The first step is to segment a beef

The first step is to segment a beef rib-eye image
into lean and fat regions so that the feature
quantities of beef marbling can be extracted with
high accuracy. Kurosawa and Nakanishi (1995)
and Shiranita et al. (1996, 1997) were using fuzzy
inference and neural network, respectively, to
construct the algorithm for segmenting the beef
rib-eye image into lean and fat regions. Both of
these methods, in our opinion, can be dicult to
translate into simple algorithms. Moreover, both
fuzzy inference or neural network assume several
uncertain elements such as the initial value, a local
solution, etc. Because of this, these two methods
are limited by their inability to produce stable results.
Therefore, one of the design principles of our
system is to construct an algorithm that exhibits
both simplicity and stability when used for segmenting
the beef rib-eye image into lean and fat
regions based upon its characteristics. To achieve
this, we adopt the method of DTSM proposed by
Otsu (1979). The method of DTSM can globally
determine the threshold from the gray-level histogram
being generated from the beef rib-eye image.
Next, it is necessary to identify and to quantify
the features from beef rib-eye images so that beef
marbling can be graded in accordance with the
twelve BMS No. categories. In literatures presented
by Kurosawa and Nakanishi (1995),
Shiranita et al. (1996, 1997) and Kuchida et al.
(1992, 1997), the feature quantities being used include
the fat ratio, the circumference of the different
fat regions, the number of fat particles, etc.
Because these feature quantities do not provide
information on the geometry as well as locations
of the fat particles, the distribution of the fat
particles cannot be identified correctly, thereby
compromising the accuracy of the final grading.
Thus, another design principle of our system is
that the algorithm being constructed should not
only evaluate the fat content precisely, but it
should also evaluate the distribution of the fat
particles accurately in order that the grading of
beef marbling can be achieved with high precision.
For texture images, it has been confirmed by Tang
(1998) that the run length features, obtained by
using gray-level based run length matrix, perform
comparably well with the co-occurrence features.
In this paper, we attempt to obtain the feature
vectors from the run length histograms of a binary
image composed of the lean and fat regions.

ผลลัพธ์ (ไทย) 1:

ขั้นตอนแรกคือการ แบ่งเซ็กเมนต์รูปตาซี่โครงเนื้อเป็นแบบ lean และไขมันเพื่อให้ลักษณะการทำงานปริมาณของเนื้อ marbling ที่สามารถสกัดด้วยความแม่นยำสูงขึ้น Kurosawa และ Nakanishi (1995)และ Shiranita et al. (1996, 1997) ใช้เอิบข้อและโครงข่ายประสาท ตามลำดับ เพื่อสร้างอัลกอริทึมต่อชิ้นเนื้อรูปตาซี่โครงเป็นแบบ lean และไขมัน ทั้งสองอย่างวิธีการเหล่านี้ ในความคิดของเรา สามารถดีลัทธิการแปลเป็นอัลกอริทึมที่ง่าย ยิ่งไปกว่านั้น ทั้งสองข้อเอิบหรือข่ายประสาทคิดหลายองค์ประกอบไม่แน่นอนเช่นค่าเริ่มต้น เฉพาะโซลูชั่น ฯลฯ เนื่องจากสองวิธีนี้ เหล่านี้ถูกจำกัด โดยไม่สามารถให้ผลลัพธ์ที่มีเสถียรภาพดังนั้น หนึ่งของหลักการออกแบบของเราระบบจะสร้างเป็นอัลกอริทึมที่จัดแสดงความเรียบง่ายและความเสถียรในการใช้ต่อชิ้นเนื้อซี่โครงตารูปเป็นแบบ lean และไขมันตามลักษณะของภูมิภาค เพื่อให้บรรลุนี้ เรานำวิธีการนำเสนอโดย DTSMโอสึ (1979) วิธีการ DTSM ทั่วโลกสามารถกำหนดขีดจำกัดจากฮิสโตแกรมระดับสีเทากำลังสร้างจากภาพตาซี่โครงเนื้อถัดไป มันเป็นสิ่งจำเป็น เพื่อระบุ และกำหนดปริมาณลักษณะการทำงานจากภาพตาซี่โครงเนื้อเพื่อที่เนื้อสามารถจะแบ่งแยก marbling สอดคล้องกับการหมายเลข 12 BMS ประเภท Literatures แสดงโดย Kurosawa Nakanishi (1995),Shiranita et al. (1996, 1997) และ Kuchida et al(1992, 1997), ปริมาณคุณลักษณะใช้รวมอัตราส่วนไขมัน เส้นรอบวงของที่แตกต่างกันภูมิภาคไขมัน จำนวนอนุภาคไขมัน ฯลฯเนื่องจากมีปริมาณคุณลักษณะเหล่านี้ข้อมูลเกี่ยวกับเรขาคณิตรวมทั้งสถานของอนุภาคไขมัน การกระจายของไขมันอนุภาคไม่สามารถระบุได้อย่างถูกต้อง จึงสูญเสียความถูกต้องของการจัดเกรดสุดท้ายหลักการออกแบบอื่นของระบบของเราจึงว่าอัลกอริทึมที่ถูกสร้างไม่ควรเฉพาะ ประเมินไขมันแม่นยำ แต่ควรประเมินการกระจายของไขมันอนุภาคได้อย่างถูกต้องในใบสั่งที่จัดเกรดของmarbling เนื้อสามารถทำได้ ด้วยความแม่นยำสูงสำหรับพื้นผิวภาพ มีการยืนยัน โดยแทง(1998) ที่ความยาวใช้งานลักษณะการทำงาน ได้รับโดยใช้สีเทาระดับความยาวรันตามเมตริกซ์ ทำปานดีกับคุณลักษณะเกิดร่วมในเอกสารนี้ เราพยายามขอรับคุณลักษณะเวกเตอร์จากความยาวรันฮิสโตแกรมของไบนารีภาพประกอบของภูมิภาคแบบ lean และไขมัน

