CN110097537B - 一种基于三维纹理特征的肉质定量分析评价方法 - Google Patents

Abstract

本发明公开了一种基于三维纹理特征的肉质定量分析评价方法，包括如下步骤：(1)选取多头种猪，固定好种猪的位置，放入CT机中，拍摄三维CT图；(2)获取种猪三维数字图像，选择位于第10根肋骨和第11根肋骨之间区域为兴趣域；(3)结合三维高斯滤波器和小波变换图像增强技术对目标区域进行预处理；(4)采用三维的区域生长法对预处理后的图像进行分割，提取猪背最长肌的三维图像；(5)提取三维图像的纹理特征；(6)根据提取的特征通过多元线性回归法得到特征与已知大理石花纹等级之间的关系。本发明能够根据CT图像的三维纹理特征判断它所对应的大理石花纹等级，实现肉质的定量分析、评价，利用本发明能精确无损地对猪肉质量进行等级划分。

Description

一种基于三维纹理特征的肉质定量分析评价方法

技术领域

本发明涉及计算机视觉、图像处理技术领域，尤其是一种基于三维纹理特征的肉质定量分析评价方法。

背景技术

肉的大理石花纹是肉质评定的一个重要标志，它不仅影响猪肉的风味、口感，还影响食用营养与健康。大理石花纹是猪肉肌内脂肪分布状态的外在表现，因此，对猪的肌内脂肪含量进行分析对肉质的研究非常地有意义。猪肌内脂肪的分析方法一般包括感官评定法、化学分析法、计算机视觉技术、近红外光谱法、高光谱法和超声法等。感官评定法需要专门的测定人员根据大理石花纹特征进行手工评定，这一方法不可避免地存在着误差。化学分析法的测定结果虽较为精确，但步骤繁琐、耗时耗力，不方便大规模推广。近红外光谱法、高光谱法的技术较为新颖、高效，但精确度、稳定度有待提高。超声法虽然可以用于活体预测，但是需要昂贵的器材和专业的操作人员。近年来随着计算机视觉技术飞速发展，利用图像处理技术分析猪的肌内脂肪情况受到越来越多研究者的青睐。

目前，国内外测定大理石花纹的方法都是按照《瘦肉型猪肉质评定方法》，将大理石含量分为5级，大理石花纹含量越高，则对应的级数越高，相应的脂肪含量也就越高。

经检索，中国专利申请号200910098332.7，申请日为2009年5月7日，发明创造名称为：基于机器视觉的猪肉外观品质实时检测分级方法与装置；该申请案通过相机拍摄采集猪眼肌图像，利用分级软件进行实时图像处理和特征提取，得到反映猪肉外观品质的特征信息；再利用预测模型对肉品质进行评价，对眼肌肉完成颜色、大理石纹和嫩度以及综合品质的等级评定。中国专利申请号201610009967.5，申请日为2016年1月7日，发明创造名称为：一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法；该专利通过摄像机标定法对猪眼肌进行拍摄，用最大熵法和迭代法对图片进行预处理后提取大理石图像的脂肪数量指标等291个特征，利用这些特征建立数学模型进行预测。2005年，王笑丹等人提出了一种《基于计算机图像分析的肌内脂肪含量测定》，该方法利用照相机取得大理石花纹的含量特征后，再通过仪器测量固体电导率、剪切力值、肌内干物质、灰分等特征，最后利用这些特征建立最适合的回归模型对肌内脂肪含量的进行计算。

上述文献和专利中介绍的图像处理算法中的图像采集都是采用摄像机进行拍摄，再将拍摄的照片上传至图像处理软件进行图像处理。使用摄像机拍摄时难免会存在拍摄角度、光照、背景等因素的影响，拍摄的照片一旦产生问题，势必会影响对图像处理，从而对肌内脂肪的测定结果产生影响。同时，上述文献和专利中对图像的特征提取仅仅是对一张眼肌的表面照片进行特征提取，没有考虑到眼肌内部的构造，所提取的特征只是简单的二维表面的特征，没有对猪眼肌的三维纹理特征进行综合考虑。

