CN113466232B - 一种基于计算机图像的脆化鱼肉快速检测方法及系统 - Google Patents

一种基于计算机图像的脆化鱼肉快速检测方法及系统 Download PDF

Info

Publication number
CN113466232B
CN113466232B CN202111017412.2A CN202111017412A CN113466232B CN 113466232 B CN113466232 B CN 113466232B CN 202111017412 A CN202111017412 A CN 202111017412A CN 113466232 B CN113466232 B CN 113466232B
Authority
CN
China
Prior art keywords
image
fish
pixel point
gray
value
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.)
Active
Application number
CN202111017412.2A
Other languages
English (en)
Other versions
CN113466232A (zh
Inventor
陈冰
彭凯
符兵
王国霞
曹俊明
张洁华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Animal Science of Guangdong Academy of Agricultural Sciences
Original Assignee
Institute of Animal Science of Guangdong Academy of Agricultural Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Animal Science of Guangdong Academy of Agricultural Sciences filed Critical Institute of Animal Science of Guangdong Academy of Agricultural Sciences
Priority to CN202111017412.2A priority Critical patent/CN113466232B/zh
Publication of CN113466232A publication Critical patent/CN113466232A/zh
Application granted granted Critical
Publication of CN113466232B publication Critical patent/CN113466232B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food
    • G01N33/12—Meat; Fish
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20061—Hough transform

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Food Science & Technology (AREA)
  • Quality & Reliability (AREA)
  • Medicinal Chemistry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于计算机图像的脆化鱼肉快速检测方法及系统，通过获取鱼肌肉组织的切片显微图像；灰度化切片显微图像得到灰度图像，对灰度图像进行粗略区域划分得到的多个第一图像区域构成第一图像集合；从第一图像集合中筛选出特征图像集合；将特征图像集合中各个第一图像区域与脆肉鱼样本图像进行对比，识别并标记鱼肌肉组织的类型，能够准确地根据显微图像快速的筛选出组织切片的对比区域，智能的与脆肉鱼样本进行对比，识别出半脆化、脆化不均、脆化率低、非脆化鱼的情况，极大地加快计算机处理图像的速度，从而提高了识别效率，识别催化鱼的准确率高，本发明应用于图像处理、脆化鱼肉快速检测领域。

