较，分析误差概率和评价效果。本发明了减少了人力和设备成本，操作方便，为实现养殖产业的自动化、智能化提供了可行方案。
Description
技术领域
本发明涉及图像处理的技术领域，尤其涉及一种基于傅里叶描述子的奶牛体况自动评价 方法，可应用于奶牛养殖时体况的评价。
背景技术
储存在脂肪和肌肉的代谢能量对保持奶牛的基本活动和牛奶产量至关重要。体况评分系 统用于指明和评估奶牛皮下脂肪或能量储备的相对量。体况不正常的奶牛患有代谢失调和其 他产期疾病的概率明显高于正常体况的奶牛。目前，奶牛体况评分工作由相关专业人员来完 成。当人工进行评价时，由于评价人员个体的差异，会给评价结果带来很大的不确定性。此 外，人工评价方法自动化程度低、工作强度大、效率低下，养殖企业很难对其形成有效的管 理。
基于二维数字图像处理技术，Azzaro在每个俯视图像中人工校准并标定出23个关键轮廓 点，使用线性和多项式核主成分分析重建奶牛的基本形状数据库，实现了奶牛半自动化评分， 该模型的平均误差为0.31。随着三维(3D)计算机视觉技术的使用，增加了关于对象的表面 的详细信息的获取。Spoliansky使用Kinect 3D摄像机开发了一种自动体况评分系统，在这项 研究中，14个特征值被用来建立预测模型；其结果表明，与人工参考值相比，91％的奶牛其 误差在小于0.5之内，该模型除了增加深度图像之外还需要体重、年龄等方面信息。
Azzaro的研究有23个点需要人工手动地从每个图像中选取出来，用来分析奶牛的轮廓和 形状，这增加了大量的人力成本。Spoliansky的研究需要增加昂贵的采集设备和系统，提高 了应用的成本，并且增加图像旋转，处理的环节增多，增加了深度图像、体重、年龄等特征 信息的同时增加操作的复杂性。本发明结合我国实际国情，针对数量众多的小规模的养殖场， 找到一条成本低廉，操作方便的路径。
发明内容
针对现有方法人力成本大应用成本高，操作复杂的技术问题，本发明提出一种基于傅里 叶描述子的奶牛体况自动评价方法，通过自然环境下奶牛图像的获取、预处理与特征提取的 相关技术处理，寻找适合奶牛自身特征点的处理方式，实现奶牛体况的自动评价。
为了达到上述目的，本发明的技术方案是这样实现的：一种基于傅里叶描述子的奶牛体 况自动评价方法，利用数字图像处理技术及回归分析方法建立奶牛体况评分的预测模型，其 步骤如下：
步骤一：采集不同场景中奶牛的后视图图像，同时由专家对该头奶牛进行体况评分，然 后人工筛选出适合处理的图像，并按比例随机分为训练集样本和测试集样本；
步骤二：运用灰度化和滤波方法对筛选出的训练集样本中的图像进行平滑处理，然后转 换颜色空间，提取出饱和度分量得到饱和度图像，消除奶牛体身黑白花的影响；
步骤三：使用最大类间方差法求出饱和度图像的分割阈值，利用分割阈值得到二值化图 像，再利用形态学处理二值化图像，实现奶牛的牛体与背景的分割；
步骤四：对步骤三处理后的图像使用傅立叶描述子对奶牛的边界轮廓进行表达，提取主 要频率建立回归模型；
步骤五：将步骤四的回归模型作为预测模型对测试集样本进行测试，结果与专家评分比 较，分析误差概率和评价效果。
所述后视图图像为利用数码相机或具备拍照功能的智能手机人工采集的图像，图像以设 有绿色保温布的牛舍建筑为背景；后视图的采集信息主要包含奶牛腰角、臀部和尾椎，每幅 图像的像素设置为不超过256×256；剔除受光线、牛体粪便或泥浆和遮挡物因素的不利影响， 选定训练集样本和测试集样本，每幅图像对应每头奶牛，训练集样本与测试集样本无重叠。
所述步骤二中平滑处理的方法为：训练集样本中奶牛后视图图像为RGB彩色图像，把 RGB彩色图像分为红、绿和蓝三个分量，然后独立的对每个分量进行模板为5的中值滤波操 作，最后再把处理过的三个分量重建为RGB图像，即可完成对彩色图像的平滑处理。
对平滑后的图像转换颜色空间的方法为：将RGB图像的RGB颜色空间转换到HSI颜色 模型，HSI颜色模型为：
色度分量H为：
其中，
饱和度分量S为：
强度分量I为：
其中，符号R、G和B分别代表RGB颜色空间的红分量值、绿分量值和蓝分量值。
将步骤二处理后的饱和度图像的分割阈值记作T，目标像素占整幅图像的比例记为ω0， 其平均灰度值记为μ0；背景像素占整幅图像的比例为ω1，其平均灰度值记为μ1；整幅图像的 平均灰度值记为μ，图像长度的像素值记为M，图像宽度的像素值记为N，类间方差记为g。 假设图像的目标区域较背景区域暗，灰度值小于阈值T的像素个数记作N0，灰度值大于阈值 T的像素个数记作N1，则有：
N0+N1＝M×N (7)
ω0+ω1＝1 (8)