发明内容

本发明所要解决的技术问题在于，提供一种基于三维纹理特征的肉质定量分析评价方法，能够根据CT图像的三维纹理特征判断它所对应的大理石花纹等级，实现肉质的定量分析、评价，利用本发明能精确地、无损地对猪肉质量进行等级划分。

为解决上述技术问题，本发明提供一种基于三维纹理特征的肉质定量分析评价方法，包括如下步骤：

(1)选取多头种猪，固定好种猪的位置，放入CT机中，拍摄三维CT图；

(2)获取种猪三维数字图像，选择位于第10根肋骨和第11根肋骨之间区域为兴趣域；

(3)结合三维高斯滤波器和小波变换图像增强技术对目标区域进行预处理；

(4)采用三维的区域生长法对预处理后的图像进行分割，提取猪背最长肌的三维图像；

(5)提取三维图像的纹理特征；

(6)根据提取的特征通过多元线性回归法得到特征与已知大理石花纹等级之间的关系。

优选的，步骤(3)中，结合三维高斯滤波器和小波变换图像增强技术对目标区域进行预处理，具体包括以下步骤：

(31)针对选定的目标区域，利用三维的高斯滤波器消除CT图像中可能存在的高斯噪声，使图像变得更加平滑，高斯滤波模板的系数是由高斯函数值组成，一个三维的高斯函数如下：

其中(x,y,z)为点坐标，在图像处理中认为是整数，σ表示标准差；

(32)对滤波后的图像采用小波变换图像增强算法，使图像的边缘信息更明朗；

使用小波变换处理图像的具体步骤如下：

第一步：使用小波变换将需要处理的CT图像进行处理，CT图像经过处理后会分解成多个尺度，在各尺度下获得相应的高频和低频系数；

第二步：对第一步中得到的高频部分继续使用小波变换进行分解，得到相应的高频部分和低频部分；使用加权法对高频部分和低频部分进行加权，使高频的比重增加，这样就能使图像在高频上得到增强；

第三步：对加权之后的高频部分和低频部分进行小波重构，就能获得小波变换增强后的图像。

优选的，步骤(4)中，采用三维的区域生长法对预处理后的图像进行分割，提取猪背最长肌的三维图像，具体包括以下步骤：

(41)对预处理后的图片进行二值化，二值化的阈值设定采用分量迭代的方法，分量迭代方法的具体步骤如下：

第一步：获取图像中最大的灰度级H_max和最小灰度级H_min；

第二步：定义开始迭代时的阈值为

第三步：迭代后，图像H_i被分割为2类，这两类的平均灰度值为a和b；

第四步：设定下一个迭代的平均阈值为若H_i＝H_i+1，则停止迭代，否则，令H_i＝H_i+1并跳转到第三步；

(42)进行形态学操作，首先选用了腐蚀的方法实现赘肉的去除，再进行膨胀操作恢复图片原来的大小；腐蚀膨胀的方法具体如下：

腐蚀：

膨胀：

S表示腐蚀或膨胀后图像集合，B表示腐蚀用的结构元素，A表示原来二值图像集合，表示腐蚀操作，/>表示膨胀操作；

(43)采用26-邻域三维区域生长法分割最长肌具体步骤如下：

第一步：选择种子点，假设选择的初始种子点坐标为(x,y,z)，用种子点和它26-邻域的灰度均值作为种子区域的初始灰度值，其计算公式如下：

第二步：设置生长规则，计算其26邻域的方差，作为生长规则的归并阈值，其计算公式如下：

第三步：设置生长判断规则，使用灰度均值和方差两个阈值作为区域生长判断规则方法如下：

|seedpoint(x,y,z)-mean(x,y,z)|<threshold1

|seedpoint(x,y,z)-δ(x,y,z)|<threshold2

其中，seedpoint(x,y,z)是种子点灰度值，mean(x,y,z)是当前区域的灰度均值，threshold1和threshold2是设定的阈值；

第四步：遍历搜索种子点的26-邻域，当像素点满足生长判断规则的条件时，被判断为分割目标并被合并；随后更新种子点，继续根据生长判断规则检索26-邻域，直至没有满足条件的像素点为止。

