CN110751196A - 一种油水两相流透明管壁内类油滴附着物识别方法 - Google Patents

Abstract

本发明属于石油工程与测量技术领域，具体涉及一种油水两相流透明管壁内类油滴附着物识别方法。1、对油水两相流PTV图像进行初始图像处理；2、提取有效特征；3、对A进行随机抽样；4、随机选择一个样本属性V；5、在每个子空间中递归进行步骤4；6、重复3‑5直至产生t棵孤立树；7、将A分为异常样本集D、密集样本集C和正常样本集B；8、在正常样本集B和密集样本集C的并集中计算样本点到聚类中心的距离；9、在当前分类结果下重新计算油滴边缘聚类中心、类油滴附着物边缘聚类中心；10、重复8和9直至满足指定条件之一；11、计算异常样本集D中每个样本分别到当前油滴边缘聚类中心、当前类油滴附着物边缘聚类中心的距离。

Description

一种油水两相流透明管壁内类油滴附着物识别方法

技术领域：

本发明属于石油工程与测量技术领域，具体涉及一种油水两相流透明管壁内类油滴附着物识别方法。

背景技术：

油水两相流油相流速的精确测量一直是油田测井的难题，测量方法由带有机械部件的测井仪器逐渐趋向采用无扰、非接触的图像分析的测量方法。PTV是一种研究流体流动特性的有效方法，提取PTV图像中的特征点进行匹配，从而测得流速。该方法对拍摄的多相流图像有很高的要求，图像质量的好坏直接关系到油水两相流参数的测量精度。在进行油水两相流油相流速测量的过程中，多次实验过后油井管壁上存在一些类油滴附着物，类油滴附着物的主要成分是由于管壁不干净而粘附在管壁上的油以及水渍，这些类油滴附着物在采集多相流图像的同时也被记录下来，类油滴附着物作为图像中的干扰信息，将对油水两相流油相流速测量及分析造成很大的干扰。

PTV油水两相流图像像素可分为5种：属于背景的像素、属于油滴内部的像素，属于油滴边缘的像素，属于管壁类油滴附着物内部的像素和属于管壁类油滴附着物边缘的像素。管壁类油滴附着物识别问题就可以转化成为图像聚类的问题，从而采用聚类算法结合图像处理方法进行解决。参与图像匹配过程的是图像中的边缘像素，所以只需要对边缘像素进行聚类即可。

K-means算法是一种最常用的聚类划分算法，具有原理简单、无监督、迭代优化的特点，受到了众多学者的重视。K-means算法虽然具有实现简单，执行效率高的优点，但其聚类效果受到选择的初始中心点和样本中离群点影响较大。随机选取的初始聚类中心点可能会让聚类结果陷入局部最优解，而样本数据中的离群点，会使聚类中心偏离其最佳位置，导致无法达到最佳聚类效果，因此在进行聚类前必须对初始聚类中心及数据中的离群点进行预处理。

孤立森林算法是一种非监督的数据异常检测算法，与其他算法相比，该方法不利用距离或密度来检测，避免了基于距离和密度方法进行检测时的大计算量。在孤立森林算法中，基于切割的思想判断样本在数据中的异常程度，离群数据由于与其他数据点较为疏离，可能需要较少的几次切分就可以将他们单独划分出来，而密集数据刚好相反，利用此特点，可得到所有样本的异常程度，具有较低的线性时间复杂度。由于孤立森林可以判断样本在数据中的疏离程度，所以采用孤立森林对传统K-means算法进行改善，根据数据在算法下的异常得分将数据分为三类，得分高的作为离群点，不参与聚类过程；得分低的作为密集点，在其中进行初始聚类中心的选择；其余点作为普通正常数据参与迭代聚类过程。

发明内容：

本发明的目的是为解决采用PTV进行油水两相流油相流速测量时受透明管壁类油滴附着物严重干扰造成的测量精度下降问题，提供一种油水两相流透明管壁类油滴附着物图像预处理方法。它解决了在使用PTV进行油水两相流油相流速测量时，透明管壁类油滴附着物对测量产生严重干扰的问题。采用图像聚类的方法，提取多个油水两相流图像有效特征；利用孤立森林算法改善传统K-means算法受初始聚类中心选择和离群点影响大的缺陷，增强图像聚类效果，提高类油滴附着物识别准确性。