μ＝ω0×μ0+ω1×μ1 (9)
g＝ω0×(μ0-μ)2+ω1×(μ1-μ)2 (10)
将公式(9)代入公式(10)，得到类间方差：
g＝ω0×ω1×(μ0-μ1)2 (11)
采用使用最大类间方差法遍历求得类间方差g的最大值，此时的阈值即为饱和度图像的 分割阈值T。
所述形态学处理的方法包括利用5×5的圆形结构元对二值化图像进行处理开运算和利用 5×5的圆形结构元对开运算处理后的图像进行闭运算，尽最大可能消除噪声，从而使奶牛体 躯轮廓和背景实现分离。
所述傅立叶描述子是通过傅立叶变换系数模的比值消除模与相位的变化的归一化，假设 从边界曲线的任意点(x0，y0)开始，逆时针方向前进，这个封闭曲线共包含P个离散的坐标点 (x0，y0)和{x(k)，y(k)|k＝1，2，…P-1}，利用傅立叶变换的性质可得归一化傅立叶描述子为：
其中，z(1)代表傅立叶变换的一阶分量系数，z(k)代表除0阶分量以外的第k个傅立叶 变换系数，||||表示取模。
所述建立回归模型的方法为：选取d(k)中最大的10个傅立叶描述子FD1、FD2……FD10 作为自变量，奶牛体况评分BCS为因变量，采用逐步回归法拟合分析，按照自变量对因变量 的显著性大小，按照由大到小的次序排序；然后逐一引入回归模型进行显著性检验，在每次 引入新的变量之前，回归模型的方程中只包含显著性变量，同时，排除对因变量影响不显著 的自变量，最后得到最优变量集；所述逐步回归法拟合分析的计算过程中，显著性检测的依 据是根据偏回归平方和的大小提取出使其最小的变量，并保留计算显著性水平，如此循环， 保留显著变量----去除不显著变量，直至没有新的变量可以加入，也没有老的变量可以去除， 回归过程结束。
利用回归模型的方法选择相关性较好的模型并计算参数，得出下列模型：
模型一：
BCS＝3.6354+0.0995FD1-0.2824FD4-0.1979FD7 (13)
模型二：
BCS＝3.4391+0.0991FD1+0.1542FD3-0.3886FD5-0.3763FD6 (14)
其中，模型一的判定系数R2是0.773，模型二的判定系数R2是0.843，模型拟合程度均 在可接受范围内。
所述步骤五中对测试集样本中的每头奶牛后视图体躯轮廓的图像重复步骤二和步骤三依 次进行平滑处理、转化为饱和图像、利用最大类间方差法分割得到二值图像和对二值图像形 态学处理，然后利用公式(12)求出形态学处理后的最大的10个傅立叶描述子，将其带入模 型一和模型二中得到预测结果，利用预测结果与专家评分比较，分析误差概率和评价效果。
与现有技术相比。本发明的有益效果为：
(1)使用便携式、低成本数码相机作为采集图像的设备，图像按照256像素统一规范处 理，因此图像对像素的要求不高；奶牛养殖户可以使用带有摄像头的手机完成图像的采集， 而不需要奶牛场地前期基础设施的建设，减少人力和设备成本；
(2)图像采集之后的处理、识别和预测过程自动进行，不需要人工交互选择的方式进行， 成本低廉，操作方便，为实现养殖产业的自动化、智能化提供了可行方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术 描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一 些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些 附图获得其他的附图。
图1为本发明彩色图像的饱和度图和相应的直方图。
图2为本发明使用最大类间方差法二值化处理后的图像。
图3为本发明对二值化奶牛体躯图像进行形态学处理的图像。
图4为本发明利用傅里叶变换方法描述的奶牛体躯轮廓曲线。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描 述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明 中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。
如图1所示，一种基于傅里叶描述子的奶牛体况自动评价方法，利用数字图像处理技术 及回归分析方法建立奶牛体况评分(BCS)的预测模型，具体步骤如下：
步骤一：使用低成本、便携式数码相机采集不同场景中奶牛的后视图图片，同时由专家 对该头奶牛进行体况评分，然后人工筛选出适合处理的图像，并按比例随机分为训练集样本 和测试集样本。