ผลลัพธ์ (ไทย) 2:

ขั้นตอนแรกคือส่วนภาพซี่โครงตาเนื้อลงในพื้นที่ติดมันและไขมันเพื่อให้คุณลักษณะปริมาณเนื้อหินอ่อนสามารถสกัดที่มีความแม่นยำสูง คุโรซาวาและนากานิชิ (1995) และ Shiranita et al, (1996, 1997) ได้ใช้เลือนอนุมานและเครือข่ายประสาทตามลำดับเพื่อสร้างอัลกอริทึมสำหรับการแบ่งกลุ่มเนื้อภาพซี่โครงตาลงในพื้นที่ติดมันและไขมัน ทั้งสองวิธีการเหล่านี้ในความเห็นของเราสามารถดิ ?? ศาสนาที่จะแปลเป็นขั้นตอนวิธีการที่เรียบง่าย นอกจากนี้ทั้งสองอนุมานฟัซซีหรือเครือข่ายประสาทถือว่าหลายองค์ประกอบที่มีความไม่แน่นอนดังกล่าวเป็นค่าเริ่มต้นท้องถิ่นแก้ปัญหาฯลฯ ด้วยเหตุนี้ทั้งสองวิธีจะถูกจำกัด โดยไม่สามารถที่จะก่อให้เกิดผลที่มีเสถียรภาพ. ดังนั้นหนึ่งในหลักการการออกแบบของเราระบบนี้เป็นระบบที่จะสร้างอัลกอริทึมที่จัดแสดงนิทรรศการทั้งความเรียบง่ายและความมั่นคงเมื่อนำมาใช้สำหรับการแบ่งกลุ่มภาพซี่โครงตาเนื้อติดมันและเข้าไปในไขมันภูมิภาคขึ้นอยู่กับลักษณะของ เพื่อให้บรรลุนี้เรานำวิธีการ DTSM เสนอโดยโอตสึ(1979) วิธีการ DTSM ทั่วโลกที่สามารถกำหนดเกณฑ์จากกราฟสีเทาระดับถูกสร้างขึ้นจากภาพซี่โครงตาเนื้อ. ถัดไปก็เป็นสิ่งที่จำเป็นในการระบุและปริมาณคุณสมบัติจากภาพเนื้อซี่โครงตาเพื่อให้เนื้อว่าหินอ่อนสามารถให้คะแนนสอดคล้องกับสิบสองฉบับที่ BMS ประเภท ในวรรณกรรมที่นำเสนอโดยคุโรซาวาและนากานิชิ (1995), Shiranita et al, (1996, 1997) และ Kuchida et al. (1992, 1997) ปริมาณคุณลักษณะที่ใช้รวมถึงอัตราส่วนไขมันเส้นรอบวงของที่แตกต่างกันภูมิภาคไขมันจำนวนของอนุภาคไขมันฯลฯเพราะสิ่งเหล่านี้ในปริมาณคุณลักษณะที่ไม่ได้ให้ข้อมูลในเรขาคณิตเช่นเดียวกับสถานที่ของอนุภาคไขมันกระจายตัวของไขมันอนุภาคไม่สามารถระบุได้อย่างถูกต้องจึงไม่สูญเสียความถูกต้องของการจัดลำดับขั้นสุดท้าย. ดังนั้นหลักการออกแบบอีกอย่างหนึ่งของระบบของเราว่าวิธีที่ถูกสร้างขึ้นจะไม่เพียงแต่ประเมิน ปริมาณไขมันได้อย่างแม่นยำ แต่ก็ควรจะพิจารณาการกระจายของไขมันอนุภาคได้อย่างถูกต้องเพื่อให้การจัดลำดับของหินอ่อนเนื้อสามารถทำได้ด้วยความแม่นยำสูง. สำหรับภาพพื้นผิวจะได้รับการยืนยันจากถัง(1998) ที่มีคุณสมบัติระยะเวลาในการทำงาน ได้โดยใช้สีเทาระดับเมทริกซ์ระยะเวลาในการทำงานที่ใช้ดำเนินปานดีที่มีคุณสมบัติร่วมเกิดขึ้น. ในบทความนี้เราพยายามที่จะได้รับคุณลักษณะเวกเตอร์ histograms จากระยะเวลาในการทำงานของไบนารีภาพประกอบด้วยภูมิภาคลีนและไขมัน

