CN116883328B - 基于计算机视觉的牛胴体脊柱区域快速提取方法 - Google Patents

Abstract

本申请涉及图像处理领域，提供基于计算机视觉的牛胴体脊柱区域快速提取方法，包括：获取牛胴体灰度图像，并对所述灰度图像进行边缘检测，并得到n个连通域；基于每一连通域的噪声分布情况、形状大小和颜色范围构建椎骨形貌描述系数；根据上下相邻的两个连通域之间的倾斜角与边缘形状的特征构建连通域对应的椎骨轮廓重复性指数；基于连通域对应的所述椎骨形貌描述系数和所述椎骨轮廓重复性指数确定脊柱区域优势，基于脊柱区域优势提取牛胴体脊柱区域。该方法能够提高牛胴体脊柱区域的检测精度。

Description

基于计算机视觉的牛胴体脊柱区域快速提取方法

技术领域

本申请涉及图像处理领域，特别是涉及基于计算机视觉的牛胴体脊柱区域快速提取方法。

背景技术

在工业化加工牛胴体时，需要准确提取出牛胴体的脊柱区域，以便对其进行加工处理，实现无人化操作。同时还可以检测脊柱区域的疾病和病变，对于帮助人们检测牛脊柱质量具有极大的实用价值。目前现有的牛胴体脊柱区域提取方法为分析椎骨区域特征构建指标，但是这种识别结果受图像特征提取影响较大，且牛胴体不只存在规律分布分脊柱区域，其肋骨区域也存在一定的规律。且由于肋骨区域与脊柱区域比较相似，现有目标检测算法的检测精度不高。如果对肋骨区域和脊柱区域不加以区分，那么提取出来的结果受到的影响较大。

发明内容

本发明提供基于计算机视觉的牛胴体脊柱区域快速提取方法，该方法能够提高牛胴体脊柱区域的检测精度。

第一方面，本申请提供基于计算机视觉的牛胴体脊柱区域快速提取方法，包括：

获取牛胴体灰度图像，并对所述灰度图像进行边缘检测，并得到n个连通域；

基于每一连通域的噪声分布情况、形状大小和颜色范围构建椎骨形貌描述系数；

根据上下相邻的两个连通域之间的倾斜角与边缘形状的特征构建连通域对应的椎骨轮廓重复性指数；

基于连通域对应的所述椎骨形貌描述系数和所述椎骨轮廓重复性指数确定脊柱区域优势，基于脊柱区域优势提取牛胴体脊柱区域。

可选的，基于每一连通域的噪声分布情况、形状大小和颜色范围构建椎骨形貌描述系数之前，还包括：

基于每一连通域内像素点的灰度值确定连通域的噪声分布情况；

基于连通域的最小外接矩形确定连通域的形状大小；

基于连通域的色相、饱和度以及明度确定连通域的颜色范围。

可选的，基于每一连通域内像素点的灰度值确定连通域的噪声分布情况，包括：

基于连通域内像素点邻域内的最大灰度方差、最小灰度方差、第j个像素点邻域内的灰度方差以及连通域内所有像素点邻域的灰度方差均值计算连通域的噪声分布情况。

可选的，基于连通域的最小外接矩形确定连通域的形状大小，包括：

基于最小外接矩形的面积与参考面积之间的差值确定所述连通域的形状大小；其中，参考面积为正方形面积，正方形的边长基于最小外接矩形的长和宽确定。

可选的，基于连通域的色相、饱和度以及明度确定连通域的颜色范围，包括：

利用如下公式计算连通域的颜色范围：

其中，|S_i-0.8|为计算连通域中的每个像素点的饱和度距离暗红色饱和度60％-100％的中间值0.8之间的差距，|V_i-0.35|为计算连通域中的每个像素求的明度距离暗红色明度20％-50％的中间值0.35之间的差距，和/>为计算连通域中的每个像素的色相距离暗红色的色相340-20之间的差距，当H<180时用|H_i-10|来控制像素点的色相范围，当H≥180时用|H_i-350|控制像素点的色相范围，用/>来消除像素点的饱和度、明度之间量纲的差距。