本发明使用普通数码相机或者具备拍照功能的智能手机人工采集图像，以牛舍建筑为背 景，此背景设有绿色保温布方便后期图像的处理。图像采集方向是后视图，采集信息主要包 含奶牛腰角、臀部和尾椎，共选择53头奶牛作为实验对象，每幅图像的像素设置为不超过 256×256，剔除受光线、牛体粪便或泥浆和遮挡物等因素的不利影响，选定训练集样本包含 30幅图像，测试集样本包括23幅图像，每幅图像对应每头奶牛，训练集样本与测试集样本 无重叠。在采集每一头奶牛图像信息的同时，由专家对这头奶牛的体况情况进行评价，记录 其对应的体况分值。
步骤二：运用灰度化和滤波方法对筛选出的训练集样本中的图像进行平滑处理，然后转 换颜色空间，提取出饱和度分量得到饱和度图像，消除奶牛体身黑白花的影响。
奶牛全身长满毛发，个体不同长短不一，边缘处直立的毛发会有尖锐的现象出现，减少 这些毛发的不利影响，需要对其平滑处理。同时，图像边缘大多也是以高频分量的形式出现， 这时就会出现一个矛盾，即去除噪音的同时图像边缘也会模糊。通过对均值滤波和中值滤波 的比较，模板为5的中值滤波作为图像的预处理方案。在处理一幅RGB彩色图像中，把该图 像分为红、绿、蓝三个分量，然后独立的对每个分量进行中值滤波操作，最后再把处理过的 三个分量重建为RGB图像，即可完成对彩色图像的平滑处理。
荷斯坦奶牛外貌的最大特点是其体表的黑白花图案，不同的奶牛个体，其黑白花也是各 不相同，如果直接将RGB颜色空间下的图像用于识别的话，边缘轮廓信息的提取准确率会大 大降低。而HSI颜色模型的特点是完全能够分幵颜色与亮度，是对彩色描述图像处理算法的 理想工具，对使用者来说其成色自然直观，其应用在易受光照因素的环境下的采集图像具有 独特的优点。对于奶牛体躯的黑白花问题，利用HSI颜色模型的S分量即饱和度分量，可以 顺利的加以解决。将RGB图像的RGB颜色空间到HSI颜色模型的转换关系如下：
色度分量H为：
其中，
饱和度分量S为：
强度分量I为：
其中，符号R、G和B分别代表RGB颜色空间的红、绿和蓝分量值。
如图1所示为彩色图像的饱和度图和相应的直方图，图1(a)是颜色空间由RGB转换到HSI之后，提取的饱和度分量S后得到的饱和度图，图1(b)是图1(a)对应的直方图， 很明显看出呈现双峰分布，图1(b)的左侧对应奶牛的体躯部分，图1(b)的右侧对应背景， 对比明显，为下一步设置阈值，图像分割奠定坚实基础。
步骤三：使用最大类间方差法求出饱和度图像的分割阈值并对图像进行二值化，再利用 形态学处理分割后的奶牛体躯图像，实现奶牛的牛体与背景的分割。
对于步骤二处理后的图像f(x,y)，分割阈值记作T，目标像素占整幅图像的比例记为ω0， 其平均灰度值记为μ0；背景像素占整幅图像的比例为ω1，其平均灰度值记为μ1；整幅图像的 平均灰度值记为μ，图像长度的像素值记为M，图像宽度的像素值记为N，类间方差记为g。 假设图像的目标区域较背景区域暗，灰度值小于阈值T的像素个数记作N0，灰度值大于阈值 T的像素个数记作N1，则有：
N0+N1＝M×N (7)
ω0+ω1＝1 (8)
μ＝ω0×μ0+ω1×μ1 (9)
g＝ω0×(μ0-μ)2+ω1×(μ1-μ)2 (10)
将公式(9)代入公式(10)，得到类间方差：
g＝ω0×ω1×(μ0-μ1)2 (11)
采用使用最大类间方差法遍历求得类间方差g的最大值，此时的阈值即为所求的分割阈值T。
如图2所示为使用最大类间方差法即大津法二值化处理后的图像，分割是有效的。图2 中实施例的分割阈值是0.1961，分离度的度量值是0.8460，这个值相对较高，说明灰度分成 两类的可能性高。
对奶牛体躯图像二值化以后再进行形态学处理的图像，如图3所示，其中图3(a)图开 运算后的效果图，图3(b)是闭运算后的效果图，两者均采用5×5的圆形结构元。从图3(a) 中可以看出，开运算后图像的内部孔洞已被填充，但是背景中细小突起较多，更严重的是出 现细小的桥接。从图3(b)中可以看出，闭运算后图像的背景中的孤立物大部分被去除了， 但是小的孔洞还有存在，特别是左上方弯口处小洞变大，成沟壑状，造成图像的分裂。
形态学处理中开运算去除比结构元小的明亮的细节，闭运算去除比结构元小的黑暗细节， 因此考虑两者组合在一起，用来平滑图像并去掉噪声。图3(c)是在图3(a)的基础上又做 了一次闭运算，图3(d)是在图3(b)的基础上又做了一次开运算。我们注意到，图3(c) 中背景中的暗区域被平滑的很好，图3(d)中小的孔洞也全部消失了，只有区域轮廓处出现 了明显的凹陷的部分。综合对比，图3(c)效果更好，因此，本发明使用这种开-闭滤波的方 法做形态学处理，利用5×5的圆形结构元对二值化图像进行处理开运算和利用5×5的圆形结 构元对开运算处理后的图像进行闭运算；在尽最大可能消除噪声的前提下，奶牛体躯轮廓和 背景实现分离，曲线信息基本上完整的提取出来了。
