[发明专利]基于图卷积自编码器的冷冻电镜单颗粒图像聚类实现方法

说明书

一种基于图卷积自编码器的冷冻电镜单颗粒图像聚类实现方法，通过计算冷冻电镜单颗粒图片集的图片相似性矩阵，从而生成KNN网络；采用局部线性嵌入算法对每幅冷冻电镜单颗粒图像进行降维，将KNN网络和图片特征矩阵输入图卷积自编解码器中的编码器，将高维的结点特征嵌入到低维的隐藏层空间中，得到低维的隐藏层结点特征后通过图卷积自编解码器中的解码器进行K‑means聚类处理得到冷冻电镜单颗粒图像的聚类结果，最后对每个聚类簇的图像取平均即可得到最终的类平均图像。本发明使用网络化的相似性度量方法和局部线性嵌入提取方法，结合自编码器的隐藏层结点特征同时学习到网络的结构信息和结点本身的图像特征信息，使得聚类的鲁棒性得到提升，显著提高了图像质量。

技术领域

本发明涉及的是一种图像处理领域的技术，具体是一种基于图卷积自编码器的冷冻电镜单颗粒图像聚类实现方法。

背景技术

冷冻电镜技术是一种把待检测大分子样本放入超低温环境中再使用电子显微镜进行观测的技术。对电子显微镜得到的二维图像进行重构即可得到生物大分子的三维模型。冷冻电镜单颗粒图像重构是最常用的一种冷冻电镜重构方法。在冷冻电镜的检测过程中，为了保证生物大分子的活性尽量不受电子辐射影响，电子显微镜使用的电子必须保证在一个很小的剂量下，因此冷冻电镜单颗粒图像的噪声很大，信噪比极低(通常低至以下)，因而传统的聚类方法不太使用于冷冻电镜单颗粒图像聚类中。

目前现有的冷冻电镜单颗粒图像聚类算法大部分是基于图片间两两相似性进行度量的聚类算法，但是单颗粒图像间的相似性在低信噪比下很容易受到噪声影响，图片间的相似性可能被噪声而不是图片本身的类别特征所主导。

发明内容

本发明针对现有技术受噪声影响较大的缺陷，提出一种基于图卷积自编码器的冷冻电镜单颗粒图像聚类实现方法，使用网络化的相似性度量方法和局部线性嵌入提取方法，结合自编码器的隐藏层结点特征同时学习到网络的结构信息和结点本身的图像特征信息，使得聚类的鲁棒性得到提升，显著提高了图像质量。

本发明是通过以下技术方案实现的：

本发明涉及一种基于图卷积自编码器的冷冻电镜单颗粒图像聚类实现方法，通过计算冷冻电镜单颗粒图片集的图片相似性矩阵以生成K-最近邻法(KNN)网络；采用局部线性嵌入算法对每幅冷冻电镜单颗粒图像进行降维，将KNN网络和图片特征矩阵输入图卷积自编解码器中的编码器，将高维的结点特征嵌入到低维的隐藏层空间中，得到低维的隐藏层结点特征后通过图卷积自编解码器中的解码器进行K-means聚类处理得到冷冻电镜单颗粒图像的聚类结果，最后对每个聚类簇的图像取平均即可得到最终的类平均图像。

所述的图片相似性矩阵，采用协方差作为图片相似性度量准则，由冷冻电镜单颗粒图片集中所有单颗粒图片之间的协方差组成，具体为：其中：P,Q为单颗粒图像对应的一维向量，μ_P和μ_Q为图像P和图像Q对应的期望，因为在实际场景中无法获得图像的期望，因此用单颗粒图片集的平均向量μ来近似图像P和图像Q的期望向量。

所述的KNN网络，根据图片相似性矩阵计算每个结点的K近邻结点，并连接任两个互为K近邻的结点得到。

所述的降维是指：将冷冻电镜单颗粒图片集中每张N×N的冷冻电镜单颗粒二维图像展开成一维向量并组合得到图片矩阵，其中：M为单颗粒图片总数，然后通过局部线性嵌入算法对图片矩阵从原始的图片维度N²降至1000，得到图片特征矩阵

所述的编码器由两层的图卷积神经网络组成，每层图卷积进行以下处理：其中：A为原始输入的KNN网络的拉普拉斯矩阵，W^(l+1)为网络的权值矩阵，H^(l)为图卷积层的输入，H^(l+1)为图卷积层的输出。