可选的，根据上下相邻的两个连通域之间的倾斜角与边缘形状的特征构建连通域对应的椎骨轮廓重复性指数，包括：

利用如下公式计算连通域对应的椎骨轮廓重复性指数：

其中，G为连通域对应的椎骨轮廓重复性指数，A_l,i、A_l,i+1分别为第i个连通域、与第i个连通域向下相邻的最近的连通域位于左侧的曲线的特征描述向量，A_r,i、A_r,i+1分别为第i个连通域、与第i个连通域向下相邻的最近的连通域位于右侧的曲线的特征描述向量，B_l为上下相邻两个连通域位于左侧的曲线的特征向量之间差值的模

‖A_l,i-A_l,i+1‖，B_r为上下相邻两个连通域位于右侧的曲线的特征向量之间差值的模‖A_r,i-A_r,i+1‖，k_l、k_r分别为上下两个连通域的最小外接矩形之间相距最近的两对点之间连线的斜率，‖A_l,i-A_r,i‖表示在一个连通域内左右两侧的曲线特征描述向量之间的差异。

可选的，基于连通域对应的所述椎骨形貌描述系数和所述椎骨轮廓重复性指数确定脊柱区域优势，包括：

计算连通域所述椎骨形貌描述系数和所述椎骨轮廓重复性指数的比值，如果所述比值大于预设值，则所述连通域进行标记，进而得到M列标记区域，其中，每一列标记区域包括m个连续的连通域；

计算M列标记区域的脊柱区域优势。

可选的，计算M列标记区域的脊柱区域优势，包括：

基于标记区域中上下相邻的两个连通域中像素点的数量计算左侧肋骨分布指数和右侧肋骨分布指数；

基于左右两侧肋骨分布指数、和标记区域中连通域的所述椎骨形貌描述系数和所述椎骨轮廓重复性指数的比值计算每一列标记区域的脊柱区域优势，进而确定M列标记区域的脊柱区域优势。

可选的，基于脊柱区域优势提取牛胴体脊柱区域，包括：

如果脊柱区域优势大于阈值，则对应的标记区域为牛胴体脊柱区域。

本申请的有益效果，区别于现有技术，本申请的基于计算机视觉的牛胴体脊柱区域快速提取方法，包括：获取牛胴体灰度图像，并对所述灰度图像进行边缘检测，并得到n个连通域；基于每一连通域的噪声分布情况、形状大小和颜色范围构建椎骨形貌描述系数；根据上下相邻的两个连通域之间的倾斜角与边缘形状的特征构建连通域对应的椎骨轮廓重复性指数；基于连通域对应的所述椎骨形貌描述系数和所述椎骨轮廓重复性指数确定脊柱区域优势，基于脊柱区域优势提取牛胴体脊柱区域。该方法能够提高牛胴体脊柱区域的检测精度。

附图说明

图1为本发明基于计算机视觉的牛胴体脊柱区域快速提取方法的一实施例的流程示意图；

图2为上下相邻连通域内的左右两侧曲线示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

下面结合附图和实施例对本申请进行详细的说明。

请参见图1，图1为本发明基于计算机视觉的牛胴体脊柱区域快速提取方法的一实施例的流程示意图，具体包括：

步骤S11：获取牛胴体灰度图像，并对所述灰度图像进行边缘检测，并得到n个连通域。

牛胴体一般被悬空挂起，脊柱区域呈竖直分布。对其正面采用CCD相机进行拍摄，将采集得到牛胴体彩色RGB图像转换为灰度图像。由于牛胴体表面会残留一些胶原质和小颗粒形状的碎骨，这些残留物会使得每个椎骨表面看上去并不是特别光滑平整，从而形成额外的噪声点或边缘干扰线，这些因素会使得对图像进行分析造成干扰，脊柱区域的边缘可能变得模糊，且在提取其脊柱表面纹理信息也会出现误差，因此需要对图像进行去噪处理。本申请采用中值滤波去噪方法。

一个完整的牛脊柱包含颈椎、胸椎、腰椎等部分，而其中背脊区域为牛胴体脊柱中最明显的区域。背脊区域是由一系列椎骨构成，其形状较为规则，在图像中呈现出一条近似直线的连续曲线；在脊柱尾部连接的椎骨会出现较大的弯曲，通常呈圆弧形并向下弯曲，这些弯曲的区域是牛脊柱中的腰椎和尾椎部分。而脊柱左右两侧也存在规律性的肋骨排列。