步骤四：对步骤三处理后的图像使用傅立叶描述子对奶牛的边界轮廓进行表达，提取主 要频率建立回归模型。
在描述图像时，应考虑这种方法对平移、旋转和尺度变化是否敏感，如果敏感，则应该 尽可能的消除这些不利的影响。傅立叶描述子具有旋转不变性与平移不变性且0阶分量系数 取值为零，则傅立叶描述子与曲线起始点无关。为实现缩放不变性，假设从边界曲线的任意 点(x0，y0)开始，逆时针方向前进，这个封闭曲线共包含P个离散的坐标点 {x(k)，y(k)|k＝0，1，2，…P-1}，通过傅立叶变换系数模的比值消除模与相位的变化，定义归一 化傅立叶描述子：
其中，z(1)代表傅立叶变换的一阶分量系数，z(k)代表除0阶分量以外的第k个傅立叶 变换系数，||||表示取模。
利用傅立叶变换的方法对奶牛体躯轮廓曲线进行描述，可知d(1)的值一直为1，不具参 考意义，故舍弃不用。为方便后续计算，d(k)统一取百分制数字，如图4所示，在横轴上随 着低频到高频延伸，纵轴上对应的傅立叶描述子逐渐变小，从第十个傅立叶描述子向后数值 逐渐趋向于零。根据傅立叶描述子的重要特征：低频分量决定整体形状，高频分量侧重对细 节的表达，取前十个傅立叶描述子即可表征奶牛形状的大部分信息。
为了建立因变量奶牛体况评分BCS和自变量10个傅立叶描述子(FD1、FD2......FD10) 之间的回归模型，采用逐步回归法拟合分析，按照自变量对因变量的显著性大小，按照由大 到小的次序排序，然后逐一引入回归模型，独立的进行显著性检验，在每次引入新的变量之 前，回归方程中一定只包含显著性变量，同时，排除那些对因变量影响不显著的自变量，最 后得到最优变量集。在计算过程中，显著性检测的依据是根据偏回归平方和的大小提取出使 其最小的变量，并保留计算显著性水平，如此循环，保留显著变量----去除不显著变量，直至 没有新的变量可以加入，也没有老的变量可以去除，回归过程结束。
本发明采用上述回归模型的方法，选择相关性较好的模型并计算参数，得出下列公式， 其中公式(13)的判定系数R2是0.773，公式(14)的判定系数R2是0.843，模型拟合程度均在可接受范围内。
模型一：
BCS＝3.6354+0.0995FD1-0.2824FD4-0.1979FD7 (13)
模型二：
BCS＝3.4391+0.0991FD1+0.1542FD3-0.3886FD5-0.3763FD6 (14)
步骤五：将步骤四的回归模型作为预测模型对测试集样本进行测试，结果与专家评分比 较，分析误差概率和评价效果。
对测试集样本中的奶牛图片进行处理之后，将每头奶牛后视图体躯轮廓的10个傅立叶描 述子分别代入公式(13)和公式(14)，计算得出相应的模型评分。
将模型评分与专家评分进行比对，两者相减取绝对值，得出BCS误差幅度，按照0-0.25， 0-0.5，0-0.75，0-1分为不同的类别，计算占总数的百分比数值，如表1和表2所示。表1显 示模型一的得分与专家打分误差幅度在各个分类中所占的百分比，其中，训练集效果很好， 77％的评分的误差集中在0-0.25的幅度以内，总体误差没有超过0.5的情况出现。测试集效 果也不错，66％的误差在0.25以内，91％的误差在0.5以内。表2显示模型二的得分与专家 打分误差幅度在各个分类中所占的百分比，其中，训练集效果比模型一的还要好，90％的评 分的误差集中在0-0.25的幅度以内，总体误差没有超过0.5的情况出现。但是，测试样本集 效果不如模型一稳定，57％的误差在0.25以内，83％的误差在0.5以内，比模型一都低了8 个百分点。总体而言，模型一的预测评分误差要低于模型二，效果较好。
表1模型一的得分与专家打分的误差幅度单位：％
表2模型二的得分与专家打分的误差幅度单位：％
奶牛体况评分的目的是对奶牛的膘情有定量的评价，从而指导养殖户对不同时期奶牛的 营养状态作出评估，进一步调整干物质配方，优化饮食结构，提高产出性价比。奶牛处在不 同的生理周期，其奶牛体况评分BCS的最佳值是不同的，但是综合来看，不管哪个时期，奶 牛体况评分BCS评分的最低分是2.75，最高分是3.75分，超出上限和下限就需要引起重视， 加以调整。另一方面，从奶牛养殖户的角度看来，奶牛体况评分的结果是2.9、3或者3.1， 这些精确的而又相近的数字对于他们，只有困惑而没有实际的生产指导意义。他们更希望知 道的是：奶牛是消瘦还是肥胖。
