基于近邻传播聚类的医用药剂中可见异物检测方法
【专利摘要】本发明公开一种基于近邻传播聚类的医用药剂中可见异物检测方法，其特征在于包括以下步骤：获取连续帧药液图像；改进双边滤波器得到药液背景图像；利用空间中值滤波器消除背景差分图像中的噪声；分割提取连通域目标及其特征；应用改进的近邻传播聚类算法对目标进行分类；根据分类结果判断异物是否存在，排除其他干扰。本发明的方法对于医用药剂中可见异物检测十分有效，大大提高了药剂液体中的异物的识别率，降低了药剂的误检率。
【专利说明】基于近邻传播聚类的医用药剂中可见异物检测方法 所属【技术领域】
[0001] 本发明属于计算机视觉领域。
【背景技术】
[0002] 液体药剂是医疗机构日常必须使用的药品，同时也是临床抢救药物和静脉治疗药 物不可缺少的载体或溶酶，在现代临床上占据十分重要的地位。在我国，约占全国市场90% 以上的透明药剂产品还是采用的玻璃瓶包装。由于生产工艺以及封装技术的原因，透明药 剂产品中可能含有玻璃碎屑、橡皮屑、纤维等微小不溶性异物。这些来源不同的不溶性异物 往往携带有数量巨大的细菌微生物，造成药品受到严重污染。据调查，国内每年75%以上的 液体药品召回源于不溶性异物超标。如果这些微小异物随着药液被注射到静脉，它们既不 能被代谢吸收，也不受机体抗凝系统影响，造成血管栓塞、静脉炎、肉芽肿、热原反应、过敏 反应等，给人体带来严重持久的危害，甚至直接危及生命。
[0003] 目前，国内制药企业为满足药品生产质量管理规范，避免由于"药品召回"带来的 经济损失以及宣传的负面影响，99%以上的企业普遍采用暗室中的人工检测方法，这项工 作完全依赖手工和肉眼进行药品的全数检测，劳动强度大，对视力损害严重，且人工检测方 法还存在检测结果不稳定、产品检测范围的局限性、生产效率低下、质量不易控制等缺陷。
[0004] 鉴于此，国内制药企业和食品药品监督管理部门都急切希望能研制出一种透明药 剂中可见异物的自动检测系统以替代人工检测。透明药剂检测系统的优势主要体现在检 测精度高、速度快、适用性、移植性强、节约劳动力等方面。目前，基于机器视觉技术的透明 药剂可见异物检测系统的研究并不多见，国外只有德国Seidenade、意大利Brevetti C. E. A 和日本Eisai等少数公司有能力研制这种自动检测设备，但由于国内制药环节中过滤、包 材（如瓶体表面存在凹痕、刻度）等和国外存在较大差异，致使引进的设备检测效果并不理 想；国内也有一些科研院所和制药机械企业进行了相关的攻关，但至今未见有透明药剂中 可见异物检测设备推广应用的报道。因此，研究开发出一种适合国内制药标准和生产环境 的具有自主知识产权的全自动透明药剂可见异物检测系统具有重要意义，它将大大提高药 品检测的精度和速度，具有很强的实用价值，相关技术可推广应用至食品、饮料等质量检测 领域，需求广泛，经济社会效益显著。
【发明内容】
[0005] 本发明所要解决的技术问题是提出一种基于近邻传播聚类的医用药剂中可见异 物检测方法，该方法检测精度高、准确度高。
[0006] 本发明的技术解决方案如下：
[0007] -种基于近邻传播聚类的医用药剂中可见异物检测方法，其特征在于，包括以下 步骤：
[0008] 步骤1 :获取连续巾贞药液图像；
[0009] 步骤2 :利用改进双边滤波器对药液图像进行处理得到背景图像；
[0010] 步骤3 :对背景差分图像进行空间中值滤波消除噪声；
[0011] 步骤4 :分割提取背景差分图像中连通域目标及其特征；
[0012] 步骤5 :应用改进的近邻传播聚类算法对提取到的目标进行分类；
[0013] 步骤6 :根据分类结果判断异物是否存在，排除其他干扰。
[0014] 如上所述步骤2中，利用改进双边滤波器对药液图像进行处理得到背景图像，其 步骤包括：
[0015] 利用双边滤波器的保边去噪性，对获取到的药液序列图像进行以下滤波处理：
[0016]
【权利要求】