使用边缘检测算法例如Canny算子对灰度图像进行边缘检测，提取出牛胴体灰度图像表面的边缘轮廓二值图，通过膨胀、腐蚀得到n个连通域。其中每个连通域边缘有n1个像素点，连通域内部有n2个像素点。

步骤S12：基于每一连通域的噪声分布情况、形状大小和颜色范围构建椎骨形貌描述系数。

牛胴体的脊柱由一节一节椎骨组成，其一节一节相连的椎骨之间的大小、颜色和纹理也基本相似。每个椎骨大小基本一致，其外接矩形近似为正方形，都呈暗红色；其表面可能仍会有一些残留胶原质和小颗粒形状的碎骨，这些残留物会使得每个椎骨表面看上去并不是特别平整，虽然已经对图像进行去噪，但是其表面还是会存在一些噪声，而这些噪声通常均匀分布在椎骨表面，不会出现椎骨上的局部一大片区域。

基于此，本申请的一实施例中，基于连通域内像素点的灰度值确定连通域的噪声分布情况。在一具体实施例中，基于连通域内像素点邻域内的最大灰度方差、最小灰度方差、第j个像素点邻域内的灰度方差以及连通域内所有像素点邻域的灰度方差均值计算连通域的噪声分布情况。噪声分布情况U的计算方式为：

其中，S_max ²、S_min ²分别为连通域内像素点邻域内的最大灰度方差、最小灰度方差，S_j ²为第j个像素点邻域内的灰度方差，为连通域内所有像素点邻域的灰度方差均值。通过计算差值(S_max ²-S_min ²)，得到该连通域内是否存在灰度方差较大的情况，即在该连通域内是否存在较光滑或较粗糙的邻域。/>为判断该连通域内每个点邻域内的灰度方差是否均匀，即在该连通域内是否存在噪声均匀分布的情况。通过将这两个乘数相乘，判断该连通域内的噪声是否分布均匀。如果出现分布均匀、不存在部分过为光滑或粗糙的区域，即U较小，那么就判定该连通域可能为椎骨区域。需要说明的是，像素点的邻域为3×3大小。

进一步的，还需要确定连通域的形状大小。具体的，根据每个连通域的最小外接矩形，得到其两条边长分别为l1和l2，计算该矩形面积与平均边长的正方形面积之间的差值，根据这个差值的大小来确定该连通域的大小。在一实施例中，基于最小外接矩形的面积与参考面积之间的差值确定所述连通域的形状大小；其中，参考面积为正方形面积，正方形的边长基于最小外接矩形的长和宽确定，在一实施例中，正方形的边长为

具体的，利用如下公式计算连通域的形状大小C：

其中，l1、l2分别为连通域的最小外接矩形的两条边，表示为该连通域的最小外接矩形面积l1*l2与该矩形两条边的平均边长/>的正方形面积之间的差值绝对值。如果该值越小，其外接矩形越像正方形，即越可能为椎骨区域形状大小。

在HSV颜色空间中，得到其暗红色的色相H的范围为340-20、饱和度S的范围为60％-100％、明度V的范围为20％-50％，通过这种暗红色的椎骨在HSV颜色空间中的分布范围，构建该连通域内颜色的区分指标，以确定连通域的颜色范围。

具体的，利用如下公式计算连通域的颜色范围Y：

其中，|S_i-0.8|为计算连通域中的每个像素点的饱和度距离暗红色饱和度60％-100％的中间值0.8之间的差距，|V_i-0.35|为计算连通域中的每个像素求的明度距离暗红色明度20％-50％的中间值0.35之间的差距，和/>为计算连通域中的每个像素的色相距离暗红色的色相340-20之间的差距，当H<180时用|H_i-10|来控制像素点的色相范围，当H≥180时用|H_i-350|控制像素点的色相范围，用/>来消除像素点的饱和度、明度之间量纲的差距。通过对该连通域中每个像素点在HSV颜色空间中的分布情况与椎骨暗红色进行比较其差异，得到表征该连通域的颜色是否符合椎骨颜色的程度性指标，Y值越小说明该连通域颜色越接近椎骨区域颜色。

在确定每一连通域的噪声分布情况、形状大小和颜色范围后，基于每一连通域的噪声分布情况、形状大小和颜色范围构建椎骨形貌描述系数。在一实施例中，椎骨形貌描述系数Q计算方式为：

