【技术实现步骤摘要】
本专利技术涉及图像处理。更具体地，本专利技术涉及一种基于纹理特征的猪肉质量评定方法。
技术介绍
1、在国内外有很多优质的花纹猪肉，其不仅肉色鲜艳，还拥有美妙绝伦的口感，都是由于猪肉大理石花纹丰富带来的，而根据肌内脂肪含量多少，花纹猪肉也有很多等，其中一种花纹猪肉分类方法将猪肉大理石花纹分为五级：1级无花纹，2级有少量花纹，3级花纹微丰富，4级花纹丰富，5级花纹极丰富，花纹越丰富代表着猪肉的质量越高，越优质，而传统的花纹猪肉质量的评定方法为人工评定，会耗费大量的人力成本，且不高效。
2、对猪肉质量评定时通过对猪肉图像进行阈值分割，来确定猪肉中大理石花纹的含量多少，进而对猪肉的质量进行评定，但是由于猪肉本身的光泽，使得拍摄到的猪肉图像中会因反光而形成白色的光斑或者光点，因此猪肉图像中的光斑、光点与大理石花纹的灰度值比较相近，因此对猪肉图像使用自适应阈值分割大理石花纹时，猪肉图像中的光斑或者光点很大可能也会被分割出来，从而影响大理石花纹检测的准确性，使得对猪肉质量的评定不准确。
技术实现思路
1、为解决上述一个或多个技术问题，本专利技术提出一种基于纹理特征的猪肉质量评定方法，该方法包括以下步骤：
2、采集猪肉图像；
3、对猪肉图像进行阈值分割，获取若干个二值化图像；根据猪肉图像中像素点的梯度方向与像素点在二值化图像中的梯度方向的相似性，获取猪肉图像中每个像素点在每个二值化图像中的梯度影响因子；
4、对每个二值化图像中灰度值为1的像素点，得到
5、根据猪肉图像中每个像素点在每个二值化图像中的梯度影响因子以及面积影响因子，获取猪肉图像中每个像素点在每个二值化图像中的灰度值的重要程度；根据猪肉图像中每个像素点在每个二值化图像中的灰度值的重要程度，获取猪肉图像中每个像素点在每个二值化图像中的灰度值对最终二值化图像的权重；
6、根据猪肉图像中每个像素点在每个二值化图像中的灰度值对最终二值化图像的权重，以及每个像素点在每个二值化图像中的灰度值，获取猪肉图像中的每个像素点在最终二值化图像中的灰度值，得到最终二值化图像；根据最终二值化图像对猪肉质量进行评定。
7、优选的，所述对猪肉图像进行阈值分割，获取若干个二值化图像，包括：
8、将1到254之间的每个灰度值依次作为分割阈值对猪肉图像进行分割，得到254个二值化图像。
9、优选的，所述根据猪肉图像中像素点的梯度方向与像素点在二值化图像中的梯度方向的相似性，获取猪肉图像中每个像素点在每个二值化图像中的梯度影响因子，包括：
10、将猪肉图像中任意一个像素点记为当前像素点；
11、；
12、式中，代表当前像素点在第i个二值化图像中的梯度影响因子；t代表当前像素点在猪肉图像中的梯度值；代表猪肉图像的所有像素点中的最大梯度值；代表当前像素点在第i个二值化图像中的梯度方向；b代表当前像素点在猪肉图像中的梯度方向；||代表绝对值符号；exp()代表以自然常数为底数的指数函数。
13、优选的，所述根据每个二值化图像的若干个连通区域，获取猪肉图像中每个像素点属于光斑或光点的分值，包括：
14、将猪肉图像中任意一个像素点记为当前像素点，将当前像素点在每个二值化图像中所属连通区域中像素点的数量，记为当前像素点的每个连通区域面积；
15、预设聚类簇个数m，使用k-means聚类算法对当前像素点的所有连通区域面积进行聚类，得到m个聚类簇以及每个聚类簇的聚类中心；获取每个聚类簇中所有连通区域面积的均值，将均值最小的聚类簇记为当前像素点的面积最小类，将均值最大的聚类簇记为当前像素点的面积最大类；
16、根据当前像素点的面积最小类，获取当前像素点属于光斑或光点的分值：
17、；
18、式中，p代表当前像素点属于光斑或光点的分值；n代表当前像素点的面积最小类中连通区域的数量；代表当前像素点的面积最小类中所有连通区域面积中的最小值；代表当前像素点的面积最小类中所有连通区域面积的方差；代表当前像素点的所有连通区域面积的方差。
19、优选的，所述根据猪肉图像中每个像素点属于光斑或光点的分值，获取猪肉图像中每个像素点在每个二值化图像中的面积影响因子，包括：
20、将猪肉图像中任意一个像素点记为当前像素点；
21、；
22、式中，代表当前像素点在第i个二值化图像中的面积影响因子；p代表当前像素点属于光斑或光点的分值；代表预设第一超参数；代表当前像素点在第i个二值化图像中所属连通区域面积；代表当前像素点的面积最小类中的聚类中心对应的连通区域面积；代表当前像素点的面积最大类中的聚类中心对应的连通区域面积；||代表绝对值符号。
23、优选的，所述根据猪肉图像中每个像素点在每个二值化图像中的梯度影响因子以及面积影响因子，获取猪肉图像中每个像素点在每个二值化图像中的灰度值的重要程度，包括：