优选的，步骤(5)中提取三维图像的纹理特征，具体包括如下步骤：

(51)灰度梯度参数：

T1大梯度优势；

T2灰度均值；

T3灰度方差；

T4梯度均值；

T5惯性；

T6灰度值变异系数；

(52)灰度共生矩阵

如下公式中，P[i,j]表示[i,j]在三维空间中出现的概率，并且这个矩阵伴随着一个位移量d＝(dx,dy,dz)，dx和dy就像二维矩阵中的空间位移dx和dy一样，dz则表示在z轴方向上的灰度位移量，θ为灰度共生矩阵P(x,y,z)与x轴方向夹角，φ为P(x,y,z)在ZOY面的投影与z轴的夹角，L表示灰度级数；

角二阶矩：

对比度：

熵：

相关：

其中，μ_x灰度均值，μ_y为平滑均值，为灰度方差，/>为平滑方差；

(53)灰度直方图

灰度直方图偏度：

其中SD为灰度标准差，p(i)为灰度直方图中每个灰度级所占的个数除以总的像素个数；

灰度直方图峰值夹角：

(54)灰度等级差分统计

设(x,y,z)图像中的一点，该点和它只有微小距离的点(x+Δx,y+Δy,z+Δz)的灰度差值为：

g_Δ(x,y,z)＝g(x,y,z)-g(x+Δx,y+Δy,z+Δz)

其中g_Δ称为灰度差分，设灰度差分值的所有可能取值为m级，令(x,y,z)在整个空间上移动，统计出g_Δ取各个数值的次数，由此可以做出g_Δ的直方图，由直方图统计得到每一个灰度差分值的概率为p(i)；

平均值

对比度

熵

优选的，步骤(6)中，根据提取的特征通过多元线性回归法得到特征与大理石花纹等级之间的关系，具体包括如下步骤：

(61)先将猪肉大理石花纹根据肌内脂肪含量分为5级，分别为：①几乎没有到稀量；②微量到少量；③少量到中等；④中等到丰富；⑤过多量分布；再通过手工评定法确定每一头猪所属的大理石花纹等级。

(62)采用多元线性回归模型将提取的特征与已知的大理石花纹等级进行回归，通过最小二乘法确定回归系数，多元线性回归的方程为：Y＝β₀+β₁x₁+β₂x₂+…+β_px_p+ε；

其中，x₁,x₂,x_p分别代表自变量，ε代表随机误差，β_i称为回归系数；

最终得到的大理石花纹等级公式为：

大理石花纹等级Y＝β₀+β₁T1+β₂T2+β₃T3+β₄T4+β₅T5+β₆T6+β₇W1+β₈W2+β₉W3+β₁₀W4+β₁₁F1+β₁₂F2+β₁₃F3+β₁₄S1+β₁₅S2+ε。

本发明的有益效果为：(1)本发明采用三维的区域生长的方式对猪的最长肌进行分割，分割的精确度更高，可以更好地体现出猪的最长肌的真实特征；(2)本发明提取了图像的三维纹理特征参数包括灰度梯度参数、灰度共生矩阵参数、灰度直方图参数、灰度等级差分统计参数等特征，并对特征多次求解，算出特征的平均值，参数特征包含了三维图像的各个方向，因此更加可靠、全面、多样化；(3)本发明采用最小二乘法确立模型的回归系数，通过多元线性回归法建立大理石花纹等级与所提取三维纹理特征的关系，最后根据建立的特征公式预测某CT图像所属的大理石花纹等级。

附图说明

图1为本发明的方法流程示意图。

具体实施方式

如图1所示，一种基于三维纹理特征的肉质定量分析评价方法，包括如下步骤：

(1)选取多头种猪，固定好种猪的位置，放入CT机中，拍摄三维CT图。

(2)获取种猪三维数字图像，选择位于第10根肋骨和第11根肋骨之间区域为兴趣域。猪最长肌的位置一般在第10根至第11根肋骨之间，故采用手工方法找到猪的第10至11根肋骨，并选取该三维区域为兴趣域。

