5.6.1 基于Tsallis的近邻聚类算法
上述采用的差分法对于粘连体比较难以探测。为了进一步改善算法的准确性，设计了简单快速的有效检测区域标定算法，并结合异物目标像素和背景像素的空间和时间特性，引入空间方差和瞬时方差阈值控制双边滤波器的滤波范围，估计出完整的药液背景图像。将熵阈值法扩展到三维空间，不仅考虑到当前像素的灰度信息，而且还将其空间邻域的灰度均值和时间邻域的灰度均值考虑在内，有效地抑制噪声的影响。同时釆用差分进化算法对其进行优化，减少三维熵的计算量。将标准近邻传播聚类算法中的欧式距离测度转换为测地距离，并釆用运动惯性模型对测地距离进行修正，该测度能够很好地反映数据集的拓扑结构。根据药液异物目标的运动特性，在标准算法的模型及约束方程中加入了时间约束信息来促使生成具有时间连续性的聚类，得到新的迭代方程。实验证明，改进后的运动连续性聚类算法比标准聚类算法更适用于药液中可见异物的分类识别，并且在异物检测稳定性和精度上都具有较好的性能，能够满足实际生产线上的要求。
图5.34 连续四帧跟踪效果图
基于Tsallis的近邻聚类算法处理海量数据只需要消耗很短的时间并且效果很好，相比于其他传统的聚类算法，在速度和质量上都具有显著的优势[28]。该算法对分类中心初值非常敏感，所以需要设置多种初值并进行多次测试，以便获得最佳的分类效果。然而，该方法在分类数据集较少和初值较好的情况下效果比较明显。该算法在分类过程中釆用持续优化的策略，将所有的样本值都当作候选类，并且对其进行遍历遴选直至得出聚类结果，避免了聚类结果受限于初始的几个代表点，能够保证收敛到全局最优[29]。该算法具有更好的稳定性，由于算法对于数据集生成的相似度矩阵的对称性没有要求，所以能够很好地解决非欧式空间问题(如不满足对称性或三角不等式)[30]。该算法只需进行简单的相关局部运算就可以在很短的时间间隔里得到较好的分类结果。目前该算法已广泛应用在建筑物结构分析、图像分类、网络文本挖掘、人脸识别、网络社区分类和医学图像处理等无损检测领域[31]。
基于Tsallis的近邻聚类算法实际上是一种基于类中心的聚类算法。该算法采用因子图进行最大乘积法的置信传播，使各个节点之间自动进行信息传递并收敛产生最佳聚类结果[32]。如果对因子图的结构进行修改，或者根据应用需求设计不同的约束方程，最终将会得到不一样的迭代公式。这使得对算法进行扩展和改进变得相对容易很多。正因为此算法的优秀性能，很多学者[33]～[40]对算法进行了改进，一些基于聚类算法的扩展方法孕育而生。比如一种软约束的聚类算法。该算法将本来属于无监督学习的聚类改进为半监督学习方式，提高了算法执行效率。又如将基于单一类中心的扩展计算变换为基于多类中心的聚集计算。这些算法取得比较好的聚类结果，但是其结果受偏向参数和相似度矩阵的影响比较大[41]。在约束方程不变的条件下，偏向参数的取值能够直接影响聚类结果的数量。一般情况下，如果没有关于倾向性的先验信息时，将设定为统一的吸引度中值可以得到适中的聚类数目。但是这种固定的参数设置显然不能真实地反映数据集的内部结构，另一方面，相似度矩阵的选择也直接影响到算法的性能。
基于相似度矩阵的度量方法通常更适用于一些呈团簇结构的紧密数据集，所以在实际应用中具有一定的局限性[42]。因此，对相似度矩阵进行改进成为优化聚类效果的一种重要手段，鉴于算法突出的优点及目前存在的问题，针对液体药剂的实际需求，我们开发基于目标特征的检测算法。见图5.35，一个装有注射剂的小瓶被固定在转盘上，由电机驱动，转速为2000r/min。当转盘停止时，分辨率为640×480像素的工业相机就会捕捉一系列图像，该算法充分利用可见异物目标的特征，分别从相似性度量和约束条件两个方面着手，对算法进行相应的修正，使之适用于透明液体药剂中可见异物方面的检测[4][23]，同时，研究了药液图像预处理方法以及药液异物目标分割与提取。其中，药液图像预处理包括有效检测区域标定和基于时空双边滤波器的背景估计。有效检测区域标定能够最大限度地排除药液区域以外无用信息的干扰，减少不必要的运算时间，提高检测的可靠性，为后续图像处理提供必要的定位基准；通过时空双边滤波器对药液图像进行背景估计，进而与原始药液图像进行差分得到包含异物目标的残差图像。药液异物目标分割与提取包括基于差分进化的三维熵阈值分割、连通域标记及异物目标特征提取。由于液体药剂中可见异物在成像平面上仅占几个至几十个像素，没有明显的形状、纹理等特征可利用，所以不仅要充分挖掘其形态特征，还要抓住异物目标的特性，如时空特征和运动特征。最后在准确提取目标多特征基础上，构造一种相似性度量方法，能够很好地反映同一目标之间的相似性及不同目标之间的相异性。
外来颗粒检测算法框架如图5.35所示。在获取序列图像后，需要对检测区域(ROD)进行标定，以减少后续图像处理的计算量，再采用改进的中值滤波器(时空中值滤波器)去除由于光照干扰、信号传输等原因引起的大部分噪声。偏差映射(DM)是利用检测外来粒子之间的相对运动和背景(包括表面划痕和斑点瓶)，对潜在目标提取，然后作好标记。最后，利用近邻颗粒运动连续性聚类传播(MCAP)方法在不同帧中识别同一目标。真实的外来粒子通常会在连续的几帧中产生运动轨迹，而噪声往往会在不同的帧中随机出现。这种真实目标与噪声的不同行为可以用来判断聚类后真实外来粒子的存在。
5.35 外来颗粒检测算法框架
我们用大小为M×N 的F(x，y)表示图像。图5.36为F(x，y)的三维曲面图，很明显，由于侧壁强度的差异，在图中有两个明显的边界。因此，我们可以简单地计算沿侧壁方向的强度得到F(x，y)峰值。
(https://www.daowen.com)
图5.36 F(x，y)三维曲面图
用式(5.25)计算F(x，y)中所有列的像素值之和，用S(x)表示。S(x)的曲线如图5.37所示。累积强度的峰值与标记区域的边界相对应。
图5.37 S(x)曲线
在对外来颗粒所处的区域标定后，采用改进的中值滤波，即时空中值滤波法，对序列图像进行平滑处理。仅仅考虑邻域像素是不够的，因为从时间步t获取的图像依赖于时间步t-1的图像，也与时间步t+1的图像相关。因此，在对图像进行平滑处理时，需要同时考虑时间相关像素和空间相关像素。
图5.38为时空中值滤波示意图。我们用Ft(x，y)表示从时间步长为t捕捉到的图像。在连续的时间步长中，Ft-1(x，y)、Ft(x，y)和Ft+1(x，y)是连续的图像。ft(x，y)是点(x，y)在Ft(x，y)上的灰度值。滤波器窗口W 的大小是(2m+1)×2(n+1)，扫描当前图像Ft(x，y)，如同扫描Ft-1(x，y)和Ft+1(x，y)一样。gt(x，y)是ft(x，y)的新灰度值，可以由以下公式计算：
式(5.26)滤除了更多的噪声，但保留了更多的图像细节。
图5.38 尺寸为3×3dpi的时空中值滤波器示意图