1. 一种基于近邻传播聚类的医用药剂中可见异物检测方法，其特征在于，包括以下步 骤： 步骤1 :获取连续帧药液图像； 步骤2 :利用改进双边滤波器对药液图像进行处理得到背景图像； 步骤3 :对背景差分图像进行空间中值滤波消除噪声； 步骤4 :分割提取背景差分图像中连通域目标及其特征； 步骤5 :应用改进的近邻传播聚类算法对提取到的目标进行分类； 步骤6 :根据分类结果判断异物是否存在，排除其他干扰。
2. 根据权利要求1所述的基于近邻传播聚类的医用药剂中可见异物检测方法，其特征 在于， 所述步骤2为： 利用双边滤波器的保边去噪性，对获取到的药液序列图像进行以下滤波处理：
其中，Fk(x，y)为原始药液图像中第k帧图像，Bk(i，j)为双边滤波后的输出图像，H k(i， j ;x，y)为非线性滤波函数，该函数是由几何空间距离和灰度差值共同决定。
其中，A。= {(X，y) : (X，y) e (i-N，i+N) X (j-N，j+N)}为滤波窗口中的像素集合， (i，j)为滤波窗口的中心，〇(1和分别是空间域和灰度值域的标准方差，是归一化加 权因子，是以第k帧图像为中心的连续2m+l帧图像在像素（x，y)处的标准方差， D为标准方差阈值。
双边滤波器不仅考虑了空间距离上与中心像素相近的像素点的值，而且还考虑了灰度 值与中心像素相差不大的像素点的值。其中〇(1和〇^的大小影响着图像滤波的效果，它 们的值越大，滤波程度越明显，图像就越模糊。为了得到药液背景图像，在进行双边滤波的 时候可以设置不同的〇<!和即在背景区域使用较小的〇<!和而在可能出现杂质目 标的图像区域使用相对较大的σ d和σ ρ
3. 根据权利要求1所述的基于近邻传播聚类的医用药剂中可见异物检测方法，其特征 在于， 所述步骤3为： 首先用将步骤2中得到的背景图像Bk(x，y)与原始图像Fk(x，y)进行绝对值差分，得 到包含有异物杂质和噪声的图像Gk(x，y)。 Gk(x,y) = |Fk(x, y)-Bk(x, y) 在传统中值滤波的基础上，考虑中心像素点在相邻帧图像中的信息，即 gk(x，y)y)}, (i,j) eff。
4. 根据权利要求1所述的基于近邻传播聚类的医用药剂中可见异物检测方法，其特征 在于， 所述步骤4为： 对中值滤波后的差分图像进行阈值化处理，采用迭代阈值法： 第一步：分别计算差分图像Gk(x，y)(大小为HXW)的样本均值E和标准差S ;
第二步：我们选取初始阈值T = E+λ S，λ是一个常数。 第三步：用Τ阈值对图像Gk(x，y)进行处理，计算新的图像Ik(x，y);
第四步：对新图像重复第一、二、三步的计算，直到新的阈值与上一次的阈值相等或者 相差非常小为止。此时得到的阈值圹为自适应处理得到的阈值。 图像进行阈值化处理后，要进行连通域提取。图像中部分连通域内部会存在细小的"孔 洞"，有的连通域之间甚至会出现粘连现象，这时需要运用数学形态学中的膨胀和腐蚀操作 来消除孔洞及粘连。得到完整的连通域之后，进一步提取连通域目标的特征信息，包括中心 位置及面积大小。
5. 根据权利要求1所述的基于近邻传播聚类的医用药剂中可见异物检测方法，其特征 在于， 所述步骤5包括以下步骤： 第一步：建立待分类数据集； 提取连续m帧图像Ik，...，Ik+m中的连通域目标及其特征，并对其进行编号。记在I k 中提取到的nk个连通域目标为分别Pi，. . .，Pi，...，及，其中每个连通域目标Pi都包含三 个特征值：帧序号&、面积大小％以及中心坐标（cix，c iy)。当Ik中的连通域目标编号完 毕后，接着对下一帧图像Ik+1中的目标进行编号，且下标序列号在n k的基础上递增，即为 ^+1，···，·^^，···，^^^。因此，同一巾贞中提取到的目标序列号是连续的。最终提取到的连续m 帧图像中的所有连通域目标的集合就是待分类数据集。 第二步：建立相似性矩阵； 定义Pi和Pj之间的欧式距离为(1Ε(Ρρ Pj)，帧序号绝对值差为dJPi，Pj)。 dT(Pi，Pj) = Itj-tj
