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位移差异作为有效特征；
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位移差异特征的集合，A＝{X1,X2,…,Xi}，Xi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Asub，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Asub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Asub划分为左节点样本集和右节点样本集 随机选择左样本属性 以及右样本属性 当
前左样本属性表示为Vleft，当前右样本属性表示为Vright，当前左节点样本集表示为Gleft,当前右节点样本集表示为Gright，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Gleft的当前左样本属性Vleft值中随机产生一个左切割点qleft，qleft的值位于当前左样本属性Vleft值的最大值与最小值之间，在当前左样本属性Vleft值下，以qleft为左切割点将当前左节点样本集Gleft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Gright的当前右样本属性Vright值中随机产生一个右切割点qright，qright的值位于当前右样本属性Vright值的最大值与最小值之间，在当前右样本属性Vright值下，以qright为右切割点将当前右节点样本集Gright划分为左节点样本子集
右节点样本子集 随机选择
左样本属性 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Gleft和当前右节点样本集Gright中只有一个样本点；(2)、当前左节点样本集上Gleft内所有样本特征相同和当前右节点样本集Gright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(Xδ,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，Xδ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fic1定义如下
fic1＝ωHσH+ωSσS+ωVσV
其中fic1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，ωH为H颜色分量上颜色差异的权值，且ωH<1，ωS为S颜色分量上颜色差异的权值，且ωS<1，ωV为V颜色分量上颜色差异的权值，且ωV<1，σH为H颜色分量上颜色差异，σS为S颜色分量上颜色差异，
σV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，μH为邻域内像素的H颜色分量的平均值，μS为邻域内像素的S颜色分量的平均值，μV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fic2定义如下：
其中fic2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，nc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位移差异特征：
则该运动位移差异特征的描述符fim1定义如下：
其中fim1为第i个边缘像素的油滴和类油滴附着物运动位移差异特征的描述符，nα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,…,nα，lw是采用不同大小查询窗口得到的位移,按下式计算：
其中uw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,vw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，fw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fw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,..,Mw，Mw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,..,Nw，Nw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Asub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Asub
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Asub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Asub内第i′个边缘像素的多帧图像边缘像素灰度值差异特征， 为运动位移差异特征集合， 为子样本集Asub内第i′个
边缘像素的运动位移差异特征，子样本集Asub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∈{Fc1,Fc2,Fm1}，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 其中
为边缘像素邻域内颜色差异特征集合，i′为子样本集Asub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Asub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Asub内第i′个边缘像素的多帧图像边缘像素灰度值差异特征，为运动位移差异特征集合， 为子样本集Asub内第i′个边缘像
素的运动位移差异特征，子样本集Asub内第i′个边缘像素样本
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Gleft中，将当前左样本属性Vleft值小于左切割点qleft的样本放在左节点子样本集 中，将当前左样本属性
Vleft值大于左切割点qleft的样本放在右节点子样本集
right right
在当前右节点样本集G 中，将当前右样本属性V 值小于右切割点qright的样本放在左节点样本子集 将当前右样本属性Vright值大于右切割
点qright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(XL,N)]T
其中s(Xi,N)为样本Xi的异常得分E(h(Xi))是t棵孤立树的平均h(Xi)值，h(Xi)为路径长度，即在一棵孤立树中，从Asub到Xi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TrH的样本标记为异常离群样本，将异常得分小于指定值TrL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Xis1为密集样本集C的样本，is1为密集样本集C的样本序号，Xis2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；
其中s(Xi,N)为样本Xi的异常得分E(h(Xi))是t棵孤立树的平均h(Xi)值，h(Xi)为路径长度，即在一棵孤立树中，从Asub到Xi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；
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(Xδ,c′j)表示如下：
d(Xδ,c′j)＝||Xδ,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ζδ表示第δ个样本Xδ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，ζδ∈{1,2}，ζδ＝1，表示油滴边缘类，ζδ＝2，表示类油滴附着物边缘类；nsub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(Xδ,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(Xδ,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，Xη为异常样本集D中第η个样本，ζη表示第η个样本Xη所属的类别，ζη∈{1,2}，ζη＝1，表示油滴边缘类，ζη＝2，表示类油滴附着物边缘类；
其中ζδ表示第δ个样本Xδ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，ζδ∈{1,2}，ζδ＝1，表示油滴边缘类，ζδ＝2，表示类油滴附着物边缘类；nsub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(Xδ,c′j)取最小值时j的值。