Description

一种基于计算机图像的脆化鱼肉快速检测方法及系统
技术领域
本公开属于图像处理技术、机器视觉技术、脆肉鱼检测领域，具体涉及一种基于计算机图像的脆化鱼肉快速检测方法及系统。
背景技术
脆化鱼也叫脆鱼、脆肉鱼，脆化鱼主要包括脆肉鲩、脆肉罗非鱼等，脆化鱼肉的肉质紧密，肉质极富弹性，鱼肉肌肉纤维膜变厚，肌肉硬度咀嚼性提升，蛋白质较普通鱼高，并且食用时口感爽脆，味道鲜美；由于在养殖过程中，脆化鱼需要比较复杂的养殖技术，有一定养殖难度，并且养殖的地域限制、饲料成本和时间成本较高，需要长时间的通过脆化饲料中的L-3,4-二羟基苯丙氨酸等物质对鱼进行急性溶血，鱼体本身产生抗氧化蛋白酶对急性溶血进行修复，从而对鱼肉产生脆化效应，使得鱼的肌纤维结构蛋白变化，养殖成本和运输成本较高，因此市场上的价格比一般的普通草鱼和罗非鱼等高很多。
市场上时常出现半脆化、脆化不均、脆化率低、非脆化鱼的情况，并且，脆化鱼和普通鱼在外形上通过肉眼很难区分，因此需要一种脆化鱼肉快速检测方法以解决此问题。
发明内容
本发明的目的在于提出一种基于计算机图像的脆化鱼肉快速检测方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，根据本公开的一方面，提供一种基于计算机图像的脆化鱼肉快速检测方法，所述方法包括以下步骤：
S100，获取鱼肌肉组织的切片显微图像；
S200，灰度化切片显微图像得到灰度图像，对灰度图像进行粗略区域划分得到的多个第一图像区域构成第一图像集合；
S300，从第一图像集合中筛选出特征图像集合。
进一步地，在S100中，获取鱼肌肉组织的切片显微图像的方法为：将活鱼通过放血，宰杀，去鳞，分割取片得到鱼组织块，在生理盐水中洗净并吸干表面水分；通过伊红染色对鱼组织块进行染色或者通过瑞氏染色法进行染色，并通过显微镜摄像头、显微镜成像系统或者扫描电镜中任意一种设备采集得到鱼肌肉组织的切片显微图像。其中，鱼肌肉组织的切片厚度要求为4～15μm。
进一步地，在S200中，对灰度图像进行粗略区域划分得到的多个第一图像区域构成第一图像集合的方法为：由于鱼肌肉组织图像中有多种多样不同的组织，导致肌肉组织的边缘不连续，因此通用的边缘检测算子难以准确的识别出鱼肌肉组织边缘，因此需要通过以下方法准确的提取到与鱼肌肉组织边缘的线从而进行粗略区域划分得到多个第一图像区域；
S201，采用中值滤波法对灰度图像进行去噪，将去噪后的灰度图像进行二值化得到二值化图像，搜索二值化图像中像素值为0的所有像素点构成像素点集合V={vi}，其中，vi为像素点集合V中第i个像素点，i∈[1,N]，N为集合V中像素点的总数量；
S202，依次计算像素点集合V中各个像素点到其他像素点之间的欧氏距离，由计算得到的每个像素点vi到其他像素点之间的欧氏距离，将各个欧氏距离按从小到大的顺序排列起来形成一个有序的序列dvi={dij}，其中，dij表示序列dvi中第j个欧氏距离，j∈[1,N-1]；由所有的序列dvi构成像素距离集合D，每个像素点vi对应一个序列dvi；设置变量i的初始值为1,每个vi对应设置一个边缘点序列EGi；
S203，搜索序列dvi的中值为MD，如果序列dvi的中值等于dij时则在序列dvi随机取一个大于dvi的中值的距离值作为MD，令像素点vi在距离值MD上对应位置的像素点为Pix_Mid（即在像素点集合V中与像素点vi的欧式距离的距离值为MD的对应像素点），令像素点vi在距离值dij上对应位置的像素点为Pix_Min（即在像素点集合V中与像素点vi欧式距离的距离值为距离值dij的对应像素点），点vi到Pix_Mid的射线为L1，点vi到Pix_Min的射线为L2，以点vi为顶点、L1和L2为边界、半径为dij在灰度图像或者二值化图像上构成扫描区域Ai，或者以点vi、点Pix_Mid、点Pix_Min三点之间互相连线构成扫描区域Ai，（注：由于鱼肌肉组织由许多肌细胞聚集在一起，被结缔组织或肌肉纤维膜包围而成肌束，具有局部方向性，普通的逐行扫描所需要的时间复杂度非常高）；
S204，从像素点vi位置开始在扫描区域Ai中按照序列dvi中各个距离值从近到远顺序依次搜索像素点集合V中的对应各个像素点在灰度图像上对应的灰度值是否满足组织边缘条件；
所述组织边缘条件为：Pix1MAX≥Pix2MAX和/或Pix1MAX＞HL1和/或Pix2MAX＞HL2；
Pix2MAX为Pix2和/或Pix2的八邻域中的各个像素点灰度值中的最大灰度值，Pix1为搜索到的前一个像素点，Pix1初始为像素点vi，Pix2为搜索到的当前的像素点，Pix1MAX为Pix1和/或Pix1的八邻域中的各个像素点灰度值中的最大灰度值，以Pix1为圆心dij为半径或Pix1到Pix2的距离为半径的Ai范围内所有像素点的灰度值的算术平均值为HL1，以Pix2为圆心dij为半径或Pix1到Pix2的距离为半径的Ai范围内所有像素点的灰度值的算术平均值为HL2；
S205，将各个满足组织边缘条件的像素点加入到边缘点序列EGi，并将满足组织边缘条件的像素点从像素点集合V中删除，重置删除后的集合V的大小为N；
S206，如果i＜N，则令i的值增加1并转到步骤S203，否则转到步骤S207；
S207，将各个边缘点序列EGi依次连接得到多个边缘曲线；通过各个边缘曲线对灰度图像进行划分得到的多个第一图像区域构成第一图像集合。
进一步地，在S207中，将各个边缘点序列EGi依次连接得到多个边缘曲线还需要对边缘曲线进行优化调整，优化调整边缘曲线的方法为以下步骤：
设边缘点序列EGi中的像素点坐标值为(xk,yk)，k∈[1,n]；n为边缘点序列EGi的长度（EGi的中元素的数量）；
根据极值原理构建优化调整方程组：
Figure 235801DEST_PATH_IMAGE001
；
其中，F为F(a0,a1,a2)的缩写，F(a0,a1,a2)为：
Figure DEST_PATH_IMAGE002
；
通过优化调整方程组得到优化方程组：
Figure 687642DEST_PATH_IMAGE003
解优化方程组求得多项式系数a0、a1、a2构建优化调整后的边缘曲线的方程为：
Figure 348431DEST_PATH_IMAGE004
，通过优化调整后的边缘曲线得到优化调整后的边缘曲线，x 表示自变量，f(x) 为曲线函数。
进一步地，在S300中，从第一图像集合中筛选出特征图像集合的方法为：
通过Hough变换算法对第一图像集合中各个第一图像区域在灰度图像上的对应区域进行圆检测，将所有检测到的内部没有包括圆形或者椭圆形的第一图像区域作为特征图像集合（即该区域不包括脂肪细胞）。
进一步地，在S300中，从第一图像集合中筛选出特征图像集合的方法还包括：
当圆检测方法检测到第一图像区域内部圆形或者椭圆形时，将该第一图像区域作为待区分区域；在待区分区域进行霍夫直线检测获取其中的直线和/或曲线；以各条相邻的曲线之间分割开的区域将第一图像区域划分为多个待测纹理区域，或者以各条相邻的直线与曲线之间分割开的区域将第一图像区域划分为多个待测纹理区域；如果待测纹理区域的数量多于纹理阈值时将该第一图像区域加入到特征图像集合中。