按照这个原则，对奶牛体况进行更加广义上的分类，BCS评分在1.0-2.75之间的认为是 较瘦的奶牛，在3.0-3.5之间的是中等的奶牛，在3.75-5.0之间的是较胖的奶牛。按照这种分 类，对专家打分和模型打分进行比较，得出正确评价率，如表3、表4、表5和表6所示。
表3训练集样本下模型一与专家打分的正确分类率单位：％
表3显示在训练集样本的情况下，模型一与专家打分正确分类率的情况，专家打分在 1.0-2.75时，对应的模型一得分100％的坐落在这个区间；专家打分在3.0-3.5时，对应的模型 一得分75％的坐落在这个区间，另有8％的打分偏低，17％的打分偏高；专家打分在3.75-5.0 时，对应的模型一得分100％的坐落在这个区间。可以看出，较瘦的和较胖的奶牛得到了准确 的预测，中等的奶牛有一部分误判为偏瘦的，有一部分误判为偏胖的，预测准确率基本可以 接受。
表4测试集样本下模型一与专家打分的正确分类率单位：％
表5训练集样本下模型二与专家打分的正确分类率单位：％
表6测试集样本下模型二与专家打分的正确分类率单位：％
表4显示在测试集样本的情况下，模型一的预测成功率发生了明显的变化，较瘦和中等 的奶牛的准确率和训练集样本差别不大，较胖的奶牛预测准确率较低。表5和表3比较，显 示模型二在同样的训练集样本的情况下，和模型一相差不大，结果可接受。表6和表4比较， 显示模型二在同样的测试集样本的情况下，和模型一有较大的变化，中等的奶牛预测分类正 确率下降12％，较胖的奶牛预测分类正确率大幅提升20％，结果有好有坏。
综上所述，建立的预测模型可以在误差范围<0.25的情况下取得65％的正确率，在误差范 围<0.5的情况下取得91％的正确率，预测效果良好。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原 则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于傅里叶描述子的奶牛体况自动评价方法，其特征在于，利用数字图像处理技术及回归分析方法建立奶牛体况评分的预测模型，其步骤如下：
步骤一：采集不同场景中奶牛的后视图图像，同时由专家对该头奶牛进行体况评分，然后人工筛选出适合处理的图像，并按比例随机分为训练集样本和测试集样本；
步骤二：运用灰度化和滤波方法对筛选出的训练集样本中的图像进行平滑处理，然后转换颜色空间，提取出饱和度分量得到饱和度图像，消除奶牛体身黑白花的影响；
步骤三：使用最大类间方差法求出饱和度图像的分割阈值，利用分割阈值得到二值化图像，再利用形态学处理二值化图像，实现奶牛的牛体与背景的分割；
步骤四：对步骤三处理后的图像使用傅立叶描述子对奶牛的边界轮廓进行表达，提取主要频率建立回归模型；
步骤五：将步骤四的回归模型作为预测模型对测试集样本进行测试，结果与专家评分比较，分析误差概率和评价效果。
2.根据权利要求1所述的基于傅里叶描述子的奶牛体况自动评价方法，其特征在于，所述后视图图像为利用数码相机或具备拍照功能的智能手机人工采集的图像，图像以设有绿色保温布的牛舍建筑为背景；后视图的采集信息主要包含奶牛腰角、臀部和尾椎，每幅图像的像素设置为不超过256×256；剔除受光线、牛体粪便或泥浆和遮挡物因素的不利影响，选定训练集样本和测试集样本，每幅图像对应每头奶牛，训练集样本与测试集样本无重叠。
3.根据权利要求1所述的基于傅里叶描述子的奶牛体况自动评价方法，其特征在于，所述步骤二中平滑处理的方法为：训练集样本中奶牛后视图图像为RGB彩色图像，把RGB彩色图像分为红、绿和蓝三个分量，然后独立的对每个分量进行模板为5的中值滤波操作，最后再把处理过的三个分量重建为RGB图像，即可完成对彩色图像的平滑处理。
4.根据权利要求1所述的基于傅里叶描述子的奶牛体况自动评价方法，其特征在于，对平滑后的图像转换颜色空间的方法为：将RGB图像的RGB颜色空间转换到HSI颜色模型，HSI颜色模型为：
色度分量H为：
其中，
饱和度分量S为：
强度分量I为：
其中，符号R、G和B分别代表RGB颜色空间的红分量值、绿分量值和蓝分量值。
5.根据权利要求1所述的基于傅里叶描述子的奶牛体况自动评价方法，其特征在于，将步骤二处理后的饱和度图像的分割阈值记作T，目标像素占整幅图像的比例记为ω0，其平均灰度值记为μ0；背景像素占整幅图像的比例为ω1，其平均灰度值记为μ1；整幅图像的平均灰度值记为μ，图像长度的像素值记为M，图像宽度的像素值记为N，类间方差记为g。假设图像的目标区域较背景区域暗，灰度值小于阈值T的像素个数记作N0，灰度值大于阈值T的像素个数记作N1，则有：