本发明采用的技术方案为：一种油水两相流透明管壁内类油滴附着物识别方法，所述识别方法包括以下步骤：

步骤一：对采集的多幅油水两相流PTV图像进行初始图像处理，包括滤波、去噪和锐化，并采用Canny算子进行油滴和类油滴附着物边缘检测；

步骤二：随机选取一张图像作为当前帧图像，根据检测到的边缘，分别提取当前帧图像的油滴和类油滴附着物边缘像素邻域内颜色差异、油滴和类油滴附着物多帧图像边缘像素灰度值差异、油滴和类油滴附着物运动差异作为有效特征；

步骤三：对特征数据集A进行随机抽样，特征数据集A为当前帧图像边缘像素的油滴和类油滴附着物边缘像素邻域内颜色差异特征、油滴和类油滴附着物多帧图像边缘像素灰度值差异特征、油滴和类油滴附着物运动差异特征的集合，A＝{X₁,X₂,…,X_i}，X_i为A中第i个样本，i为边缘像素序号，i＝1,2,…,L，L为图像中检测到的边缘像素个数；抽取N个样本作为一个子样本集A_sub，N为抽取子样本集大小，开始建立孤立树，λ₁为孤立树层序号，λ₁的取值范围为λ₁＝1,2,…,l，l为孤立树高度，ο为节点序号，ο的取值范围为

在本步骤中λ₁的初始取值为1；

步骤四：随机选择样本属性V,在A_sub的V属性值中随机产生一个切割点q，q的值位于样本V属性值的最大值与最小值之间，在V属性下，以q为切割点将A_sub划分为左节点样本集

和右节点样本集

随机选择样左本属性

以及右样本属性

当前左样本属性表示为V^left，当前右样本属性表示为V^right，当前左节点样本集表示为G^left,当前右节点样本集表示为G^right，其中λ₁为孤立树层序号，ο为节点序号。此时，

步骤五：λ₁的值增加1，在当前左节点样本集G^left的当前左样本属性V^left值中随机产生一个左切割点q_left，q_left的值位于当前左样本属性V^left值的最大值与最小值之间，在当前左样本属性V^left值下，以q_left为左切割点将当前左节点样本集G^left划分为左节点子样本集右节点子样本集

在当前右节点样本集G^right的当前右样本属性V^right值中随机产生一个右切割点q_right，q_right的值位于当前右样本属性V^right值的最大值与最小值之间，在当前右样本属性V^right值下，以q_right为右切割点将当前右节点样本集G^right划分为左节点样本子集

右节点样本子集

随机选择样左本属性

以及右样本属性

更新当前左样本属性更新当前右样本属性当前左节点样本集

更新当前右节点样本集

其中τ₁为左节点子样本集横向序号，τ₂为右节点子样本集横向序号，τ₃为左节点样本子集横向序号，τ₄为右节点样本子集横向序号；

步骤六：重复步骤五直至满足以下任意一个条件(1)、当前左节点样本集上G^left和当前右节点样本集G^right中只有一个样本点；(2)、当前左节点样本集上G^left内所有样本特征相同和当前右节点样本集G^right内所有样本特征相同；(3)、孤立树达到了限定的高度l；

步骤七：重复步骤三至步骤六直至产生t棵孤立树，将特征数据集A中每一个样本输入t棵孤立树，计算样本的异常得分S；

步骤八：将特征数据集A分为异常样本集D、密集样本集C和正常样本集B，在密集样本集C中选择油滴边缘初始聚类中心c₁、类油滴附着物边缘初始聚类中心c₂；

步骤九：在正常样本集B和密集样本集C的并集中计算样本点到聚类中心的距离d(X_δ,c′_j)，并对正常样本集B和密集样本集C的并集中样本点进行聚类，δ为正常样本集B和密集样本集C的并集中样本序号，X_δ为正常样本集B和密集样本集C的并集中第δ个样本，j为聚类中心序号，j＝1,2，c′₁为当前油滴边缘聚类中心，c′₂为当前类油滴附着物边缘聚类中心；

步骤九十：在步骤九的分类结果下重新计算油滴边缘聚类中心c″₁、类油滴附着物边缘聚类中心c″₂；

步骤十一：重复步骤九和步骤十直至满足指定条件之一，指定条件包括：(1)、达到指定迭代次数；(2)、聚类目标函数Γ值的变化小于一个阈值tr；

步骤十二：计算异常样本集D中每个样本分别到当前油滴边缘聚类中心c′₁、当前类油滴附着物边缘聚类中心c′₂的距离，并根据距离大小将样本划分到距离其最近的聚类中心所属的簇类中。

