猪眼肌B超图像纹理特征提取与分类

2013-08-01张建勋谢婷婷

重庆理工大学学报(自然科学) 2013年2期

张建勋，李涛，孙权，谢婷婷

(重庆理工大学计算机科学与工程学院，重庆 400054)

在我国，猪肉是消费量最大的肉类食品，其品质的优劣直接关系到国民的生活质量、营养的水平以及饮食的安全，所以长期以来对猪肉品质的检测和研究受到了多方面的高度重视。而决定猪肉品质的因素有很多，其中一个重要的指标是其眼肌(猪眼肌俗称里脊，位于猪的背部)肌内的脂肪含量。因此如何实现对生猪眼肌肌内脂肪含量的无损检测是一个重要的研究课题［1］。

传统的眼肌肌内脂肪含量检测方法主要有感官检测、理化检测和微生物检测。感官检测存在指标单一、主观性强、可重复性差、准确性差、劳动强度大、人工成本高、效率低等问题。理化检测和微生物检测虽然准确率高，但都是具有破坏性的检测方法。因此这些传统检测方法已经不能满足快速性、非破坏性、实时性的现代检测要求［2］。

相对于传统的检测方法，超声波检测技术属于无损检测技术中的一种，因其具有对检测对象的无损性、可重复检测性以及成本较低等特点，在日常生活中得到了广泛应用。该技术根据声波在猪肉中传播时的反射、散射、透射及吸收特性，衰减系数和传播速度等获得特征区域的B超图像，再通过数字图像处理技术、模式识别技术实现对肉质脂肪含量的检测判断［3］。

利用猪肉的声学物理性质，可在对活体不造成伤害的情况下对其眼肌内脂肪含量进行快速、准确、科学的判断，并且在检测过程中利用计算机、传感器、计算机图像处理等技术实现检测判断的自动化、智能化。

1 实验数据与预处理

实验数据为猪眼肌B超图像及其对应的肌内脂肪含量等数据，由重庆市畜牧科学院提供，共135例(图1为其中1例)，其中眼肌肌内脂肪质量分数在0～2.5%的数据(脂肪含量过低)有42例，脂肪质量分数在2.5% ～3.5%的数据(脂肪含量合理)有48例，肌内脂肪质量分数大于3.5%的数据(脂肪含量过高)有45例。肌内脂肪含量等是通过对生猪屠宰后理化检测的方法获得，因此数据准确客观。猪眼肌B超图像的特征区域由有经验的畜牧科研人员手工选出。

预处理首先根据畜牧科研人员选取的不规则特征区域，在不规则特征区域中截取30×30像素的矩形子图(图2)，然后对子图提取纹理特征。算法采用Matlab 7.1实现，运算平台为Core2 Duo CPU E7500@2.93GHz 2.94GHz，内存为 4G 的PC机。

图1 猪眼肌B超图像和已勾画ROI的图像

图2 三类脂肪含量由低到高的特征区域子图(大小为30×30)

2 纹理特征提取

本文提取的纹理特征用于猪眼肌B超图像的脂肪含量检测分类，即3类脂肪含量的判断，是生猪肉质检测判断的一个重要环节。图像的纹理包含了人类视觉系统用于解释和分析不同类图像的重要信息，一般是指图像基本元素在空间上的互相关联与排列。纹理作为一种底层的视觉信息，所承载的信息比单纯的灰度变化要多很多，而许多脂肪含量表现出来的影像特点也恰恰是纹理上的变化，因此提取的纹理特征可以有效地用于生猪脂肪含量的检测判断。

用灰度共生矩阵描述纹理特征是1973年由Haralick等提出的，它是图像灰度变化的二阶统计度量，是表述纹理图像结构特征的基本函数。根据2个像素点位置的联合概率密度函数可以建立起纹理图像的共生矩阵。图像的灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度的多种信息。

通常用Pd表示灰度共生矩阵。如果灰度级为为L，则Pd为一个L×L的方阵，其中的某个元素 Pd(i，j)，i，j=0，1，2，…，L －1 被定义为具有空间位置关系d=(Dx，Dy)，并且灰度分别为i和j的2个像素出现的次数或概率(归一化)，如图3所示。

图3 灰度共生矩阵几何空间定义

常用的空间位置关系d有水平，垂直和正、负45°共4种，如图4所示。

图4 常用4种方向空间位置关系

一旦空间位置关系d确定，就可以生成一定d下的灰度共生矩阵其中矩阵中的每一个元素代表一种灰度组合出现的次数或概率(归一化)。例如元素Pd(0，1)代表图像中2个像素距离为d的灰度分别为0和1的情况出现的次数或概率(归一化)。

通过灰度共生矩阵计算下面5种特征参数:

1)能量

能量反映了灰度共生矩阵中各元素的平方和。它度量图像纹理灰度变化是否均一，反映了图像灰度分布的均匀程度和纹理粗细度。如果共生矩阵的所有值均相等，则能量值就小;相反，如果其中的一些值大而其他值小，则能量值就大。一幅有着一致灰度的图像的灰度共生矩阵只有1个值，等于图像的总像素数，其能量值最大。因此，能量值大的图像表示一种较均匀和规则变化的图像纹理模式。

2)熵

熵反映着图像纹理的随机性。当空间共生矩阵中所有值都相等时，它取得最大值;相反，如果共生矩阵中的值非常不均匀时，其值较小。因此，熵如果取得最大值则表示图像中灰度分布非常随机。

3)惯性矩

惯性矩反映图像中局部变化的情况，反映了图像的清晰度和纹理的沟纹深浅。图像纹理的沟纹越深，则对比值越大，效果越清晰;反之，其值越小，则沟纹越浅，效果越模糊。

4)相关值

相关值反映空间灰度共生矩阵各元素在行或列方向上的相似程度。相关值的大小度量了图像中局部灰度的相关性。当矩阵元素值均匀相等时，相关值就大;相反，如果矩阵像元值相差很大，则相关值就比较小。当一副图像中相似的纹理区域有某种方向性时，其值就比较大。

5)局部平稳性

局部平稳性反映图像纹理局部变化的情况，其值越大则说明图像纹理的不同区域间缺少变化，局部非常均匀。

3 特征筛选

初次提取的特征参数之间会存在亢余度，而且各个特征参数描述脂肪含量属性的能力也有不同，从计算的复杂程度和分类器性能来看都需要进行特征筛选，以得到有效的特征组合。

根据表1～4的特征值取值范围对3种不同类脂肪含量的猪眼肌肌内纹理特征参数进行相关性分析发现，相关和局部平稳对识别不同超声图像的特异性作用不大，所以在后面的分类识别中用水平方向的能量、熵、惯性矩3种特征参数作为样本的特征值。而且试验数据也证明，能量、熵、惯性矩在水平、垂直、45°和－45°不同方向上的值域范围都比较稳定，这说明选取的3个参数具有很好的旋转不变性。

4 分类器设计

本实验选用基于3层拓扑结构的BP神经网络对特征参数进行分类识别［5－6］。第1层为输入层，经过纹理计算得到4个方向，每个方向3个特征值，每幅选择区域图像12个特征值，所以输入层神经元的个数为12。中间层数为25。输出端采用3个节点。

对于输出层，眼肌肌内脂肪含量分为3类:脂肪含量过低、脂肪含量合适、脂肪含量过高。采用二进制进行编码。对于输出“脂肪含量合适”采用(1，0，0)这样的输出向量。因为神经元的激励函数是“S”型函数，即f(x)，所以激励函数的输出永远不可能达到0或1，可能会导致算法不收敛，因此采用接近值，0.001 代表 0，0.999 代表 1。