其中，纹理阈值一般设置为霍夫直线检测到曲线数量的一半。
进一步地，所述方法还包括步骤S400，将特征图像集合中各个第一图像区域与脆肉鱼样本图像进行对比，识别并标记鱼肌肉组织的类型。
进一步地，在S400中，将特征图像集合中各个第一图像区域与脆肉鱼样本图像进行对比，识别并标记鱼肌肉组织的类型的方法包括：
采集脆肉鱼样本图像；
其中，采集脆肉鱼样本图像的方法为：在常温下，将脆肉鱼样本的图像置于通过伊红染色对鱼组织块进行染色或者通过瑞氏染色法进行染色，并通过显微镜摄像头、显微镜成像系统或者扫描电镜中任意一种设备采集得到脆肉鱼样本的鱼肌肉组织的切片显微图像作为脆肉鱼样本图像；
采集的脆肉鱼样本需要符合标准编号为DB36/T 1048-2018《鄱阳湖 脆肉鲩》、DB4420/T 1-2020《地理标志产品 中山脆肉鲩》或者T/ZSSP 0006-2021《免浆脆肉鲩无骨鱼片》中任意一种国家标准；
按照特征图像集合中的第一图像区域的大小随机提取脆肉鱼样本图像中相同大小的图像区域作为样本图像区域；
在第一图像区域和样本图像区域中随机取间隔为gap的2行像素（第r行和第r+gap行），计算2行像素对应的灰度值的比值，计算第一图像区域和样本图像区域的区间灰度比上限Eup：
Eup=MaxP(r,1,s)÷MaxP(r+gap,1,s)，其中，r为随机选取的行，s为r行在第一图像区域中的总列数，MaxP(r,1,s)的意义为第r行的第1列到第s列中各个像素点最大的灰度值，gap取[5,20]像素；
计算第一图像区域和样本图像区域的区间灰度比中值Emid：
Emid=MidP(r,1,s)÷MidP(r+gap,1,s)，MidP(r,1,s)的意义为第r行的第1列到第s列中各个像素点的灰度值的中值或者平均值；
计算第一图像区域和样本图像区域的区间灰度比下限Edown：
Edown=MinP(r,1,s)÷MinP(r+gap,1,s)，MinP(r,1,s)的意义为第r行的第1列到第s列中各个像素点最小的灰度值；
令第一图像区域的区间灰度比上限为Eup1，样本图像区域的区间灰度比上限为EupY；
令第一图像区域的区间灰度比中值Emid1，样本图像区域的区间灰度比中值EmidY；
令第一图像区域的区间灰度比下限Edown1，样本图像区域的区间灰度比下限EdownY；
设定脆肉识别条件：Minμ≤|(Eup1+ Emid1+ Edown1)|÷3≤Maxμ；
Minμ=Min(EupY、EmidY、EdownY)；Maxμ=Max(EupY、EmidY、EdownY)；其中，Min(EupY、EmidY、EdownY)为求EupY、EmidY、EdownY中的最小值；Max(EupY、EmidY、EdownY)为求EupY、EmidY、EdownY中的最大值；
当特征图像集合中满足脆肉识别条件的第一图像区域的数量占比大于设定的识别阈值区间，则标记鱼肌肉组织的类型为脆化鱼；
当特征图像集合中满足脆肉识别条件的第一图像区域的数量占比在识别阈值区间内，则标记鱼肌肉组织的类型为半脆化鱼；
当特征图像集合中满足脆肉识别条件的第一图像区域的数量占比小于设定的识别阈值区间，则标记鱼肌肉组织的类型为普通鱼。
其中，识别阈值区间为[70%,90%]或者[60%,70%]之间。
其中，鱼肌肉组织的类型包括普通鱼、半脆化鱼、脆化鱼。
本发明还提供了一种基于计算机图像的脆化鱼肉快速检测系统，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
显微图像获取单元，用于获取鱼肌肉组织的切片显微图像；
粗略区域划分单元，用于灰度化切片显微图像得到灰度图像，对灰度图像进行粗略区域划分得到的多个第一图像区域构成第一图像集合；
特征图像筛选单元，用于从第一图像集合中筛选出特征图像集合；
脆肉鱼识别单元，用于将特征图像集合中各个第一图像区域与脆肉鱼样本图像进行对比，识别并标记鱼肌肉组织的类型。
本公开的有益效果为：本发明提供一种基于计算机图像的脆化鱼肉快速检测方法及系统，能够准确地根据显微图像快速的筛选出组织切片的对比区域，智能的与脆肉鱼样本进行对比，识别出半脆化、脆化不均、脆化率低、非脆化鱼的情况，极大地加快计算机处理图像的速度，从而提高了识别效率，识别催化鱼的准确率高，避免了肉眼识别的高错误率和需要煮熟才能分辨的问题。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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，在附图中：
图1所示为一种基于计算机图像的脆化鱼肉快速检测方法的流程图；
图2所示为一种基于计算机图像的脆化鱼肉快速检测系统结构图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种基于计算机图像的脆化鱼肉快速检测方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种基于计算机图像的脆化鱼肉快速检测方法，所述方法包括以下步骤：
S100，获取鱼肌肉组织的切片显微图像；
S200，灰度化切片显微图像得到灰度图像，对灰度图像进行粗略区域划分得到的多个第一图像区域构成第一图像集合；
S300，从第一图像集合中筛选出特征图像集合；
S400，将特征图像集合中各个第一图像区域与脆肉鱼样本图像进行对比，识别并标记鱼肌肉组织的类型。
进一步地，在S100中，获取鱼肌肉组织的切片显微图像的方法为：将活鱼通过放血，宰杀，去鳞，分割取片得到鱼组织块，在生理盐水中洗净并吸干表面水分；通过伊红染色对鱼组织块进行染色或者通过瑞氏染色法进行染色，并通过显微镜摄像头、显微镜成像系统或者扫描电镜中任意一种设备采集得到鱼肌肉组织的切片显微图像。其中，鱼肌肉组织的切片厚度要求为4～15μm。
进一步地，在S200中，对灰度图像进行粗略区域划分得到的多个第一图像区域构成第一图像集合的方法为：由于鱼肌肉组织图像中有多种多样不同的组织，导致肌肉组织的边缘不连续，因此通用的边缘检测算子难以准确的识别出鱼肌肉组织边缘，因此需要通过以下方法准确的提取到与鱼肌肉组织边缘的线从而进行粗略区域划分得到多个第一图像区域；
S201，采用中值滤波法对灰度图像进行去噪，将去噪后的灰度图像进行二值化得到二值化图像，搜索二值化图像中像素值为0的所有像素点构成像素点集合V={vi}，其中，vi为像素点集合V中第i个像素点，i∈[1,N]，N为集合V中像素点的总数量；
S202，依次计算像素点集合V中各个像素点到其他像素点之间的欧氏距离，由计算得到的每个像素点vi到其他像素点之间的欧氏距离，将各个欧氏距离按从小到大的顺序排列起来形成一个有序的序列dvi={dij}，其中，dij表示序列dvi中第j个欧氏距离，j∈[1,N-1]；由所有的序列dvi构成像素距离集合D，每个像素点vi对应一个序列dvi；设置变量i的初始值为1,每个vi对应设置一个边缘点序列EGi；