进一步地，在所述的步骤二中，提取的图像特征如下：

(1)、油滴和类油滴附着物边缘像素邻域内颜色差异特征：

油滴和类油滴附着物边缘像素邻域内颜色差异特征的描述符f_i ^c1定义如下

f_i ^c1＝ω_Hσ_H+ω_Sσ_S+ω_Vσ_V

其中f_i ^c1为第i个边缘像素的油滴和类油滴附着物边缘像素邻域内颜色差异特征的描述符，ω_H为H颜色分量上颜色差异的权值，且ω_H<1，ω_S为S颜色分量上颜色差异的权值，且ω_S<1，ω_V为V颜色分量上颜色差异的权值，且ω_V<1，σ_H为H颜色分量上颜色差异，σ_S为S颜色分量上颜色差异，

σ_V为V颜色分量上颜色差异，

ii为像素邻域x坐标，jj为像素邻域y坐标，M₁为像素邻域x坐标最大值，M₂为像素邻域y坐标最大值，

是邻域内(ii,jj)处像素的H颜色分量值，

是邻域内(ii,jj)处像素的S颜色分量值，

是邻域内(ii,jj)处像素的V颜色分量值，μ_H为邻域内像素的H颜色分量的平均值，μ_S为邻域内像素的S颜色分量的平均值，μ_V为邻域内像素的V颜色分量的平均值；

(2)、油滴和类油滴附着物多帧图像边缘像素灰度值差异特征：

油滴和类油滴附着物多帧图像边缘像素灰度值差异特征的描述符f_i ^c2定义如下：

其中f_i ^c2为第i个边缘像素的油滴和类油滴附着物多帧图像边缘像素灰度值差异特征的描述符，n_c是选择的帧数，为当前帧图像中第i个边缘像素灰度值，k为图像帧数序号，为第k帧图像中与当前帧图像相对应位置的像素灰度值；

(3)、油滴和类油滴附着物运动差异特征：

则该运动差异特征的描述符f_i ^m1定义如下：

其中其中f_i ^m1为第i个边缘像素的油滴和类油滴附着物运动差异特征的描述符，n_α为采用不同尺寸查询窗口数，w为采用的查询窗口序号，w＝1,2,…,n_α，l_w是采用不同大小查询窗口得到的位移,按下式计算：

其中u_w是采用第w个查询窗口经互相关计算得到的像素在x方向上的位移,v_w是采用第w个查询窗口经互相关计算得到的像素在y方向上的位移：

其中

是采用第w个查询窗口下的互相关矩阵：

其中

为互相关矩阵x方向的坐标，ψ为互相关矩阵y方向的坐标，f_w为当前帧图像采用第w个查询窗口覆盖的查询区域的灰度图，f'_w为后一帧图像采用第w个查询窗口覆盖的查询区域的灰度图，

是f_w相应区域内的平均像素值，

是f'_w相应区域内的平均像素值，m为查询窗口覆盖的查询区域x方向像素坐标，m＝1,2,..,M_w，M_w为查询窗口覆盖的查询区域x方向像素坐标最大值，n为查询窗口覆盖的查询区域y方向像素坐标，n＝1,2,..,N_w，N_w为查询窗口覆盖的查询区域y方向像素坐标最大值。

进一步地，所述步骤三中子样本集A_sub表示为：

其中F^c1＝[f₁ ^c1,f₂ ^c1,...,f_i′ ^c1]为边缘像素邻域内颜色差异特征集合，i'为子样本集A_sub内边缘像素序号，i'＝1,2,…,N，N为抽取子样本集大小，f_i′ ^c1为子样本集A_sub内第i'个边缘像素的边缘像素邻域内颜色差异特征，F^c2＝[f₁ ^c2,f₂ ^c2,...,f_i′ ^c2]为多帧图像边缘像素灰度值差异特征集合，f_i′ ^c2为子样本集A_sub内第i'个边缘像素的多帧图像边缘像素灰度值差异特征，F^m1＝[f₁ ^m1,f₂ ^m1,...,f_i′ ^m1]为运动差异特征集合，f_i′ ^m1为子样本集A_sub内第i'个边缘像素的运动差异特征，子样本集A_sub内第i'个边缘像素样本X_i′＝[f_i′ ^c1,f_i′ ^c2,f_i′ ^m1]^T。

进一步地，所述步骤四中样本属性V∈{F^c1,F^c2,F^m1}，将V属性值小于切割点q的样本放在左节点样本集

将V属性值大于切割点q的样本放在右节点样本集

进一步地，所述步骤五中在当前左节点样本集G^left中，将当前左样本属性V^left值小于左切割点q_left的样本放在左节点子样本集

中，将当前左样本属性V^left值大于左切割点q_left的样本放在右节点子样本集在当前右节点样本集G^right中，将当前右样本属性V^right值小于右切割点q_right的样本放在左节点样本子集