N0+N1＝M×N (7)
ω0+ω1＝1 (8)
μ＝ω0×μ0+ω1×μ1 (9)
g＝ω0×(μ0-μ)2+ω1×(μ1-μ)2 (10)
将公式(9)代入公式(10)，得到类间方差：
g＝ω0×ω1×(μ0-μ1)2 (11)
采用使用最大类间方差法遍历求得类间方差g的最大值，此时的阈值即为饱和度图像的分割阈值T。
6.根据权利要求5所述的基于傅里叶描述子的奶牛体况自动评价方法，其特征在于，所述形态学处理的方法包括利用5×5的圆形结构元对二值化图像进行处理开运算和利用5×5的圆形结构元对开运算处理后的图像进行闭运算，尽最大可能消除噪声，从而使奶牛体躯轮廓和背景实现分离。
7.根据权利要求1所述的基于傅里叶描述子的奶牛体况自动评价方法，其特征在于，所述傅立叶描述子是通过傅立叶变换系数模的比值消除模与相位的变化的归一化，假设从边界曲线的任意点(x0,y0)开始，逆时针方向前进，这个封闭曲线共包含P个离散的坐标点(x0,y0)和{x(k),y(k)|k＝1,2,…P-1}，利用傅立叶变换的性质可得归一化傅立叶描述子为：
其中，z(1)代表傅立叶变换的一阶分量系数，z(k)代表除0阶分量以外的第k个傅立叶变换系数，||||表示取模。
8.根据权利要求7所述的基于傅里叶描述子的奶牛体况自动评价方法，其特征在于，所述建立回归模型的方法为：选取d(k)中最大的10个傅立叶描述子FD1、FD2……FD10作为自变量，奶牛体况评分BCS为因变量，采用逐步回归法拟合分析，按照自变量对因变量的显著性大小，按照由大到小的次序排序；然后逐一引入回归模型进行显著性检验，在每次引入新的变量之前，回归模型的方程中只包含显著性变量，同时，排除对因变量影响不显著的自变量，最后得到最优变量集；所述逐步回归法拟合分析的计算过程中，显著性检测的依据是根据偏回归平方和的大小提取出使其最小的变量，并保留计算显著性水平，如此循环，保留显著变量----去除不显著变量，直至没有新的变量可以加入，也没有老的变量可以去除，回归过程结束。
9.根据权利要求8所述的基于傅里叶描述子的奶牛体况自动评价方法，其特征在于，利用回归模型的方法选择相关性较好的模型并计算参数，得出下列模型：
模型一：
BCS＝3.6354+0.0995FD1-0.2824FD4-0.1979FD7 (13)
模型二：
BCS＝3.4391+0.0991FD1+0.1542FD3-0.3886FD5-0.3763FD6 (14)
其中，模型一的判定系数R2是0.773，模型二的判定系数R2是0.843，模型拟合程度均在可接受范围内。
10.根据权利要求9所述的基于傅里叶描述子的奶牛体况自动评价方法，其特征在于，所述步骤五中对测试集样本中的每头奶牛后视图体躯轮廓的图像重复步骤二和步骤三依次进行平滑处理、转化为饱和图像、利用最大类间方差法分割得到二值图像和对二值图像形态学处理，然后利用公式(12)求出形态学处理后的最大的10个傅立叶描述子，将其带入模型一和模型二中得到预测结果，利用预测结果与专家评分比较，分析误差概率和评价效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810790305.5A CN109035229B (zh) | 2018-07-18 | 2018-07-18 | 一种基于傅里叶描述子的奶牛体况自动评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810790305.5A CN109035229B (zh) | 2018-07-18 | 2018-07-18 | 一种基于傅里叶描述子的奶牛体况自动评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109035229A true CN109035229A (zh) | 2018-12-18 |
| CN109035229B CN109035229B (zh) | 2022-02-18 |
Family