S203，搜索序列dvi的中值为MD，如果序列dvi的中值等于dij时则在序列dvi随机取一个大于dvi的中值的距离值作为MD，令像素点vi在距离值MD上对应位置的像素点为Pix_Mid（即在像素点集合V中与像素点vi欧式距离的距离值为MD的对应像素点），令像素点vi在距离值dij上对应位置的像素点为Pix_Min（即在像素点集合V中与像素点vi欧式距离的距离值为距离值dij的对应像素点），点vi到Pix_Mid的射线为L1，点vi到Pix_Min的射线为L2，以点vi为顶点、L1和L2为边界、半径为dij在灰度图像或者二值化图像上构成扫描区域Ai，或者以点vi、点Pix_Mid、点Pix_Min三点之间互相连线构成扫描区域Ai，（注：由于鱼肌肉组织由许多肌细胞聚集在一起，被结缔组织或肌肉纤维膜包围而成肌束，具有局部方向性，普通的逐行扫描所需要的时间复杂度非常高）；
S204，从像素点vi位置开始在扫描区域Ai中按照序列dvi中各个距离值从近到远顺序依次搜索像素点集合V中的对应各个像素点在灰度图像上对应的灰度值是否满足组织边缘条件；
所述组织边缘条件为：Pix1MAX≥Pix2MAX且Pix1MAX＞HL1且Pix2MAX＞HL2；或者所述组织边缘条件为：Pix1MAX≥Pix2MAX和/或Pix1MAX＞HL1和/或Pix2MAX＞HL2；
Pix2MAX为Pix2和/或Pix2的八邻域中的各个像素点灰度值中的最大灰度值，Pix1为搜索到的当前像素的前一个像素点，Pix1初始为像素点vi，Pix2为搜索到的当前的像素点，Pix1MAX为Pix1和/或Pix1的八邻域中的各个像素点灰度值中的最大灰度值，以Pix1为圆心dij为半径或以Pix1到Pix2的距离为半径的Ai范围内所有像素点的灰度值的算术平均值为HL1，以Pix2为圆心dij为半径或以Pix1到Pix2的距离为半径的Ai范围内所有像素点的灰度值的算术平均值为HL2；
S205，将各个满足组织边缘条件的像素点加入到边缘点序列EGi，并将满足组织边缘条件的像素点从像素点集合V中删除，重置删除后的集合V的大小为N；
S206，如果i＜N，则令i的值增加1并转到步骤S203，否则转到步骤S207；
S207，将各个边缘点序列EGi依次连接得到多个边缘曲线；通过各个边缘曲线对灰度图像进行划分得到的多个第一图像区域构成第一图像集合。
进一步地，在S207中，将各个边缘点序列EGi依次连接得到多个边缘曲线还需要对边缘曲线进行优化调整，优化调整边缘曲线的方法为以下步骤：
设边缘点序列EGi中的像素点坐标值为(xk,yk)，k∈[1,n]；n为边缘点序列EGi的长度；
根据极值原理构建优化调整方程组：
Figure 366065DEST_PATH_IMAGE005
；
其中，F为F(a0,a1,a2)的缩写，F(a0,a1,a2)为：
Figure 454107DEST_PATH_IMAGE006
；
通过优化调整方程组得到优化方程组：
Figure 924403DEST_PATH_IMAGE007
解优化方程组求得多项式系数a0、a1、a2构建优化调整后的边缘曲线的方程为：
Figure 388882DEST_PATH_IMAGE004
，通过优化调整后的边缘曲线得到优化调整后的边缘曲线，x 表示自变量，f(x) 为曲线函数。
优选地，优化调整边缘曲线的C++语言形式的关键源代码如下：
//设边缘点序列EGi中的像素点坐标值为(xk,yk)，k∈[1,n]；n为边缘点序列EGi的长度；
vector<double> OptimizeEdgeCurve(vector<double>x, vector<double>y,vector<double>a);//x,y为原始数据，a为系数列向量
double F(double x, int n_ci);
vector<double> OptimizeEdgeCurve(vector<double>x, vector<double>y,vector<double>a)
{
int n_data=size(x),n_num = size(a);
vector<vector<double>>F_ai;
vector<double>F_bi;
F_bi.resize(n_num);
F_ai.resize(n_num, vector<double>(n_num));
//根据极值原理构建优化调整方程组；
for (int i = 0; i < n_num; i++)
{
for (int j = 0; j < n_num; j++)
{
for (int k = 0; k < n_data; k++)
{
F_ai[i][j]= F_ai[i][j]+F(x[k],i)*F(x[k],j);
}
}；
for (int k = 0; k < n_data; k++)
{
F_bi[i] = F_bi[i] + F(x[k], i)*y[k];
}
}；
//通过优化调整方程组得到优化方程组；
double delta_2=0;
for (int i = 0; i < n_data; i++) delta_2 = delta_2 +y[i]*y[i];
for (int i = 0; i < n_num; i++) delta_2 = delta_2 -a[i] * F_bi[i];
}；
//解优化方程组求得构建优化调整后的边缘曲线的方程；
double F(double x, int n_ci)
{
double y;
y = pow(x, n_ci);
return y;
像素点坐标值为(xk,yk)
vector<double>x_k；
vector<double>y_k；
vector<double>a(n_polynomial + 1);
int n_data = size(x_k);
a=OptimizeEdgeCurve(x_k, y_k, a);
for (int i = 0; i < n_polynomial + 1; i++)
double x,y, precision=0.01;
for (x = x_k[0]; x <= x_k.back(); x = x + precision)
{
y = 0.0;
for (int i = 0; i < n_polynomial + 1; i++)
{
y = y + a[i] * pow(x, i);
}；
}；
}。
进一步地，在S300中，从第一图像集合中筛选出特征图像集合的方法为：
通过Hough变换算法对第一图像集合中各个第一图像区域在灰度图像上的对应区域进行圆检测，将所有检测到的内部没有包括圆形或者椭圆形的第一图像区域作为特征图像集合（即该区域不包括脂肪细胞）。
进一步地，在S300中，从第一图像集合中筛选出特征图像集合的方法还包括：