Q＝U*C*Y；

其中，U为连通域的噪声分布情况，C为连通域的形状大小，Y为连通域的颜色范围。

通过将该连通域计算得到的噪声分布、形状大小和颜色范围这三个指标进行相乘，得到椎骨形貌描述系数Q，如果该值越小，即该连通域噪声分布越均匀、其外接矩形的形状大小越接近正方形、颜色越接近暗红色，那么该连通域越可能为椎骨区域。

步骤S13：根据上下相邻的两个连通域之间的倾斜角与边缘形状的特征构建连通域对应的椎骨轮廓重复性指数。

图像是在牛脊柱悬挂的状态下进行获取的，因此其一节一节相连的椎骨都具有规律性的、较为竖直的方向上进行排列，且其椎骨与椎骨之间可能会存在有较小的倾斜角度，而在每个牛胴体的脊柱的末尾会出现较大浮动的倾斜，即为该牛胴体的腰椎和尾椎部分。但是不管这种倾斜角度有多大，其上下相邻两个连通域的最小外接矩形之间相距最近的两个对应点之间连成的倾斜角基本相差不大，且该两对对应点所对应的两条曲边分别具有相对应的形状特征，而在同一个连通域内这两条边描述特征差距较大。

针对这种情况，根据图像中每个连通域的最小外接矩形，计算该外接矩形四个点的位置向下平移后最接近的第一个连通域，即得到上下两个相距最近的两个外接矩形，根据相邻两个矩形中最近的两对点连线的斜率k_l、k_r，计算这两对点的倾斜角度，正常情况下其倾斜角应该基本保持一致。采用Harris角点检测算法检测该连通域边缘轮廓上的角点数n3。根据相邻两个矩形中最近的两对点所在各自连通域边缘轮廓上对应的左右两侧的曲线，请参见图2，图2中用曲线标记的每个连通域内的两条曲线f_l,i、f_r,i，利用傅里叶描述子计算其描述每个连通域的这两条曲线的特征向量。取每个向量的前五个值，该连通域分别得到描述其左右两侧曲线的一个5×1的矩阵A，用来表征该曲线的特征信息。根据上下相邻两个连通域之间的倾斜角与边缘形状的特征，构建椎骨轮廓重复性指数G。

在一具体实施例中，利用如下公式计算连通域对应的椎骨轮廓重复性指数G：

其中，G为连通域对应的椎骨轮廓重复性指数，A_l,i、A_l,i+1分别为第i个连通域、与第i个连通域向下相邻的最近的连通域位于左侧的曲线的特征描述向量，A_r,i-A_r,i+1分别为第i个连通域、与第i个连通域向下相邻的最近的连通域位于右侧的曲线的特征描述向量，B_l为上下相邻两个连通域位于左侧的曲线的特征向量之间差值的模

‖A_l,i-A_l,i+1‖，B_r为上下相邻两个连通域位于右侧的曲线的特征向量之间差值的模‖A_r,i-A_r,i+1‖，k_l、k_r分别为上下两个连通域的最小外接矩形之间相距最近的两对点之间连线的斜率，‖A_l,i-A_r,i‖表示在一个连通域内左右两侧的曲线特征描述向量之间的差异，差异越大，表示符合椎骨左右两侧曲线特征不同的情况。其中，B_l＝‖A_l,i-A_l,i+1‖，B_r＝‖A_r,i-A_r,i+1‖。δ为0.01，用来避免分母出现0的情况。

综上，椎骨轮廓重复性指数G越大，表示该连通域内左右两侧曲线分布差异符合椎骨边缘差异较大的特征，上下相邻两个连通域之间对应的两条曲线之间的特征较为相似，且其连通域之间的最小外接矩形形成的左右两侧的倾斜角基本相同，说明这个连通域符合椎骨区域之间重复性排列的分布特征。

步骤S14：基于连通域对应的所述椎骨形貌描述系数和所述椎骨轮廓重复性指数确定脊柱区域优势，基于脊柱区域优势提取牛胴体脊柱区域。

对于以上两个描述椎骨的特征(椎骨形貌描述系数和椎骨轮廓重复性指数)，其牛胴体的肋骨与椎骨具有极其相似的特点。为了更准确提取出牛胴体的脊柱区域，区别肋骨与脊柱之间具有的相似特征，分析得到脊柱两侧有两侧大致对称肋骨区域，而肋骨左右两侧不存在其相同的特征。且肋骨由上到下基本呈短-长-短均匀分布变化，而由短变长的次数较多。