将当前右样本属性V^right值大于右切割点q_right的样本放在右节点样本子集

进一步地，所述步骤六中条件(3)l与抽取子样本集大小N的函数关系式如下：

l＝ceiling(log₂N)

式中ceiling(log₂N)表示对log₂N进行向上取整。

进一步地，所述骤七中特征数据集A异常得分S按下述方法计算：

S＝[s(X₁,N),s(X₂,N),...,s(X_L,N)]^T

其中s(X_i,N)为样本X_i的异常得分E(h(X_i))是t棵孤立树的平均h(X_i)值，h(X_i)为路径长度，即在一棵孤立树中，从A_sub到X_i所经历边数数目，ε(N)为给定抽取子样本集大小N时的路径长度的平均值，定义如下：

其中H为调和数，计算公式如下：

H(N-1)＝ln(N-1)+0.5772156649。

进一步地，所述步骤八中将异常得分大于指定值Tr_H的样本标记为异常离群样本，将异常得分小于指定值Tr_L的样本标记为密集样本，从而将原样本集A分为异常样本集D、密集样本集C和正常样本集B：

其中X_is1为密集样本集C的样本，is1为密集样本集C的样本序号，X_is2为异常样本集D的样本，is2为异常样本集D的样本序号，N^*代表正整数集，sgn为阶跃函数；

此时油滴边缘聚类中心c′₁＝c₁，类油滴附着物边缘聚类中心c′₂＝c₂。

进一步地，所述步骤九中距离d(X_δ,c′_j)表示如下：

d(X_δ,c′_j)＝||X_δ,c′_j||₂

并按下式对正常样本集B和密集样本集C的并集中样本点进行聚类：

其中ζ^δ表示第δ个样本X_δ所属的类别，δ为正常样本集B和密集样本集C的并集中样本序号，ζ^δ∈{1,2}，ζ^δ＝1，表示油滴边缘类，ζ^δ＝2，表示类油滴附着物边缘类；n_sub为正常样本集B和密集样本集C的并集中样本总数，

代表使d(X_δ,c′_j)取最小值时j的值。

进一步地，所述步骤十中按下式重新计算油滴边缘聚类中心c″₁、类油滴附着物边缘聚类中心c″₂：

其中，j为聚类中心序号，j＝1,2。此时当前油滴边缘聚类中心c′₁＝c″₁，当前类油滴附着物边缘聚类中心c′₂＝c″₂；

进一步地，所述步骤十一中条件(2)聚类目标函Γ表示如下：

其中系数函数

λ为聚类中心序号，

代表使d(X_δ,c′_λ)取最小值时λ的值；

进一步地，所述步骤十二中异常样本集D中样本按下式进行分类：

其中η为异常样本集D中样本序号，X_η为异常样本集D中第η个样本，ζ^η表示第η个样本X_η所属的类别，ζ^η∈{1,2}，ζ^η＝1，表示油滴边缘类，ζ^η＝2，表示类油滴附着物边缘类。

本发明的有益效果：为解决采用PTV进行油水两相流油相流速测量时受透明管壁类油滴附着物严重干扰造成的测量精度下降问题，提供一种油水两相流透明管壁类油滴附着物图像预处理方法。它解决了在使用PTV进行油水两相流油相流速测量时，透明管壁类油滴附着物对测量产生严重干扰的问题。采用图像聚类的方法，提取多个油水两相流图像有效特征；利用孤立森林算法改善传统K-means算法受初始聚类中心选择和离群点影响大的缺陷，增强图像聚类效果，提高类油滴附着物识别准确性。其主要优点如下：

(1)、本发明采用图像聚类的方法，提取油水两相流图片多个特征进行聚类，从而有效识别透明管壁类油滴附着物边缘；

(2)、本发明采用基于孤立森林改进的K-means，与其他算法相比，该方法没有利用距离或密度来检测，避免了基于距离和密度方法进行检测时的大计算量，具有较低的线性时间复杂度；

(3)、本发明能够有效降低透明管壁类油滴附着物对PTV特征匹配带来的干扰，从而提高油水两相流油相流速的测量精度。

附图说明：

图1为实施例一中在类油滴附着物影响下图像特征匹配结果图；

图2为实施例一中带有类油滴附着物的油水两相流图片经改进K-means图像聚类识别与消除后的结果图；

图3为实施例一中分别将基于传统K-means的油水两相流透明管壁类油滴附着物识别消除和基于改进K-means的油水两相流透明管壁类油滴附着物识别消除应用于垂直井油水两相流油相流速PTV测量中的测量结果图。