当圆检测方法检测到第一图像区域内部圆形或者椭圆形时，将该第一图像区域作为待区分区域；在待区分区域进行霍夫直线检测获取其中的直线和/或曲线；以各条相邻的曲线之间分割开的区域将第一图像区域划分为多个待测纹理区域，或者以各条相邻的直线与曲线之间分割开的区域将第一图像区域划分为多个待测纹理区域；如果待测纹理区域的数量多于纹理阈值时将该第一图像区域加入到特征图像集合中。
其中，纹理阈值一般设置为霍夫直线检测到曲线数量的一半。
进一步地，在S400中，将特征图像集合中各个第一图像区域与脆肉鱼样本图像进行对比，识别并标记鱼肌肉组织的类型的方法包括：
采集脆肉鱼样本图像；
其中，采集脆肉鱼样本图像的方法为：在常温下，将脆肉鱼样本的图像置于通过伊红染色对鱼组织块进行染色或者通过瑞氏染色法进行染色，并通过显微镜摄像头、显微镜成像系统或者扫描电镜中任意一种设备采集得到脆肉鱼样本的鱼肌肉组织的切片显微图像作为脆肉鱼样本图像；
采集的脆肉鱼样本需要符合标准编号为DB36/T 1048-2018《鄱阳湖 脆肉鲩》、DB4420/T 1-2020《地理标志产品 中山脆肉鲩》或者T/ZSSP 0006-2021《免浆脆肉鲩无骨鱼片》中任意一种国家标准；
通过霍夫直线检测算法提取灰度化的脆肉鱼样本图像中的直线和/或曲线，将所有检测到直线和/或曲线将脆肉鱼样本图像划分为多个样本纹理区域；
按照特征图像集合中的第一图像区域的大小随机提取脆肉鱼样本图像中相同大小的图像区域作为样本图像区域；
在第一图像区域和样本图像区域中随机取间隔为gap的2行像素（第r行和第r+gap行），计算2行像素对应的灰度值的比值，计算第一图像区域和样本图像区域的区间灰度比上限Eup：
Eup=MaxP(r,1,s)÷MaxP(r+gap,1,s)，其中，r为随机选取的行,s为r行在第一图像区域中的总列数，MaxP(r,1,s)的意义为第r行的第1列到第s列中各个像素点最大的灰度值，MaxP(r+gap,1,s) 的意义为第r+gap行的第1列到第s列中各个像素点最大的灰度值；
计算第一图像区域和样本图像区域的区间灰度比中值Emid：
Emid=MidP(r,1,s)÷MidP(r+gap,1,s)，MidP(r,1,s)的意义为第r行的第1列到第s列中各个像素点的灰度值的中值或者平均值，MidP(r+gap,1,s)的意义为第r+gap行的第1列到第s列中各个像素点的灰度值的中值或者平均值；
计算第一图像区域和样本图像区域的区间灰度比下限Edown：
Edown=MinP(r,1,s)÷MinP(r+gap,1,s)，MinP(r,1,s)的意义为第r行的第1列到第s列中各个像素点最小的灰度值，MinP(r+gap,1,s)的意义为第r+gap行的第1列到第s列中各个像素点最小的灰度值；
令第一图像区域的区间灰度比上限为Eup1，样本图像区域的区间灰度比上限为EupY；
Eup1和EupY的计算方法同区间灰度比上限Eup的计算方法，即在第一图像区域中计算Eup1=MaxP(r,1,s)÷MaxP(r+gap,1,s)，在样本图像区域的中计算EupY=MaxP(r,1,s)÷MaxP(r+gap,1,s)，
令第一图像区域的区间灰度比中值Emid1，样本图像区域的区间灰度比中值EmidY；
Emid1和EmidY的计算方法同区间灰度比中值Emid的计算方法，即在第一图像区域中计算Emid1=MidP(r,1,s)÷MidP(r+gap,1,s)，在样本图像区域的中计算EmidY=MidP(r,1,s)÷MidP(r+gap,1,s)，
令第一图像区域的区间灰度比下限Edown1，样本图像区域的区间灰度比下限EdownY；
Edown1和EdownY的计算方法同区间灰度比下限Edown的计算方法，即在第一图像区域中计算Edown1=MinP(r,1,s)÷MinP(r+gap,1,s)，在样本图像区域的中计算EdownY=MinP(r,1,s)÷MinP(r+gap,1,s)，
设定脆肉识别条件：Minμ≤|(Eup1+ Emid1+ Edown1)|÷3≤Maxμ；
Minμ=Min(EupY、EmidY、EdownY)；Maxμ=Max(EupY、EmidY、EdownY)；其中，Min(EupY、EmidY、EdownY)为求EupY、EmidY、EdownY中的最小值；Max(EupY、EmidY、EdownY)为求EupY、EmidY、EdownY中的最大值；
当特征图像集合中满足脆肉识别条件的第一图像区域的数量占比大于设定的识别阈值区间，则标记鱼肌肉组织的类型为脆化鱼；
当特征图像集合中满足脆肉识别条件的第一图像区域的数量占比在识别阈值区间内，则标记鱼肌肉组织的类型为半脆化鱼；
当特征图像集合中满足脆肉识别条件的第一图像区域的数量占比小于设定的识别阈值区间，则标记鱼肌肉组织的类型为普通鱼。
其中，识别阈值区间为[70%,90%]或者六成到七成之间。
其中，鱼肌肉组织的类型包括普通鱼、半脆化鱼、脆化鱼。
本公开的实施例提供的一种基于计算机图像的脆化鱼肉快速检测系统，如图2所示为本公开的一种基于计算机图像的脆化鱼肉快速检测系统结构图，该实施例的一种基于计算机图像的脆化鱼肉快速检测系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于计算机图像的脆化鱼肉快速检测系统实施例中的步骤。
所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
显微图像获取单元，用于获取鱼肌肉组织的切片显微图像；
粗略区域划分单元，用于灰度化切片显微图像得到灰度图像，对灰度图像进行粗略区域划分得到的多个第一图像区域构成第一图像集合；
特征图像筛选单元，用于从第一图像集合中筛选出特征图像集合；
脆肉鱼识别单元，用于将特征图像集合中各个第一图像区域与脆肉鱼样本图像进行对比，识别并标记鱼肌肉组织的类型。
所述一种基于计算机图像的脆化鱼肉快速检测系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于计算机图像的脆化鱼肉快速检测系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于计算机图像的脆化鱼肉快速检测系统的示例，并不构成对一种基于计算机图像的脆化鱼肉快速检测系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于计算机图像的脆化鱼肉快速检测系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于计算机图像的脆化鱼肉快速检测系统运行系统的控制中心，利用各种接口和线路连接整个一种基于计算机图像的脆化鱼肉快速检测系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于计算机图像的脆化鱼肉快速检测系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (5)