24、将猪肉图像中任意一个像素点记为当前像素点；
25、；
26、式中，代表当前像素点在第i个二值化图像中的灰度值的重要程度；代表当前像素点在第i个二值化图像中的梯度影响因子；代表当前像素点在第i个二值化图像中的面积影响因子；代表预设第一超参数；p代表当前像素点属于光斑或光点的分值；代表归一化函数。
27、优选的，所述根据猪肉图像中每个像素点在每个二值化图像中的灰度值的重要程度，获取猪肉图像中每个像素点在每个二值化图像中的灰度值对最终二值化图像的权重，包括：
28、将猪肉图像中任意一个像素点记为当前像素点；
29、将当前像素点在所有二值化图像中的灰度值的重要程度之和，记为当前像素点的重要程度之和，将当前像素点在第i个二值化图像中的灰度值的重要程度与当前像素点的重要程度之和的比值，作为当前像素点在第i个二值化图像中的灰度值对最终二值化图像的权重。
30、优选的，所述根据猪肉图像中每个像素点在每个二值化图像中的灰度值对最终二值化图像的权重，以及每个像素点在每个二值化图像中的灰度值，获取猪肉图像中的每个像素点在最终二值化图像中的灰度值，得到最终二值化图像，包括：
31、将猪肉图像中任意一个像素点记为当前像素点；
32、；
33、式中，代表当前像素点在最终二值化图像中的灰度值；代表当前像素点在第i个二值化图像中的灰度值对最终二值化图像的权重；代表当前像素点在第i个二值化图像中的灰度值；代表预设第二超参数。
34、优选的，所述根据最终二值化图像对猪肉质量进行评定，包括：
35、构建并训练人工神经网络模型，将最终二值化图像输入到训练好的人工神经本文档来自技高网...
【技术保护点】
1.一种基于纹理特征的猪肉质量评定方法，其特征在于，包括：
2.根据权利要求1所述的一种基于纹理特征的猪肉质量评定方法，其特征在于，所述对猪肉图像进行阈值分割，获取若干个二值化图像，包括：
3.根据权利要求1所述的一种基于纹理特征的猪肉质量评定方法，其特征在于，所述根据猪肉图像中像素点的梯度方向与像素点在二值化图像中的梯度方向的相似性，获取猪肉图像中每个像素点在每个二值化图像中的梯度影响因子，包括：
4.根据权利要求1所述的一种基于纹理特征的猪肉质量评定方法，其特征在于，所述根据每个二值化图像的若干个连通区域，获取猪肉图像中每个像素点属于光斑或光点的分值，包括：
5.根据权利要求4所述的一种基于纹理特征的猪肉质量评定方法，其特征在于，所述根据猪肉图像中每个像素点属于光斑或光点的分值，获取猪肉图像中每个像素点在每个二值化图像中的面积影响因子，包括：
6.根据权利要求1所述的一种基于纹理特征的猪肉质量评定方法，其特征在于，所述根据猪肉图像中每个像素点在每个二值化图像中的梯度影响因子以及面积影响因子，获取猪肉图像中每个像素点在
7.根据权利要求1所述的一种基于纹理特征的猪肉质量评定方法，其特征在于，所述根据猪肉图像中每个像素点在每个二值化图像中的灰度值的重要程度，获取猪肉图像中每个像素点在每个二值化图像中的灰度值对最终二值化图像的权重，包括：
8.根据权利要求1所述的一种基于纹理特征的猪肉质量评定方法，其特征在于，所述根据猪肉图像中每个像素点在每个二值化图像中的灰度值对最终二值化图像的权重，以及每个像素点在每个二值化图像中的灰度值，获取猪肉图像中的每个像素点在最终二值化图像中的灰度值，得到最终二值化图像，包括：
9.根据权利要求1所述的一种基于纹理特征的猪肉质量评定方法，其特征在于，所述根据最终二值化图像对猪肉质量进行评定，包括：
...【技术特征摘要】
1.一种基于纹理特征的猪肉质量评定方法，其特征在于，包括：
2.根据权利要求1所述的一种基于纹理特征的猪肉质量评定方法，其特征在于，所述对猪肉图像进行阈值分割，获取若干个二值化图像，包括：
3.根据权利要求1所述的一种基于纹理特征的猪肉质量评定方法，其特征在于，所述根据猪肉图像中像素点的梯度方向与像素点在二值化图像中的梯度方向的相似性，获取猪肉图像中每个像素点在每个二值化图像中的梯度影响因子，包括：
4.根据权利要求1所述的一种基于纹理特征的猪肉质量评定方法，其特征在于，所述根据每个二值化图像的若干个连通区域，获取猪肉图像中每个像素点属于光斑或光点的分值，包括：
5.根据权利要求4所述的一种基于纹理特征的猪肉质量评定方法，其特征在于，所述根据猪肉图像中每个像素点属于光斑或光点的分值，获取猪肉图像中每个像素点在每个二值化图像中的面积影响因子，包括：
6.根据权利要求1所述的一...
【专利技术属性】
技术研发人员：韩啸，吕荣鑫，李琛琢，
申请(专利权)人：西安笨笨畜牧有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。