(3)结合三维高斯滤波器和小波变换图像增强技术对目标区域进行预处理。

(4)采用三维的区域生长法对预处理后的图像进行分割，提取猪背最长肌的三维图像。

(5)提取三维图像的纹理特征。

(6)根据提取的特征通过多元线性回归法得到特征与已知大理石花纹等级之间的关系后，再根据某CT图像的三维纹理特征值预测它所对应的大理石花纹等级，实现肉质的定量分析、评价。

上述步骤(3)中，结合三维高斯滤波器和小波变换图像增强技术对目标区域进行预处理包括以下步骤：

本发明采集图像使用的工具为CT机，故产生的噪声大多是高斯噪声，所以在对图像进行分割之前，首先对图像进行预处理，去除图像中的噪声干扰并用小波变换增强算法对图像的细节部分进行增强。具体步骤如下：

(a)针对选定的目标区域，利用在空间域做卷积来实现高斯低通滤波。用三维的高斯滤波器消除CT图像中可能存在的高斯噪声，使图像变得更加平滑。高斯滤波模板的系数是由高斯函数值组成，一个三维的高斯函数如下：

其中(x,y,z)为点坐标，在图像处理中可认为是整数，σ表示标准差。

(b)对滤波后的图像采用小波变换图像增强算法，使图像的边缘信息更明朗。

使用小波变换处理图像的具体步骤如下：

第一步：使用小波变换将需要处理的CT图像进行处理，CT图像经过处理后会分解成多个尺度，在各尺度下获得相应的高频和低频系数。

第二步：对第一步中得到的高频部分继续使用小波变换进行分解，得到相应的高频部分和低频部分。使用加权法对高频部分和低频部分进行加权，使高频的比重增加，这样就能使图像在高频上得到增强。

第三步：对加权之后的高频部分和低频部分进行小波重构，就能获得小波变换增强后的图像。

上述步骤(4)中，采用三维的区域生长法对预处理后的图像进行分割，提取猪背最长肌的三维图像具体步骤如下：

由于猪眼肌的周围包裹着赘肉和脂肪，因此，在三维分割之前，需要对图像进行二值化和三维腐蚀膨胀。最后选择26-邻域区域生长法进行三维分割。

(a)对预处理后的图片进行二值化，二值化的阈值设定采用分量迭代的方法。分量迭代方法的具体步骤如下：

第一步：获取图像中最大的灰度级H_max和最小灰度级H_min。

第二步：定义开始迭代时的阈值为

第三步：迭代后，图像H_i被分割为2类，这两类的平均灰度值为a和b。

第四步：设定下一个迭代的平均阈值为若H_i＝H_i+1，则停止迭代，否则，令H_i＝H_i+1并跳转到第三步。

(b)进行形态学操作，首先选用了腐蚀的方法实现赘肉的去除，再进行膨胀操作恢复图片原来的大小。本专利选用了腐蚀膨胀的方法具体如下：

腐蚀：

膨胀：

S表示腐蚀(或膨胀)后图像集合，A表示原来二值图像集合，表示腐蚀操作，/>表示膨胀操作。B表示腐蚀(或膨胀)用的结构元素。

本专利的形态学操作包括：首先对二值化的图像进行三次膨胀操作，对膨胀后的图形再进行一次腐蚀操作，腐蚀后使用空洞填充法，最终确定分割前的图像。膨胀的结构元素选择5*5的椭圆形矩阵。腐蚀的结构元素采用一个半径为5的平坦型圆盘。

(c)采用26-邻域三维区域生长法分割，区域生长法的思想是把具有相似性的像素集合在一起构成区域从而达到分割目的。从所选择的种子点开始，逐步搜索区域，将具有相似性的像素合并成区域，并继续生长直至没有相似性像素时为止。具体步骤如下：