ID=64643264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810790305.5A Active CN109035229B (zh) | 2018-07-18 | 2018-07-18 | 一种基于傅里叶描述子的奶牛体况自动评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109035229B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508890A (zh) * | 2020-11-26 | 2021-03-16 | 河南科技大学 | 一种基于二级评测模型的奶牛体脂率检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005012877A2 (en) * | 2003-08-01 | 2005-02-10 | Dna Twopointo Inc. | Systems and methods for antibody engineering |
| JP2008146268A (ja) * | 2006-12-08 | 2008-06-26 | Osaka Prefecture Univ | 映像を用いた発音の推定方法 |
| CN101246547A (zh) * | 2008-03-03 | 2008-08-20 | 北京航空航天大学 | 一种根据场景变化特征对视频中运动物体检测的方法 |
| CN104331682A (zh) * | 2014-10-11 | 2015-02-04 | 东南大学 | 一种基于傅里叶描述子的建筑物自动识别方法 |
| CN105447873A (zh) * | 2015-12-07 | 2016-03-30 | 天津大学 | 基于随机森林学习的rgb-d显著物体检测方法 |
| CN105550687A (zh) * | 2015-12-02 | 2016-05-04 | 西安电子科技大学 | 一种基于isa模型的rgb-d图像的多通道融合特征提取方法 |
| CN106022343A (zh) * | 2016-05-19 | 2016-10-12 | 东华大学 | 一种基于傅里叶描述子和bp神经网络的服装款式识别方法 |
-
2018
- 2018-07-18 CN CN201810790305.5A patent/CN109035229B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005012877A2 (en) * | 2003-08-01 | 2005-02-10 | Dna Twopointo Inc. | Systems and methods for antibody engineering |
| JP2008146268A (ja) * | 2006-12-08 | 2008-06-26 | Osaka Prefecture Univ | 映像を用いた発音の推定方法 |
| CN101246547A (zh) * | 2008-03-03 | 2008-08-20 | 北京航空航天大学 | 一种根据场景变化特征对视频中运动物体检测的方法 |
| CN104331682A (zh) * | 2014-10-11 | 2015-02-04 | 东南大学 | 一种基于傅里叶描述子的建筑物自动识别方法 |
| CN105550687A (zh) * | 2015-12-02 | 2016-05-04 | 西安电子科技大学 | 一种基于isa模型的rgb-d图像的多通道融合特征提取方法 |
| CN105447873A (zh) * | 2015-12-07 | 2016-03-30 | 天津大学 | 基于随机森林学习的rgb-d显著物体检测方法 |
| CN106022343A (zh) * | 2016-05-19 | 2016-10-12 | 东华大学 | 一种基于傅里叶描述子和bp神经网络的服装款式识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| A. BERCOVICH: "Development of an automatic cow body condition scoring using body shape signature and Fourier descriptors", 《JOURNAL OF DAIRY SCIENCE》 * |
| 冉冉 等: "结合HSL模型与傅里叶描述子的三维彩色物体识别", 《智能系统学报》 * |
| 赵凯旋: "基于机器视觉的奶牛个体信息感知及行为分析", 《中国博士学位论文全文数据库 农业科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508890A (zh) * | 2020-11-26 | 2021-03-16 | 河南科技大学 | 一种基于二级评测模型的奶牛体脂率检测方法 |