具体实施方式：

实施例一

参照各图，图1为在类油滴附着物影响下图像特征匹配结果，可以看到很多类油滴附着物被误作为油滴进行了匹配；图2为带有类油滴附着物的油水两相流图片经改进K-means图像聚类识别与消除后的结果；图3为分别将基于传统K-means的油水两相流透明管壁类油滴附着物识别消除和基于改进K-means的油水两相流透明管壁类油滴附着物识别消除应用于垂直井油水两相流油相流速PTV测量中的测量结果。具体实施方式为：

一、以油滴作为示踪粒子，经LED背光光源照亮待测区域，采用高速摄像机连续拍摄多幅垂直井油水两相流图片；

二、对采集的多幅油水两相流PTV图像进行初始图像处理，包括滤波、去噪、锐化，并采用Canny算子进行油滴和类油滴附着物边缘检测；

三、随机选取一张图像作为当前帧图像，根据检测到的边缘，分别提取图像的油滴和类油滴附着物边缘像素邻域内颜色差异、油滴和类油滴附着物多帧图像边缘像素灰度值差异、油滴和类油滴附着物运动差异作为有效特征；

四、对特征数据集A进行随机抽样，特征数据集A为图像边缘像素的油滴和类油滴附着物边缘像素邻域内颜色差异特征、油滴和类油滴附着物多帧图像边缘像素灰度值差异特征、油滴和类油滴附着物运动差异特征的集合，A＝{X₁,X₂,…,X_i}，X_i为A中第i个样本，i为边缘像素序号，i＝1,2,…,L，L为图像中检测到的边缘像素个数；抽取N个样本作为一个子样本集A_sub，N为抽取子样本集大小，开始建立孤立树，λ₁为孤立树层序号，λ₁的取值范围为λ₁＝1,2,…,l，l为孤立树高度，ο为节点序号，ο的取值范围为

在本步骤中λ₁的初始取值为1；

五、随机选择样本属性V,在A_sub的V属性值中随机产生一个切割点q，q的值位于样本V属性值的最大值与最小值之间，在V属性下，以q为切割点将A_sub划分为左节点样本集

和右节点样本集

随机选择样左本属性

以及右样本属性当前左样本属性表示为V^left，当前右样本属性表示为V^right，当前左节点样本集表示为G^left,当前右节点样本集表示为G^right，其中λ₁为孤立树层序号，ο为节点序号。此时，

六、λ₁的值增加1，在当前左节点样本集G^left的当前左样本属性V^left值中随机产生一个左切割点q_left，q_left的值位于当前左样本属性V^left值的最大值与最小值之间，在当前左样本属性V^left值下，以q_left为左切割点将当前左节点样本集G^left划分为左节点子样本集

右节点子样本集

在当前右节点样本集G^right的当前右样本属性V^right值中随机产生一个右切割点q_right，q_right的值位于当前右样本属性V^right值的最大值与最小值之间，在当前右样本属性V^right值下，以q_right为右切割点将当前右节点样本集G^right划分为左节点样本子集

右节点样本子集

随机选择样左本属性

以及右样本属性更新当前左样本属性

更新当前右样本属性

当前左节点样本集

更新当前右节点样本集

其中τ₁为左节点子样本集横向序号，τ₂为右节点子样本集横向序号，τ₃为左节点样本子集横向序号，τ₄为右节点样本子集横向序号；

七、重复六直至满足以下任意一个条件(1)、当前左节点样本集上G^left和当前右节点样本集G^right中只有一个样本点；(2)、当前左节点样本集上G^left内所有样本特征相同和当前右节点样本集G^right内所有样本特征相同；(3)、孤立树达到了限定的高度l；

八、重复四-七直至产生t棵孤立树，将特征数据集A中每一个样本遍历(输入)t棵孤立树，计算样本的异常得分S；

九、将特征数据集A分为异常样本集D，密集样本集C和正常样本集B，在密集样本集C中选择油滴边缘初始聚类中心c₁、类油滴附着物边缘初始聚类中心c₂；

十、在正常样本集B和密集样本集C的并集中计算样本点到聚类中心的距离d(X_δ,c′_j)，并对正常样本集B和密集样本集C的并集中样本点进行聚类，δ为正常样本集B和密集样本集C的并集中样本序号，X_δ为正常样本集B和密集样本集C的并集中第δ个样本，j为聚类中心序号，j＝1,2，c′₁为当前油滴边缘聚类中心，c′₂为当前类油滴附着物边缘聚类中心；