第一步：选择种子点，假设选择的初始种子点坐标为(x,y,z)，用种子点和它26-邻域的灰度均值作为种子区域的初始灰度值，其计算公式如下：

第二步：设置生长规则，计算其26邻域的方差，作为生长规则的归并阈值，其计算公式如下：

第三步：设置生长判断规则，使用灰度均值和方差两个阈值作为区域生长判断规则方法如下：

|seedpoint(x,y,z)-mean(x,y,z)|<threshold1

|seedpoint(x,y,z)-δ(x,y,z)|<threshold2

其中，seedpoint(x,y,z)是种子点灰度值，mean(x,y,z)是当前区域的灰度均值，threshold1和threshold2是设定的阈值。

第四步：遍历搜索种子点的26-邻域，当像素点满足生长判断规则的条件时，被判断为分割目标并被合并；随后更新种子点，继续根据生长判断规则检索26-邻域，直至没有满足条件的像素点为止。

上述步骤(5)中，提取三维图像的纹理特征，图像纹理特征参数包括灰度梯度参数、灰度共生矩阵参数、灰度直方图参数、灰度等级差分统计参数等，具体表述如下：

(a)灰度梯度参数

纹理特征分析既可以用灰度本身的信息，又可以用灰度变化的梯度信息。灰度梯度共生矩阵纹理分析方法是用灰度和梯度的综合信息提取纹理特征，它考虑灰度和边缘梯度的联合统计分布。以下为提取的灰度梯度的一些参数：

T1大梯度优势；

T2灰度均值；

T3灰度方差；

T4梯度均值；

T5惯性；

T6灰度值变异系数；

(b)灰度共生矩阵

通过研究三维空间中相隔某距离的两像素之间的相关特性可以得出一个共生矩阵。这是一个N×N的矩阵,其中N代表在三维图像数据中的灰度级，就像传统的二维矩阵，这个矩阵也可以表示出像素对[i,j]在三维空间中出现的概率P[i,j]，并且这个矩阵伴随着一个位移量d＝(dx,dy,dz)，dx和dy就像二维矩阵中的空间位移dx和dy一样，dz则表示在z轴方向上的灰度位移量，θ为灰度共生矩阵P(x,y,z)与x轴方向夹角，φ为P(x,y,z)在ZOY面的投影与z轴的夹角，L表示灰度级数。

取d＝1时，θ,φ共有13种组合分别为(0，0)(0，45)(0，90)(0，135)(45，45)(45，90)(45，135)(90，45)(90，90)(90，135)(135，45)(135，90)(135，135)，求13个方向上的各个参数的平均值得到最终的参数值，以抑制不同方向对纹理特征的不良影响。

通常采用的三维纹理特征统计量有以下几种：

角二阶矩：

对比度：

熵：

相关：

其中，μ_x灰度均值，μ_y为平滑均值，为灰度方差，/>为平滑方差。

(c)灰度直方图

S1灰度直方图偏度：

其中SD为灰度标准差，p(i)为灰度直方图中每个灰度级所占的个数除以总的像素个数。

S2灰度直方图峰度；

(d)灰度等级差分统计

设(x,y,z)图像中的一点，该点和它只有微小距离的点(x+Δx,y+Δy,z+Δz)的灰度差值为：

g_Δ(x,y,z)＝g(x,y,z)-g(x+Δx,y+Δy,z+Δz)

其中g_Δ称为灰度差分。设灰度差分值的所有可能取值为m级，令(x,y,z)在整个空间上移动，统计出g_Δ取各个数值的次数，由此可以做出g_Δ的直方图，由直方图统计得到每一个灰度差分值的概率为p(i)。

F1：平均值

F2：对比度

F3：熵

上述步骤(6)中，根据提取的特征通过多元线性回归法得到特征与已知大理石花纹等级之间的关系，再根据CT图像的三维纹理特征值预测它所对应的大理石花纹等级，所包含的具体步骤如下：

(a)先将猪肉大理石花纹根据肌内脂肪含量分为5级，分别为：①几乎没有到稀量②微量到少量(尚理想分布)③少量到中等(理想分布)④中等到丰富(尚理想分布)⑤过多量分布。再通过手工评定法确定每一头猪所属的大理石花纹等级。

