一種基于計算機視覺的豬肉肌內(nèi)脂肪含量無損檢測方法，

其特征在于包括以下步驟：

(1)標定攝像機，得到圖像中單位像素對應于真實場景中的實際長度；

(2)選取豬肉第5-6根肋骨處背最長肌作為樣本，將樣本放置于黑色背景布上，并用白色燈對樣本進行補光，利用數(shù)碼照相機對樣本橫截面進行俯拍，獲取豬肉眼肌樣本圖像，圖像大小為1000*1000像素；

(3)利用改進的樣本塊修復方法對得到的樣本圖像進行預處理，恢復圖像反光區(qū)域原有信息；

(4)結合最大熵法與迭代法對預處理后的眼肌圖像進行圖像分割，提取出豬肉大理石花紋；

(5)從得到的大理石花紋圖像中提取出脂肪數(shù)量指標、脂肪分布指標和脂肪紋理指標特征值；

(6)根據(jù)特征值和化學方法檢測結果建立逐步回歸預測模型和Fisher判別模型，而后對模型進行檢驗和結果比較，最后通過該模型對豬肉肌內(nèi)脂肪含量進行預測；

所述步驟(3)圖像預處理過程中利用樣本塊修復方法對得到的樣本圖像進行預處理包括以下步驟：

(1a)針對圖像反光區(qū)域特征，即反光區(qū)域中心像素點有較高的亮度(Value，V)值和較高的飽和度(Saturation，S)值，對圖像逐像素點進行閾值分割以得到反光中心區(qū)域，分割公式如下：

其中的F(i，j)代表坐標為(i，j)的像素點所對應的顏色值，255對應的是白色，0對應的是黑色，thresh1和thresh2分別代表了某一固定的閾值，閾值大小視實際拍攝條件而定；

(1b)對圖像進行2次全方向膨脹，使得圖像中相互靠近的反光中心區(qū)域相互合并，然后對膨脹后的圖像進行2次全方向腐蝕，使得面積變大的反光中心區(qū)域還原為原始大小；

(1c)對于面積較大的反光中心區(qū)域，把這些區(qū)域的外接矩形作為圖像的反光區(qū)域，而對于面積很小的區(qū)域則進行簡單的平滑處理；

(1d)利用改進的樣本塊修復方法對反光區(qū)域進行圖像復原，改進方法如下：

首先修補過程中每次只針對一個待修復區(qū)域進行修補，然后再復原其它修復塊，直到全部修補完成為止；其次在搜索最佳匹配塊的過程中采用二次匹配法進行搜索，第一次匹配是粗略匹配，通過隔行隔列粗略搜索最佳匹配塊的中心點位置，每次掃描的數(shù)據(jù)量降為原圖四分之一；第二次匹配是精確匹配，在第一次匹配搜索到的中心點位置的八鄰域點內(nèi)進行遍歷搜索，以得到最后的最佳匹配塊進行修復。

所述步驟(4)圖像分割過程中結合最大熵法與迭代法對預處理后的眼肌圖像進行圖像分割包括以下步驟：

(2a)去除圖像背景：將去除反光后的圖像轉換為灰度圖像，根據(jù)眼肌圖像的特征，轉換的灰度值公式為：Gray＝G*0.6+B*0.4，其中Gray為圖像灰度值，G為原始圖像綠色通道值，B為原始圖像藍色通道值，運用大津法對得到的灰度圖像進行整體閾值分割去除圖像背景，得到圖像P1；

(2b)提取眼肌中的脂肪部分：把P1均分為20*20份并分別進行閾值分割，每一份小圖像根據(jù)其圖像特征為其選取不同的自適應閾值分割算法，選取的流程如下，其中迭代法分割出的大理石花紋面積為S1，最大熵法分割出的大理石花紋面積為S2：

當圖像塊中包含背景區(qū)域時，選用迭代法對圖像塊進行自適應閾值分割；

當S2≤S1＜1.3*S2時，選用迭代法對圖像塊進行自適應閾值分割；

當S1≤S2＜1.3*S1時，選用最大熵法對圖像塊進行自適應閾值分割；

當S2≥1.3*S1時，選用迭代法對圖像塊進行自適應閾值分割；

當S1≥1.3*S2時，選用最大熵法對圖像塊進行自適應閾值分割；

每個小塊分割完成后得到圖像P2；

(2c)去除肌間脂肪：對P2進行輪廓提取，選出周長最大的一個輪廓，對該輪廓進行填充，對填充后的區(qū)域進行形態(tài)學膨脹處理得到圖像P3，對圖像P2和P3進行差值運算，得到圖像P4；

(2d)對P4進行形態(tài)學膨脹處理得到圖像P5，對P5進行輪廓提取，找出輪廓像素點個數(shù)小于10的輪廓區(qū)域，這些區(qū)域為噪聲點，去除這些區(qū)域得到圖像P6，對P5和P6進行與計算得到圖像P7，此時的圖像即為提取出的眼肌大理石花紋。

所述步驟(5)特征提取過程中從得到的大理石花紋圖像中提取出脂肪分布指標特征值共3個，所述特征的詳細表述如下：

F1脂肪顆粒均勻度：指的是脂肪顆粒分布變異系數(shù)，設有效眼肌圖像有n行，每行的脂肪像素占該行總像素比例為wi(i＝1,2,…,n)，平均值為則脂肪顆粒均勻度C的計算公式如下：

F2計盒維數(shù)；

F3信息維數(shù)。