1.一种基于计算机图像的脆化鱼肉快速检测方法，其特征在于，所述方法包括以下步骤：
S100，获取鱼肌肉组织的切片显微图像；
S200，灰度化切片显微图像得到灰度图像，对灰度图像进行粗略区域划分得到的多个第一图像区域构成第一图像集合；
S300，从第一图像集合中筛选出特征图像集合；
S400，将特征图像集合中各个第一图像区域与脆肉鱼样本图像进行对比，识别并标记鱼肌肉组织的类型；
其中，在S200中，对灰度图像进行粗略区域划分得到的多个第一图像区域构成第一图像集合的方法为：
S201，采用中值滤波法对灰度图像进行去噪，将去噪后的灰度图像进行二值化得到二值化图像，搜索二值化图像中像素值为0的所有像素点构成像素点集合V={vi}，其中，vi为像素点集合V中第i个像素点，i∈[1,N]，N为集合V中像素点的总数量；
S202，依次计算像素点集合V中各个像素点到其他像素点之间的欧氏距离，由计算得到的每个像素点vi到其他像素点之间的欧氏距离，将各个欧氏距离按从小到大的顺序排列起来形成一个有序的序列dvi={dij}，其中，dij表示序列dvi中第j个欧氏距离，j∈[1,N-1]；由所有的序列dvi构成像素距离集合D，每个像素点vi对应一个序列dvi；设置变量i的初始值为1,每个vi对应设置一个边缘点序列EGi；
S203，搜索序列dvi的中值为MD，如果序列dvi的中值等于dij时则在序列dvi随机取一个大于dvi的中值的距离值作为MD，令像素点vi在距离值MD上对应位置的像素点为Pix_Mid，即在像素点集合V中与像素点vi的欧氏距离为MD的对应像素点，令像素点vi在距离值dij上对应位置的像素点为Pix_Min，即在像素点集合V中与像素点vi的欧式距离值为dij的像素点，点vi到Pix_Mid的射线为L1，点vi到Pix_Min的射线为L2，以点vi为顶点、L1和L2为边界、半径为dij在灰度图像或者二值化图像上构成扫描区域Ai，或者以点vi、点Pix_Mid、点Pix_Min三点之间互相连线构成扫描区域Ai；
S204，从像素点vi位置开始在扫描区域Ai中按照序列dvi的距离顺序依次搜索像素点集合V中的各个像素点在灰度图像上对应的灰度值是否满足组织边缘条件；
所述组织边缘条件为：Pix1MAX≥Pix2MAX和/或Pix1MAX＞HL1和/或Pix2MAX＞HL2；
Pix2MAX为Pix2和/或Pix2的八邻域中的各个像素点灰度值中的最大灰度值，Pix1为搜索到的前一个像素点，Pix1初始为像素点vi，Pix2为搜索到的当前的像素点，Pix1MAX为Pix1和/或Pix1的八邻域中的各个像素点灰度值中的最大灰度值，以Pix1为圆心dij为半径或Pix1到Pix2的距离为半径的Ai范围内所有像素点的灰度值的算术平均值为HL1，以Pix2为圆心dij为半径或Pix1到Pix2的距离为半径的Ai范围内所有像素点的灰度值的算术平均值为HL2；
S205，将各个满足组织边缘条件的像素点加入到边缘点序列EGi，并将满足组织边缘条件的像素点从像素点集合V中删除，重置删除后的集合V的大小为M；
S206，如果i＜N，则令i的值增加1并转到步骤S203，否则转到步骤S207；
S207，将各个边缘点序列EGi依次连接得到多个边缘曲线；通过各个边缘曲线对灰度图像进行划分得到的多个第一图像区域构成第一图像集合；
其中，将特征图像集合中各个第一图像区域与脆肉鱼样本图像进行对比，识别并标记鱼肌肉组织的类型的方法包括：
采集脆肉鱼样本图像；
按照特征图像集合中的第一图像区域的大小随机提取脆肉鱼样本图像中相同大小的图像区域作为样本图像区域；
在第一图像区域和样本图像区域中随机取间隔为gap的2行像素，即第r行和第r+gap行，计算2行像素对应的灰度值的比值，计算第一图像区域和样本图像区域的区间灰度比上限Eup：
Eup=MaxP(r,1,s)÷MaxP(r+gap,1,s)，其中，r为随机选取的行,s为r行在第一图像区域中的总列数，MaxP(r,1,s)的意义为第r行的第1列到第s列中各个像素点最大的灰度值；
计算第一图像区域和样本图像区域的区间灰度比中值Emid：
Emid=MidP(r,1,s)÷MidP(r+gap,1,s)，MidP(r,1,s)的意义为第r行的第1列到第s列中各个像素点的灰度值的中值或者平均值；
计算第一图像区域和样本图像区域的区间灰度比下限Edown：
Edown=MinP(r,1,s)÷MinP(r+gap,1,s)，MinP(r,1,s)的意义为第r行的第1列到第s列中各个像素点最小的灰度值；
令第一图像区域的区间灰度比上限为Eup1，样本图像区域的区间灰度比上限为EupY；
令第一图像区域的区间灰度比中值Emid1，样本图像区域的区间灰度比中值EmidY；
令第一图像区域的区间灰度比下限Edown1，样本图像区域的区间灰度比下限EdownY；
设定脆肉识别条件：Minμ≤|(Eup1+ Emid1+ Edown1)|÷3≤Maxμ；
Minμ=Min(EupY、EmidY、EdownY)；Maxμ=Max(EupY、EmidY、EdownY)；其中，Min(EupY、EmidY、EdownY)为求EupY、EmidY、EdownY中的最小值；Max(EupY、EmidY、EdownY)为求EupY、EmidY、EdownY中的最大值；
当特征图像集合中满足脆肉识别条件的第一图像区域的数量占比大于设定的识别阈值区间，则标记鱼肌肉组织的类型为脆化鱼；
当特征图像集合中满足脆肉识别条件的第一图像区域的数量占比在设定的识别阈值区间内，则标记鱼肌肉组织的类型为半脆化鱼；
当特征图像集合中满足脆肉识别条件的第一图像区域的数量占比小于设定的识别阈值区间，则标记鱼肌肉组织的类型为普通鱼。
2.根据权利要求1所述的一种基于计算机图像的脆化鱼肉快速检测方法，其特征在于，在S207中，将各个边缘点序列EGi依次连接得到多个边缘曲线还需要对边缘曲线进行优化调整，优化调整边缘曲线的方法为以下步骤：
设边缘点序列EGi中的像素点坐标值为(xk,yk)，k∈[1,n]；n为边缘点序列EGi的长度；
根据极值原理构建优化调整方程组：
Figure 42255DEST_PATH_IMAGE001
；
其中，F为
Figure 123475DEST_PATH_IMAGE002
的缩写，
Figure 381281DEST_PATH_IMAGE003
；
通过优化调整方程组得到优化方程组：
Figure 545546DEST_PATH_IMAGE004
解优化方程组求得多项式系数，
Figure 646226DEST_PATH_IMAGE005
构建优化调整后的边缘曲线的方程为：
Figure 655770DEST_PATH_IMAGE006
，x表示自变量，f(x) 为曲线函数。
3.根据权利要求1所述的一种基于计算机图像的脆化鱼肉快速检测方法，其特征在于，在S300中，从第一图像集合中筛选出特征图像集合的方法为：
通过Hough变换算法对第一图像集合中各个第一图像区域在灰度图像上的对应区域进行圆检测，将所有检测到的内部没有包括圆形或者椭圆形的第一图像区域作为特征图像集合。