待分类数据集构成一个加权连通图G，其中顶点集合（即下标序列号集合）为V， 边集合为E。在加权连通图G中，顶点i与j所成的边eu(ey大小为
根据原始的连通图G得到最小生成树（普里姆算法），具体做法如下： A. 初始化：Vn" = {x}，其中X为集合V中的任一节点（起始点），￡_ = 0 ; B. 在集合E中选取权值最小的边euv，其中u为集合Vn"中的元素，而v为集合V中的 元素但不是V n"中的元素； C. 将v加入到集合Vn"中，将euv加入到集合En"中； D. 重复B和C，直到VnOT = V。使用集合Vn"和EnOT来描述所得到的最小生成树。 根据得到的最小生成树计算任意两个顶点之间的最短路径（弗洛伊德算法），将Pi和 Pj之间的欧式距离转化成测地距离dJPi，Ρ」），具体做法如下： A. 初始化味的，Pj) = e。，其中eu e Enew ; B. 对于Λ ? ，遍历所有中间节点k，使其满足 视，Pj) = mWPi，Pj)，(1息 Pk)+dG(Pk，Pj)) C. 重复B直至求得所有数据之间的测地距离。 定义Pi和&之间的相似度为：
其中，当i = j时，相似度Sii为自相似度或者偏置。数据集的相似度所构成的 ΝΧΝ大小的矩阵就是相似度矩阵[8Π ]ΝΧΝ。 第三步：建立近邻传播聚类模型； 近邻传播聚类算法只需要给定待分类数据集的相似性矩阵[sJNXN，就可以自动生成 最优分类结果。 令二值变量表示数据Pi是否以&为聚类中心，若Pi以&为聚类中心，则=1;否 贝1J，= 〇。其中，p和q分别是Pi和&帧序号。当i = j时，表示&是否代表一个聚类中 心。由此不难推知，若V = 1，则必有W = 1。N个数据组成大小为N2的变量集合{{f匕}^。 每个二值变量％^都与三个约束方程相连。其中，约束方程Ii称为"唯一性约束"，它与 变量认相连，强制性约束能以唯一一个数据&为聚类中心（包括Pi);约束方程 称为"时序性约束"，它与帧序号为P (P关q)的变量集合柯以及巧相连，当％ = 1时，强 制性约束帧序号相同的数据中最多只能有一个数据Pi以&为聚类中心；是相似性方程， 当^ = 1时，可以得到Pi和Ρ」之间的相似度，即测地距离4的，ρρ。
其中，dV..Uf = 。 通过建立约束方程模型，Pi和？」之间可以相互交换信息，并在所有数据间进 行信息传递。传递的信息主要分为两种："归属度（availability)"信息和"吸引 度（responsibility)"信息，两种信息代表了不同的竞争目的。用 Pij表示"归属度 (availability) "信息，它由Pi指向Pp用来表示&适合作为Pi的类中心的代表程度；用 a u表示"吸引度（responsibility) "信息，它由Ρ』指向Ρρ用来表示Pi选择Ρ』作为其类 中心的适合程度。和越大，数据&作为最终聚类中心的可能性就越大。通过反复 迭代，和a u交替更新直至收敛得到最终的聚类结果。
另外算法在信息更新时引入了另一个重要的参数λ，称为阻尼因子。在每一次循环迭 代中，和aυ的更新结果都是由当前迭代过程中更新的值和上一步迭代的结果加权得 到的，目的是避免迭代过程中出现数值震荡。一般情况下〇< λ <1，默认值为0.5。当在 迭代过程中产生的类数不断发生震荡而不能收敛时，增大λ可消除这种震荡。
6.根据权利要求1所述的基于近邻传播聚类的医用药剂中可见异物检测方法，其特征 在于， 所述步骤6为： 根据步骤5中的分类结果分析目标的轨迹形态，再通过以下原则来判断目标类别： Α.若分类数据集轨迹成连续线性，则判断目标是异物杂质； Β.若分类数据集轨迹无序，则判断目标是噪声干扰。
【文档编号】G01N21/90GK104251865SQ201310256138
【公开日】2014年12月31日 申请日期:2013年6月26日 优先权日:2013年6月26日
【发明者】许雪梅, 李丽娴, 周立超, 丁一鹏, 曹粲 申请人:中南大学