(b)采用多元线性回归模型将多种猪提取的特征与已知大理石花纹等级进行回归，通过最小二乘法确定回归系数。多元线性回归的方程为：Y＝β₀+β₁x₁+β₂x₂+…+β_px_p+ε。其中，x₁，x₂，x_p分别代表自变量，ε代表随机误差，β_i称为回归系数。

第一步：将上述提取的特征值{T1，T2，T3，T4，T5，T6，W1，W2，W3，W4，F1，F2，F3，S1，S2}设为自变量，已知的大理石花纹等级Y为因变量。β₀，β₁…β₁₅为回归系数，其值通过最小二乘法确定。最终得到的大理石花纹等级公式为：

大理石花纹等级Y＝β₀+β₁T1+β₂T2+β₃T3+β₄T4+β₅T5+β₆T6+β₇W1+β₈W2+β₉W3+β₁₀W4+β₁₁F1+β₁₂F2+β₁₃F3+β₁₄S1+β₁₅S2+ε。

第二步：利用该公式对某头猪的大理石花纹等级进行预测时，首先根据利用本文所采用的方法提取出猪的三维纹理特征值，再将这些特征值代入上述所求的大理石花纹等级公式，最终得到大理石花纹的等级Y。

当0＜Y＜1.5时，所对应的大理石花纹等级为1级。

当1.5≤Y＜2.5时，所对应的大理石花纹等级为2级。

当2.5≤Y＜3.5时，所对应的大理石花纹等级为3级。

当3.5≤Y＜4.5时，所对应的大理石花纹等级为4级。

当4.5≤Y时，所对应的大理石花纹等级为5级。

Claims (2)

1.一种基于三维纹理特征的肉质定量分析评价方法，其特征在于，包括如下步骤：

(1)选取多头种猪，固定好种猪的位置，放入CT机中，拍摄三维CT图；

(2)获取种猪三维数字图像，选择位于第10根肋骨和第11根肋骨之间区域为兴趣域；

(3)结合三维高斯滤波器和小波变换图像增强技术对目标区域进行预处理；

(4)采用三维的区域生长法对预处理后的图像进行分割，提取猪背最长肌的三维图像；具体包括以下步骤：

(41)对预处理后的图片进行二值化，二值化的阈值设定采用分量迭代的方法，分量迭代方法的具体步骤如下：

第一步：获取图像中最大的灰度级H_max和最小灰度级H_min；

第二步：定义开始迭代时的阈值为

第三步：迭代后，图像H_i被分割为2类，这两类的平均灰度值为a和b；

第四步：设定下一个迭代的平均阈值为若H_i＝H_i+1，则停止迭代，否则，令H_i＝H_i+1并跳转到第三步；

(42)进行形态学操作，首先选用了腐蚀的方法实现赘肉的去除，再进行膨胀操作恢复图片原来的大小；腐蚀膨胀的方法具体如下：

腐蚀：

膨胀：

S表示腐蚀或膨胀后图像集合，B表示腐蚀用的结构元素，A表示原来二值图像集合，表示腐蚀操作，/>表示膨胀操作；

(43)采用26-邻域三维区域生长法分割最长肌具体步骤如下：

第一步：选择种子点，假设选择的初始种子点坐标为(x,y,z)，用种子点和它26-邻域的灰度均值作为种子区域的初始灰度值，其计算公式如下：

第二步：设置生长规则，计算其26邻域的方差，作为生长规则的归并阈值，其计算公式如下：

第三步：设置生长判断规则，使用灰度均值和方差两个阈值作为区域生长判断规则方法如下：

|seedpoint(x,y,z)-mean(x,y,z)|<threshold1

|seedpoint(x,y,z)-δ(x,y,z)|<threshold2

其中，seedpoint(x,y,z)是种子点灰度值，mean(x,y,z)是当前区域的灰度均值，

threshold1和threshold2是设定的阈值；

第四步：遍历搜索种子点的26-邻域，当像素点满足生长判断规则的条件时，被判断为分割目标并被合并；随后更新种子点，继续根据生长判断规则检索26-邻域，直至没有满足条件的像素点为止；