4.根据权利要求3所述的一种基于计算机图像的脆化鱼肉快速检测方法，其特征在于，在S300中，从第一图像集合中筛选出特征图像集合的方法还包括：当圆检测方法检测到第一图像区域内部圆形或者椭圆形时，将该第一图像区域作为待区分区域；在待区分区域进行霍夫直线检测获取其中的直线和/或曲线；以各条相邻的曲线之间分割开的区域将第一图像区域划分为多个待测纹理区域；如果待测纹理区域的数量多于纹理阈值时将该第一图像区域加入到特征图像集合中，其中，纹理阈值设置为霍夫直线检测到曲线数量的一半。
5.一种基于计算机图像的脆化鱼肉快速检测系统，其特征在于，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
显微图像获取单元，用于获取鱼肌肉组织的切片显微图像；
粗略区域划分单元，用于灰度化切片显微图像得到灰度图像，对灰度图像进行粗略区域划分得到的多个第一图像区域构成第一图像集合；
特征图像筛选单元，用于从第一图像集合中筛选出特征图像集合；
脆肉鱼识别单元，用于将特征图像集合中各个第一图像区域与脆肉鱼样本图像进行对比，识别并标记鱼肌肉组织的类型；
其中，在粗略区域划分单元中，对灰度图像进行粗略区域划分得到的多个第一图像区域构成第一图像集合的方法为：
S201，采用中值滤波法对灰度图像进行去噪，将去噪后的灰度图像进行二值化得到二值化图像，搜索二值化图像中像素值为0的所有像素点构成像素点集合V={vi}，其中，vi为像素点集合V中第i个像素点，i∈[1,N]，N为集合V中像素点的总数量；
S202，依次计算像素点集合V中各个像素点到其他像素点之间的欧氏距离，由计算得到的每个像素点vi到其他像素点之间的欧氏距离，将各个欧氏距离按从小到大的顺序排列起来形成一个有序的序列dvi={dij}，其中，dij表示序列dvi中第j个欧氏距离，j∈[1,N-1]；由所有的序列dvi构成像素距离集合D，每个像素点vi对应一个序列dvi；设置变量i的初始值为1,每个vi对应设置一个边缘点序列EGi；
S203，搜索序列dvi的中值为MD，如果序列dvi的中值等于dij时则在序列dvi随机取一个大于dvi的中值的距离值作为MD，令像素点vi在距离值MD上对应位置的像素点为Pix_Mid，即在像素点集合V中与像素点vi的欧氏距离为MD的对应像素点，令像素点vi在距离值dij上对应位置的像素点为Pix_Min，即在像素点集合V中与像素点vi的欧式距离值为dij的像素点，点vi到Pix_Mid的射线为L1，点vi到Pix_Min的射线为L2，以点vi为顶点、L1和L2为边界、半径为dij在灰度图像或者二值化图像上构成扫描区域Ai，或者以点vi、点Pix_Mid、点Pix_Min三点之间互相连线构成扫描区域Ai；
S204，从像素点vi位置开始在扫描区域Ai中按照序列dvi的距离顺序依次搜索像素点集合V中的各个像素点在灰度图像上对应的灰度值是否满足组织边缘条件；
所述组织边缘条件为：Pix1MAX≥Pix2MAX和/或Pix1MAX＞HL1和/或Pix2MAX＞HL2；
Pix2MAX为Pix2和/或Pix2的八邻域中的各个像素点灰度值中的最大灰度值，Pix1为搜索到的前一个像素点，Pix1初始为像素点vi，Pix2为搜索到的当前的像素点，Pix1MAX为Pix1和/或Pix1的八邻域中的各个像素点灰度值中的最大灰度值，以Pix1为圆心dij为半径或Pix1到Pix2的距离为半径的Ai范围内所有像素点的灰度值的算术平均值为HL1，以Pix2为圆心dij为半径或Pix1到Pix2的距离为半径的Ai范围内所有像素点的灰度值的算术平均值为HL2；
S205，将各个满足组织边缘条件的像素点加入到边缘点序列EGi，并将满足组织边缘条件的像素点从像素点集合V中删除，重置删除后的集合V的大小为M；
S206，如果i＜N，则令i的值增加1并转到步骤S203，否则转到步骤S207；
S207，将各个边缘点序列EGi依次连接得到多个边缘曲线；通过各个边缘曲线对灰度图像进行划分得到的多个第一图像区域构成第一图像集合；
其中，将特征图像集合中各个第一图像区域与脆肉鱼样本图像进行对比，识别并标记鱼肌肉组织的类型的方法包括：
采集脆肉鱼样本图像；
按照特征图像集合中的第一图像区域的大小随机提取脆肉鱼样本图像中相同大小的图像区域作为样本图像区域；
在第一图像区域和样本图像区域中随机取间隔为gap的2行像素，即第r行和第r+gap行，计算2行像素对应的灰度值的比值，计算第一图像区域和样本图像区域的区间灰度比上限Eup：
Eup=MaxP(r,1,s)÷MaxP(r+gap,1,s)，其中，r为随机选取的行,s为r行在第一图像区域中的总列数，MaxP(r,1,s)的意义为第r行的第1列到第s列中各个像素点最大的灰度值；
计算第一图像区域和样本图像区域的区间灰度比中值Emid：
Emid=MidP(r,1,s)÷MidP(r+gap,1,s)，MidP(r,1,s)的意义为第r行的第1列到第s列中各个像素点的灰度值的中值或者平均值；
计算第一图像区域和样本图像区域的区间灰度比下限Edown：
Edown=MinP(r,1,s)÷MinP(r+gap,1,s)，MinP(r,1,s)的意义为第r行的第1列到第s列中各个像素点最小的灰度值；
令第一图像区域的区间灰度比上限为Eup1，样本图像区域的区间灰度比上限为EupY；
令第一图像区域的区间灰度比中值Emid1，样本图像区域的区间灰度比中值EmidY；
令第一图像区域的区间灰度比下限Edown1，样本图像区域的区间灰度比下限EdownY；
设定脆肉识别条件：Minμ≤|(Eup1+ Emid1+ Edown1)|÷3≤Maxμ；
Minμ=Min(EupY、EmidY、EdownY)；Maxμ=Max(EupY、EmidY、EdownY)；其中，Min(EupY、EmidY、EdownY)为求EupY、EmidY、EdownY中的最小值；Max(EupY、EmidY、EdownY)为求EupY、EmidY、EdownY中的最大值；
当特征图像集合中满足脆肉识别条件的第一图像区域的数量占比大于设定的识别阈值区间，则标记鱼肌肉组织的类型为脆化鱼；
当特征图像集合中满足脆肉识别条件的第一图像区域的数量占比在设定的识别阈值区间内，则标记鱼肌肉组织的类型为半脆化鱼；
当特征图像集合中满足脆肉识别条件的第一图像区域的数量占比小于设定的识别阈值区间，则标记鱼肌肉组织的类型为普通鱼。
CN202111017412.2A 2021-09-01 2021-09-01 一种基于计算机图像的脆化鱼肉快速检测方法及系统 Active CN113466232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111017412.2A CN113466232B (zh) 2021-09-01 2021-09-01 一种基于计算机图像的脆化鱼肉快速检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111017412.2A CN113466232B (zh) 2021-09-01 2021-09-01 一种基于计算机图像的脆化鱼肉快速检测方法及系统