十一、在步骤十分类结果下重新计算油滴边缘聚类中心c″₁、类油滴附着物边缘聚类中心c″₂；

十二、重复十至十一直至满足指定条件之一，指定条件包括：(1)达到指定迭代次数；(2)聚类目标函Γ数值的变化小于一个阈值tr；

十三、计算异常样本集D中每个样本分别到当前油滴边缘聚类中心c′₁、当前类油滴附着物边缘聚类中心c′₂的距离，并根据距离大小将样本划分到距离其最近的聚类中心所属的簇类中；

十四、对在当前聚类结果下被识别为类油滴附着物边缘的像素进行处理，除去他们在PTV测速中的作用如图2所示；

十五、分别将基于传统K-means的油水两相流透明管壁类油滴附着物识别和基于改进K-means的油水两相流透明管壁类油滴附着物识别应用于垂直井油水两相流油相流速PTV测量中，测量结果如图3所示，在不同含水率，不同流速的工况下基于传统K-means的PTV测量精度为92.2％，基于改进K-means的PTV测量精度为94.8％，基于改进K-means的PTV测量精度高于传统K-means的PTV测量精度。

Claims (10)

1.一种油水两相流透明管壁内类油滴附着物识别方法，其特征在于：所述识别方法包括以下步骤：

步骤一：对采集的多幅油水两相流PTV图像进行初始图像处理，包括滤波、去噪和锐化，并采用Canny算子进行油滴和类油滴附着物边缘检测；

步骤二：随机选取一张图像作为当前帧图像，根据检测到的边缘，分别提取当前帧图像的油滴和类油滴附着物边缘像素邻域内颜色差异、油滴和类油滴附着物多帧图像边缘像素灰度值差异、油滴和类油滴附着物运动差异作为有效特征；

步骤三：对特征数据集A进行随机抽样，特征数据集A为当前帧图像边缘像素的油滴和类油滴附着物边缘像素邻域内颜色差异特征、油滴和类油滴附着物多帧图像边缘像素灰度值差异特征、油滴和类油滴附着物运动差异特征的集合，A＝{X₁,X₂,…,X_i}，X_i为A中第i个样本，i为边缘像素序号，i＝1,2,…,L，L为图像中检测到的边缘像素个数；抽取N个样本作为一个子样本集A_sub，N为抽取子样本集大小，开始建立孤立树，λ₁为孤立树层序号，λ₁的取值范围为λ₁＝1,2,…,l，l为孤立树高度，ο为节点序号，ο的取值范围为

在本步骤中λ₁的初始取值为1；

步骤四：随机选择样本属性V,在A_sub的V属性值中随机产生一个切割点q，q的值位于样本V属性值的最大值与最小值之间，在V属性下，以q为切割点将A_sub划分为左节点样本集

和右节点样本集

随机选择样左本属性

以及右样本属性

当前左样本属性表示为V^left，当前右样本属性表示为V^right，当前左节点样本集表示为G^left,当前右节点样本集表示为G^right，其中λ₁为孤立树层序号，ο为节点序号。此时，

步骤五：λ₁的值增加1，在当前左节点样本集G^left的当前左样本属性V^left值中随机产生一个左切割点q_left，q_left的值位于当前左样本属性V^left值的最大值与最小值之间，在当前左样本属性V^left值下，以q_left为左切割点将当前左节点样本集G^left划分为左节点子样本集

右节点子样本集

在当前右节点样本集G^right的当前右样本属性V^right值中随机产生一个右切割点q_right，q_right的值位于当前右样本属性V^right值的最大值与最小值之间，在当前右样本属性V^right值下，以q_right为右切割点将当前右节点样本集G^right划分为左节点样本子集右节点样本子集

随机选择样左本属性

以及右样本属性

更新当前左样本属性

更新当前右样本属性

当前左节点样本集

更新当前右节点样本集

其中τ₁为左节点子样本集横向序号，τ₂为右节点子样本集横向序号，τ₃为左节点样本子集横向序号，τ₄为右节点样本子集横向序号；

步骤六：重复步骤五直至满足以下任意一个条件(1)、当前左节点样本集上G^left和当前右节点样本集G^right中只有一个样本点；(2)、当前左节点样本集上G^left内所有样本特征相同和当前右节点样本集G^right内所有样本特征相同；(3)、孤立树达到了限定的高度l；

步骤七：重复步骤三至步骤六直至产生t棵孤立树，将特征数据集A中每一个样本输入t棵孤立树，计算样本的异常得分S；

步骤八：将特征数据集A分为异常样本集D、密集样本集C和正常样本集B，在密集样本集C中选择油滴边缘初始聚类中心c₁、类油滴附着物边缘初始聚类中心c₂；

步骤九：在正常样本集B和密集样本集C的并集中计算样本点到聚类中心的距离d(X_δ,c′_j)，并对正常样本集B和密集样本集C的并集中样本点进行聚类，δ为正常样本集B和密集样本集C的并集中样本序号，X_δ为正常样本集B和密集样本集C的并集中第δ个样本，j为聚类中心序号，j＝1,2，c′₁为当前油滴边缘聚类中心，c′₂为当前类油滴附着物边缘聚类中心；