(5)提取三维图像的纹理特征；具体包括如下步骤：

(51)灰度梯度参数：

T1大梯度优势；

T2灰度均值；

T3灰度方差；

T4梯度均值；

T5惯性；

T6灰度值变异系数；

(52)灰度共生矩阵

如下公式中，P[i,j]表示[i,j]在三维空间中出现的概率，并且这个矩阵伴随着一个位移量d＝(dx,dy,dz)，dx和dy就像二维矩阵中的空间位移dx和dy一样，dz则表示在z轴方向上的灰度位移量，θ为灰度共生矩阵P(x,y,z)与x轴方向夹角，φ为P(x,y,z)在ZOY面的投影与z轴的夹角，L表示灰度级数；

角二阶矩：

对比度：

熵：

相关：

其中，μ_x灰度均值，μ_y为平滑均值，为灰度方差，/>为平滑方差；

(53)灰度直方图

灰度直方图偏度：

其中SD为灰度标准差，p(i)为灰度直方图中每个灰度级所占的个数除以总的像素个数；

灰度直方图峰值夹角：

(54)灰度等级差分统计

设(x,y,z)图像中的一点，该点和它只有微小距离的点(x+Δx,y+Δy,z+Δz)的灰度差值为：

g_Δ(x,y,z)＝g(x,y,z)-g(x+Δx,y+Δy,z+Δz)

其中g_Δ称为灰度差分，设灰度差分值的所有可能取值为m级，令(x,y,z)在整个空间上移动，统计出g_Δ取各个数值的次数，由此可以做出g_Δ的直方图，由直方图统计得到每一个灰度差分值的概率为p(i)；

平均值

对比度

熵

(6)根据提取的特征通过多元线性回归法得到特征与已知大理石花纹等级之间的关系；具体包括如下步骤：

(61)先将猪肉大理石花纹根据肌内脂肪含量分为5级，分别为：①几乎没有到稀量；②微量到少量；③少量到中等；④中等到丰富；⑤过多量分布；再通过手工评定法确定每一头猪所属的大理石花纹等级；

(62)采用多元线性回归模型将提取的特征与已知的大理石花纹等级进行回归，通过最小二乘法确定回归系数，多元线性回归的方程为：Y＝β₀+β₁x₁+β₂x₂+…+β_px_p+ε；

其中，x₁,x₂,x_p分别代表自变量，ε代表随机误差，β_i称为回归系数；

最终得到的大理石花纹等级公式为：

大理石花纹等级Y＝β₀+β₁T1+β₂T2+β₃T3+β₄T4+β_nT5+β₆T6+β₇W1+β₈W2+β₉W3+β₁₀W4+β₁₁F1+β₁₂F2+β₁₃F3+β₁₄S1+β₁₅S2+ε。

2.如权利要求1所述的基于三维纹理特征的肉质定量分析评价方法，其特征在于，步骤(3)中，结合三维高斯滤波器和小波变换图像增强技术对目标区域进行预处理，具体包括以下步骤：

(31)针对选定的目标区域，利用三维的高斯滤波器消除CT图像中可能存在的高斯噪声，使图像变得更加平滑，高斯滤波模板的系数是由高斯函数值组成，一个三维的高斯函数如下：

其中(x,y,z)为点坐标，在图像处理中认为是整数，σ表示标准差；

(32)对滤波后的图像采用小波变换图像增强算法，使图像的边缘信息更明朗；

使用小波变换处理图像的具体步骤如下：

第一步：使用小波变换将需要处理的CT图像进行处理，CT图像经过处理后会分解成多个尺度，在各尺度下获得相应的高频和低频系数；

第二步：对第一步中得到的高频部分继续使用小波变换进行分解，得到相应的高频部分和低频部分；使用加权法对高频部分和低频部分进行加权，使高频的比重增加，这样就能使图像在高频上得到增强；

第三步：对加权之后的高频部分和低频部分进行小波重构，就能获得小波变换增强后的图像。