Publications (2)

Publication Number Publication Date
CN113466232A CN113466232A (zh) 2021-10-01
CN113466232B true CN113466232B (zh) 2021-11-09

Family

ID=77866988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111017412.2A Active CN113466232B (zh) 2021-09-01 2021-09-01 一种基于计算机图像的脆化鱼肉快速检测方法及系统

Country Status (1)

Country Link
CN (1) CN113466232B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114793963B (zh) * 2022-06-29 2022-09-02 广东省农业科学院动物科学研究所 一种大数据控制的鱼快速脆化环境控制方法
CN116067964B (zh) * 2023-03-06 2023-06-09 广东省农业科学院动物科学研究所 一种利用缩合单宁促进鱼肌肉脆化的方法及系统
CN116448686B (zh) * 2023-06-15 2023-12-01 广东省农业科学院动物科学研究所 一种脆化鱼饲料防伪检测的方法
CN116519892B (zh) * 2023-06-29 2023-08-25 广东省农业科学院动物科学研究所 一种鱼肉嫩滑度品质鉴定方法及系统
CN116959036B (zh) * 2023-09-21 2023-11-28 广东省农业科学院动物科学研究所 一种鱼脆化程度的评价方法
CN117409245B (zh) * 2023-10-23 2024-04-02 广东省农业科学院动物科学研究所 一种脆肉鱼的自动识别方法
CN117218455B (zh) * 2023-11-07 2024-02-02 广东省农业科学院动物科学研究所 一种脆肉鱼的无损快速识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109212173A (zh) * 2018-08-28 2019-01-15 中国水产科学研究院珠江水产研究所 一种基于活体检测的脆肉鲩脆度分级方法
CN113303271A (zh) * 2021-06-21 2021-08-27 中山火炬职业技术学院 一种鱼类脆肉化养殖的智能控制装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109212173A (zh) * 2018-08-28 2019-01-15 中国水产科学研究院珠江水产研究所 一种基于活体检测的脆肉鲩脆度分级方法
CN113303271A (zh) * 2021-06-21 2021-08-27 中山火炬职业技术学院 一种鱼类脆肉化养殖的智能控制装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
不同脆化阶段草鱼肌肉的显微结构观察和质构特性分析;郁二蒙 等;《南方水产科学》;20170430;第13卷(第2期);第128-134页 *
草鱼肉脆化效果量化检测方法的研究;陈度煌;《水产科学杂志》;20150831;第28卷(第4期);第37-40页 *

Also Published As

Publication number Publication date
CN113466232A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN113466232B (zh) 一种基于计算机图像的脆化鱼肉快速检测方法及系统
CN111986183B (zh) 一种染色体散型图像自动分割识别系统及装置
CN109584266B (zh) 一种目标检测方法及装置
WO2017221259A1 (en) Automatic recognition of indian prawn species
CN108710916B (zh) 图片分类的方法及装置
CN114092450B (zh) 一种基于胃镜检查视频的实时图像分割方法、系统、装置
CN112529918B (zh) 一种脑部ct图像中脑室区域分割的方法、装置及设备
CN111882565B (zh) 一种图像二值化方法、装置、设备及存储介质
CN111191651A (zh) 单证图片识别方法、装置、计算机设备及存储介质
CN111105427A (zh) 一种基于连通区域分析的肺部图像分割方法及系统
CN111047559A (zh) 一种数字病理切片异常区域快速检测的方法
CN114677525B (zh) 一种基于二值图像处理的边缘检测方法
CN114299363A (zh) 图像处理模型的训练方法、图像分类方法及装置
CN113269752A (zh) 一种图像检测方法、装置终端设备及存储介质
CN117538880B (zh) 一种判定养殖区杂鱼入侵的方法
CN111523341A (zh) 二维码图像的二值化方法及设备
CN109766924A (zh) 基于图像信息熵与自适应阈值daisy特征点的图像检测方法
CN113450355A (zh) 一种基于多膜态ct图像和3dcnn网络提取图像特征的方法
CN116519892B (zh) 一种鱼肉嫩滑度品质鉴定方法及系统
CN112818983A (zh) 一种利用图片相识度判断字符倒置的方法
Kamarul Baharin et al. Automatic phytoplankton image smoothing through integrated dual image histogram specification and enhanced background removal method
CN107358224B (zh) 一种白内障手术中虹膜外轮廓检测的方法
CN113239738B (zh) 一种图像的模糊检测方法及模糊检测装置
CN113239942A (zh) 基于卷积运算的图像特征提取方法、装置及可读存储介质
CN112861916A (zh) 一种浸润性宫颈癌病理图像分类方法和系统

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