步骤九十：在步骤九的分类结果下重新计算油滴边缘聚类中心c″₁、类油滴附着物边缘聚类中心c″₂；

步骤十一：重复步骤九和步骤十直至满足指定条件之一，指定条件包括：(1)、达到指定迭代次数；(2)、聚类目标函数Γ值的变化小于一个阈值tr；

步骤十二：计算异常样本集D中每个样本分别到当前油滴边缘聚类中心c′₁、当前类油滴附着物边缘聚类中心c′₂的距离，并根据距离大小将样本划分到距离其最近的聚类中心所属的簇类中。

2.根据权利要求1所述的一种油水两相流透明管壁内类油滴附着物识别方法，其特征在于：在所述的步骤二中，提取的图像特征如下：

(1)、油滴和类油滴附着物边缘像素邻域内颜色差异特征：

油滴和类油滴附着物边缘像素邻域内颜色差异特征的描述符f_i ^c1定义如下

f_i ^c1＝ω_Hσ_H+ω_Sσ_S+ω_Vσ_V

其中f_i ^c1为第i个边缘像素的油滴和类油滴附着物边缘像素邻域内颜色差异特征的描述符，ω_H为H颜色分量上颜色差异的权值，且ω_H<1，ω_S为S颜色分量上颜色差异的权值，且ω_S<1，ω_V为V颜色分量上颜色差异的权值，且ω_V<1，σ_H为H颜色分量上颜色差异，σ_S为S颜色分量上颜色差异，σ_V为V颜色分量上颜色差异，

ii为像素邻域x坐标，jj为像素邻域y坐标，M₁为像素邻域x坐标最大值，M₂为像素邻域y坐标最大值，

是邻域内(ii,jj)处像素的H颜色分量值，

是邻域内(ii,jj)处像素的S颜色分量值，

是邻域内(ii,jj)处像素的V颜色分量值，μ_H为邻域内像素的H颜色分量的平均值，μ_S为邻域内像素的S颜色分量的平均值，μ_V为邻域内像素的V颜色分量的平均值；

(2)、油滴和类油滴附着物多帧图像边缘像素灰度值差异特征：

油滴和类油滴附着物多帧图像边缘像素灰度值差异特征的描述符f_i ^c2定义如下：

其中f_i ^c2为第i个边缘像素的油滴和类油滴附着物多帧图像边缘像素灰度值差异特征的描述符，n_c是选择的帧数，

为当前帧图像中第i个边缘像素灰度值，k为图像帧数序号，

为第k帧图像中与当前帧图像相对应位置的像素灰度值；

(3)、油滴和类油滴附着物运动差异特征：

则该运动差异特征的描述符f_i ^m1定义如下：

其中其中f_i ^m1为第i个边缘像素的油滴和类油滴附着物运动差异特征的描述符，n_α为采用不同尺寸查询窗口数，w为采用的查询窗口序号，w＝1,2,…,n_α，l_w是采用不同大小查询窗口得到的位移,按下式计算：

其中u_w是采用第w个查询窗口经互相关计算得到的像素在x方向上的位移,v_w是采用第w个查询窗口经互相关计算得到的像素在y方向上的位移：

其中是采用第w个查询窗口下的互相关矩阵：

其中

为互相关矩阵x方向的坐标，ψ为互相关矩阵y方向的坐标，f_w为当前帧图像采用第w个查询窗口覆盖的查询区域的灰度图，f'_w为后一帧图像采用第w个查询窗口覆盖的查询区域的灰度图，

是f_w相应区域内的平均像素值，

是f'_w相应区域内的平均像素值，m为查询窗口覆盖的查询区域x方向像素坐标，m＝1,2,..,M_w，M_w为查询窗口覆盖的查询区域x方向像素坐标最大值，n为查询窗口覆盖的查询区域y方向像素坐标，n＝1,2,..,N_w，N_w为查询窗口覆盖的查询区域y方向像素坐标最大值。