针对这种情况，本申请计算连通域所述椎骨形貌描述系数和所述椎骨轮廓重复性指数的比值，如果所述比值大于预设值，则所述连通域进行标记，进而得到M列标记区域，其中，每一列标记区域包括m个连续的连通域；计算M列标记区域的脊柱区域优势。

具体的，计算M列标记区域的脊柱区域优势，包括：基于标记区域中上下相邻的两个连通域中像素点的数量计算左侧肋骨分布指数右侧肋骨分布指数；基于左右两侧肋骨分布指数、和标记区域中连通域的所述椎骨形貌描述系数和所述椎骨轮廓重复性指数的比值计算每一列标记区域的脊柱区域优势，进而确定M列标记区域的脊柱区域优势。

在一实施例中，利用如下公式计算M列标记区域的脊柱区域优势：

其中，Z_l为左侧肋骨分布指数，Z_r为右侧肋骨分布指数，左侧肋骨分布指数计算公式为：

右侧肋骨分布指数计算方式与左侧肋骨分布指数计算方式下i昂同，在此不再赘述。

其中，X_i、X_i+1分别为上下相邻两个连通域的像素点个数，通过求得该列区域中m个连通域之间m-1对连通域之间像素点个数之差，如果该值小于0，离0越远说明该列区域的连通域从上到下大致呈现大小不均匀且上小下大的排列，通过将该求和得到的值求其指数exp()，消除其出现负数的影响，将得出负值的影响转换成指数的影响，得到左侧区域的肋骨分布指数Z_l。同理可得右侧区域的肋骨分布指数Z_r。Z_l越小，表示该列区域的m个连通域之间的大小不均匀且大致呈上小下大的特点，符合肋骨区域特征，而脊柱区域不符合该特征。

式Y中，Norm()为归一化函数。分母|Z_l ²-Z_r ²|为该列连通区域左右两侧最近区域的肋骨分布指数平方的差值绝对值，通过计算该值，即|(Z_l-Z_r)*(Z_l+Z_r)|，(Z_l-Z_r)越小表示左右两列区域具有相似特征，即该区域的左右两列区域可能为肋骨或椎骨区域；(Z_l+Z_r)越小表示左右两列区域出现上小下大的连通域排列，即为肋骨区域的特征。分子通过计算该列区域上m个连通域的椎骨轮廓重复性指数G与椎骨形貌描述系数Q比值，获得Y较大的区域中，具有形貌、轮廓等相似的连通域之间的分布特点，即该区域越大可能为脊柱区域。

基于脊柱区域优势提取牛胴体脊柱区域，包括：如果脊柱区域优势大于阈值，则对应的标记区域为牛胴体脊柱区域。在一实施例中，设置经验阈值T为0.9，将图像中大于T的脊柱区域优势Y的区域标记出来，即为提取到的该图像中牛胴体的脊柱区域。

本发明通过分析肋骨区域与脊柱区域之间的差异，同时结合脊柱区域的颜色、形状、边缘等特征，评估了垂直方向上每列区域的连通域之间的关系以及该列区域与左右两侧相邻的最近的两列区域的特征，避免了肋骨区域与脊柱区域之间的相似性的问题，提升了检测精度。

以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (7)