ผลลัพธ์ (ไทย) 3:

ขั้นตอนแรก คือ ส่วนที่เป็นเนื้อซี่โครงภาพ
เป็นภูมิภาคยันและไขมันเพื่อให้มีปริมาณของ marbling เนื้อ

สามารถสกัดที่มีความเที่ยงตรงสูง คุโรซาวะ และ นากา ( 1995 ) และ
shiranita et al . ( 1996 , 1997 ) โดยใช้การอนุมานฟัซซี่
และโครงข่ายประสาทเทียม )

สร้างขั้นตอนวิธีการแบ่งส่วนเนื้อซี่โครงภาพในภูมิภาค
ผอม และอ้วน ทั้ง
วิธีการเหล่านี้ ในความเห็นของเรา สามารถดิ ? ลัทธิ

แปลเป็นขั้นตอนวิธีที่ง่าย นอกจากนี้ ทั้งการอนุมานฟัซซี่นิวรอลเน็ตเวิร์กหรือ

ไม่แน่ใจว่าหลายองค์ประกอบ เช่น ค่าเริ่มต้นแก้ปัญหาท้องถิ่น
ฯลฯ ด้วยเหตุนี้ ทั้งสองวิธีจะถูก จำกัด โดยตนไม่สามารถ

ผลผลิตที่มั่นคง ดังนั้น หนึ่งในหลักการของเรา
ออกแบบระบบที่จะสร้างอัลกอริทึมที่จัดแสดง
ทั้งความเรียบง่าย และเสถียรภาพเมื่อใช้ในการแบ่งส่วน
เนื้อซี่โครงภาพเข้าไปในปอด และไขมัน
ภูมิภาคตามลักษณะของ เพื่อให้บรรลุ
นี้ เราใช้วิธี dtsm เสนอโดย
โอ๊ต ( 1979 ) วิธีการ dtsm สามารถทั่วโลก
กำหนดเกณฑ์จากระดับสีเทาภาพ
ถูกสร้างขึ้นจากเนื้อซี่โครงภาพ .
ต่อไปมันเป็นสิ่งที่จำเป็นในการระบุและปริมาณ
คุณสมบัติจากเนื้อซี่โครง marbling เนื้อ
ภาพเพื่อที่สามารถจะให้คะแนนตาม
สิบสองหรือไม่ ประเภท ในวรรณกรรมและนำเสนอ
โดยคุโรซาว่านากา ( 1995 ) ,
shiranita et al . ( 1996 , 1997 ) และ kuchida et al .
( 1992 , 1997 ) มีปริมาณการใช้รวม
อัตราส่วนไขมันรอบๆ
ไขมันภูมิภาคจำนวนของอนุภาคไขมัน ฯลฯ
เพราะปริมาณคุณลักษณะเหล่านี้ไม่ให้
ข้อมูลเกี่ยวกับเรขาคณิตเช่นเดียวกับสถานที่
อนุภาคของไขมัน การกระจายของอนุภาคไขมัน
ไม่สามารถระบุได้อย่างถูกต้องจึง
สูญเสียความถูกต้องของสุดท้ายคะแนน
ดังนั้นหลักการอื่นออกแบบระบบของเรา
ว่า ขั้นตอนวิธีการสร้างไม่ควร
แค่ประเมินปริมาณไขมันแน่นอน แต่มัน
ควรจะพิจารณาการกระจายของอนุภาคไขมัน
ถูกต้องเพื่อให้ระดับของ
marbling เนื้อสามารถบรรลุกับความเที่ยงตรงสูง
ภาพพื้นผิว มันได้รับการยืนยันโดย Tang
( 1998 ) ที่ความยาวคุณลักษณะได้โดย
โดยใช้ระดับสีเทา ความยาวเมทริกซ์ตามเนิน
ปานกันกับ
การคุณสมบัติในกระดาษนี้เราพยายามที่จะได้รับคุณลักษณะ
เวกเตอร์จากความยาวฮิสโตแกรมของไบนารี
ภาพประกอบด้วยภูมิภาคผอม และอ้วน