| CN112508890B (zh) * | 2020-11-26 | 2022-12-09 | 河南科技大学 | 一种基于二级评测模型的奶牛体脂率检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109035229B (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2543948C2 (ru) | Устройство и способ определения количественного показателя состояния тела животного | |
| CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
| CN110097537B (zh) | 一种基于三维纹理特征的肉质定量分析评价方法 | |
| CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
| US7970212B2 (en) | Method for automatic detection and classification of objects and patterns in low resolution environments | |
| CN105389581B (zh) | 一种胚芽米胚芽完整度智能识别系统及其识别方法 | |
| CN106340000A (zh) | 骨龄评估方法 | |
| CN105160346B (zh) | 一种基于纹理和分布特征的舌苔腐腻识别方法 | |
| US7248728B2 (en) | Abnormal shadow detecting system | |
| CN108830856B (zh) | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 | |
| CN107871316A (zh) | 一种基于深度神经网络的x光片手骨兴趣区域自动提取方法 | |
| CN108615239A (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
| CN111860639A (zh) | 一种量化烤烟烟叶烘烤特性的判定系统及判定方法 | |
| CN110675400A (zh) | 一种基于手机app的羊肉品质指标快速智能检测方法 | |
| Saifullah et al. | Thresholding and hybrid CLAHE-HE for chicken egg embryo segmentation | |
| CN112816487B (zh) | 一种基于机器视觉的皮蛋内部品质无损检测方法 | |
| CN109035229B (zh) | 一种基于傅里叶描述子的奶牛体况自动评价方法 | |
| Sosa et al. | An algorithm for detection of nutritional deficiencies from digital images of coffee leaves based on descriptors and neural networks | |
| CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 | |
| CN110443790B (zh) | 一种医学影像中软骨识别方法和识别系统 | |
| CN113283378B (zh) | 一种基于梯形区域归一化像素差异特征的猪脸检测方法 | |
| CN109460781A (zh) | 一种基于决策树归纳学习的牛排等级划分方法 | |
| Yeh et al. | A reference standard of defect compensation for leather transactions | |
| CN108007929A (zh) | 一种牛肉生理成熟度的自动判定方法 | |
| Kaewapichai et al. | Fitting a pineapple model for automatic maturity grading |
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 |