3.根据权利要求1所述的一种油水两相流透明管壁内类油滴附着物识别方法，其特征在于：所述步骤三中子样本集A_sub表示为：

其中

为边缘像素邻域内颜色差异特征集合，i'为子样本集A_sub内边缘像素序号，i'＝1,2,…,N，N为抽取子样本集大小，

为子样本集A_sub内第i'个边缘像素的边缘像素邻域内颜色差异特征，为多帧图像边缘像素灰度值差异特征集合，

为子样本集A_sub内第i'个边缘像素的多帧图像边缘像素灰度值差异特征，为运动差异特征集合，

为子样本集A_sub内第i'个边缘像素的运动差异特征，子样本集A_sub内第i'个边缘像素样本

4.根据权利要求1所述的一种油水两相流透明管壁内类油滴附着物识别方法，其特征在于：所述步骤四中样本属性V∈{F^c1,F^c2,F^m1}，将V属性值小于切割点q的样本放在左节点样本集

将V属性值大于切割点q的样本放在右节点样本集

5.根据权利要求1所述的一种油水两相流透明管壁内类油滴附着物识别方法，其特征在于：所述步骤五中在当前左节点样本集G^left中，将当前左样本属性V^left值小于左切割点q_left的样本放在左节点子样本集

中，将当前左样本属性V^left值大于左切割点q_left的样本放在右节点子样本集

在当前右节点样本集G^right中，将当前右样本属性V^right值小于右切割点q_right的样本放在左节点样本子集

将当前右样本属性V^right值大于右切割点q_right的样本放在右节点样本子集

。

6.根据权利要求1所述的一种油水两相流透明管壁内类油滴附着物识别方法，其特征在于：所述步骤六中条件(3)l与抽取子样本集大小N的函数关系式如下：

l＝ceiling(log₂N)

式中ceiling(log₂N)表示对log₂N进行向上取整。

7.根据权利要求1所述的一种油水两相流透明管壁内类油滴附着物识别方法，其特征在于：所述骤七中特征数据集A异常得分S按下述方法计算：

S＝[s(X₁,N),s(X₂,N),...,s(X_L,N)]^T

其中s(X_i,N)为样本X_i的异常得分E(h(X_i))是t棵孤立树的平均h(X_i)值，h(X_i)为路径长度，即在一棵孤立树中，从A_sub到X_i所经历边数数目，ε(N)为给定抽取子样本集大小N时的路径长度的平均值，定义如下：

其中H为调和数，计算公式如下：

H(N-1)＝ln(N-1)+0.5772156649。

8.根据权利要求1所述的一种油水两相流透明管壁内类油滴附着物识别方法，其特征在于：所述步骤八中将异常得分大于指定值Tr_H的样本标记为异常离群样本，将异常得分小于指定值Tr_L的样本标记为密集样本，从而将原样本集A分为异常样本集D、密集样本集C和正常样本集B：

其中X_is1为密集样本集C的样本，is1为密集样本集C的样本序号，X_is2为异常样本集D的样本，is2为异常样本集D的样本序号，N^*代表正整数集，sgn为阶跃函数；

此时油滴边缘聚类中心c′₁＝c₁，类油滴附着物边缘聚类中心c′₂＝c₂。

9.根据权利要求1所述的一种油水两相流透明管壁内类油滴附着物识别方法，其特征在于：所述步骤九中距离d(X_δ,c′_j)表示如下：

d(X_δ,c′_j)＝||X_δ,c′_j||₂

并按下式对正常样本集B和密集样本集C的并集中样本点进行聚类：

其中ζ^δ表示第δ个样本X_δ所属的类别，δ为正常样本集B和密集样本集C的并集中样本序号，ζ^δ∈{1,2}，ζ^δ＝1，表示油滴边缘类，ζ^δ＝2，表示类油滴附着物边缘类；n_sub为正常样本集B和密集样本集C的并集中样本总数，

代表使d(X_δ,c′_j)取最小值时j的值。

10.根据权利要求1所述的一种油水两相流透明管壁内类油滴附着物识别方法，其特征在于：所述步骤十中按下式重新计算油滴边缘聚类中心c″₁、类油滴附着物边缘聚类中心c″₂：

其中，j为聚类中心序号，j＝1,2。此时当前油滴边缘聚类中心c′₁＝c″₁，当前类油滴附着物边缘聚类中心c′₂＝c″₂；所述步骤十一中条件(2)聚类目标函Γ表示如下：

其中系数函数

λ为聚类中心序号，

代表使d(X_δ,c′_λ)取最小值时λ的值；所述步骤十二中异常样本集D中样本按下式进行分类：

其中η为异常样本集D中样本序号，X_η为异常样本集D中第η个样本，ζ^η表示第η个样本X_η所属的类别，ζ^η∈{1,2}，ζ^η＝1，表示油滴边缘类，ζ^η＝2，表示类油滴附着物边缘类。

Images