1.基于计算机视觉的牛胴体脊柱区域快速提取方法，其特征在于，包括：

获取牛胴体灰度图像，并对所述灰度图像进行边缘检测，并得到n个连通域；

基于每一连通域的噪声分布情况、形状大小和颜色范围构建椎骨形貌描述系数；

所述椎骨形貌描述系数为每一连通域的噪声分布情况、形状大小和颜色范围的乘积；

根据上下相邻的两个连通域之间的倾斜角与边缘形状的特征构建连通域对应的椎骨轮廓重复性指数；

基于连通域对应的所述椎骨形貌描述系数和所述椎骨轮廓重复性指数确定脊柱区域优势，基于脊柱区域优势提取牛胴体脊柱区域；

根据上下相邻的两个连通域之间的倾斜角与边缘形状的特征构建连通域对应的椎骨轮廓重复性指数，包括：利用如下公式计算连通域对应的椎骨轮廓重复性指数：

其中，G为连通域对应的椎骨轮廓重复性指数，A_l,i、A_l,i+1分别为第i个连通域、与第i个连通域向下相邻的最近的连通域位于左侧的曲线的特征描述向量，A_r,i、A_r,i+1分别为第i个连通域、与第i个连通域向下相邻的最近的连通域位于右侧的曲线的特征描述向量，B_l为上下相邻两个连通域位于左侧的曲线的特征向量之间差值的模||A_l,i-A_l,i+1||，B_r为上下相邻两个连通域位于右侧的曲线的特征向量之间差值的模||A_r,i-A_r,i+1||，k_l、k_r分别为上下两个连通域的最小外接矩形之间相距最近的两对点之间连线的斜率，||A_l,i-A_r,i||表示在一个连通域内左右两侧的曲线特征描述向量之间的差异；δ为避免分母为0的常数；

基于连通域对应的所述椎骨形貌描述系数和所述椎骨轮廓重复性指数确定脊柱区域优势，包括：计算连通域所述椎骨形貌描述系数和所述椎骨轮廓重复性指数的比值，如果所述比值大于预设值，则所述连通域进行标记，进而得到M列标记区域，其中，每一列标记区域包括m个连续的连通域；计算M列标记区域的脊柱区域优势。

2.根据权利要求1所述的基于计算机视觉的牛胴体脊柱区域快速提取方法，其特征在于，基于每一连通域的噪声分布情况、形状大小和颜色范围构建椎骨形貌描述系数之前，还包括：

基于每一连通域内像素点的灰度值确定连通域的噪声分布情况；

基于连通域的最小外接矩形确定连通域的形状大小；

基于连通域的色相、饱和度以及明度确定连通域的颜色范围。

3.根据权利要求2所述的基于计算机视觉的牛胴体脊柱区域快速提取方法，其特征在于，基于每一连通域内像素点的灰度值确定连通域的噪声分布情况，包括：

基于连通域内像素点邻域内的最大灰度方差、最小灰度方差、第j个像素点邻域内的灰度方差以及连通域内所有像素点邻域的灰度方差均值计算连通域的噪声分布情况。

4.根据权利要求2所述的基于计算机视觉的牛胴体脊柱区域快速提取方法，其特征在于，基于连通域的最小外接矩形确定连通域的形状大小，包括：

基于最小外接矩形的面积与参考面积之间的差值确定所述连通域的形状大小；其中，参考面积为正方形面积，正方形的边长基于最小外接矩形的长和宽确定。

5.根据权利要求2所述的基于计算机视觉的牛胴体脊柱区域快速提取方法，其特征在于，基于连通域的色相、饱和度以及明度确定连通域的颜色范围，包括：

利用如下公式计算连通域的颜色范围：

其中，n2为连通域中像素点个数，|S_i-0.8|为计算连通域中的每个像素点的饱和度距离暗红色饱和度60％-100％的中间值0.8之间的差距，|V_i-0.35|为计算连通域中的每个像素点求的明度距离暗红色明度20％-50％的中间值0.35之间的差距，和/>为计算连通域中的每个像素的色相距离暗红色的色相340-20之间的差距，当H<180时用|H_i-10|来控制像素点的色相范围，当H≥180时用|H_i-350|控制像素点的色相范围，用/>来消除像素点的饱和度、明度之间量纲的差距。

6.根据权利要求1所述的基于计算机视觉的牛胴体脊柱区域快速提取方法，其特征在于，计算M列标记区域的脊柱区域优势，包括：

基于标记区域中上下相邻的两个连通域中像素点的数量计算左侧肋骨分布指数和右侧肋骨分布指数；

基于左右两侧肋骨分布指数、和标记区域中连通域的所述椎骨形貌描述系数和所述椎骨轮廓重复性指数的比值计算每一列标记区域的脊柱区域优势，进而确定M列标记区域的脊柱区域优势。

7.根据权利要求6所述的基于计算机视觉的牛胴体脊柱区域快速提取方法，其特征在于，基于脊柱区域优势提取牛胴体脊柱区域，包括：

如果脊柱区域优势大于阈值，则对应的标记区域为牛胴体脊柱区域。