本發(fā)明設(shè)計計算機領(lǐng)域，特別涉及一種冷凍電鏡圖像相似塊評估的方法。
背景技術(shù)：
：隨著科學技術(shù)的迅速發(fā)展，人們對生物的認識，不再僅僅局限于宏觀階段，人們想要更加深刻了解認識生物的微觀世界，根據(jù)結(jié)構(gòu)決定功能，要了解生物大分子的功能和內(nèi)在機制，如復制、繁殖，我們必須首先知道其結(jié)構(gòu)。因為生物樣品內(nèi)在結(jié)構(gòu)的復雜性和分子量巨大，解析其三維結(jié)構(gòu)一直是影響是后續(xù)研究其功能的瓶頸，直到上世紀中后期，伴隨著材料科學的飛速發(fā)展，越來越多的精密儀器設(shè)備逐漸出現(xiàn)，冷凍電子顯微鏡等精密儀器設(shè)備漸漸用于生物樣品研究。經(jīng)過幾十年的發(fā)展，測定生物大分子結(jié)構(gòu)的技術(shù)以及方法，都獲得了很大的發(fā)展，主要有以下三種：X射線晶體學，NMR(核磁共振波譜學)，冷凍電子顯微鏡技術(shù)(簡稱冷凍電鏡技術(shù)，Cryo-EM技術(shù))，X射線晶體學要求得到待測生物樣品的結(jié)晶，NMR需要對生物樣品進行提純，這兩種方法都有局限性，因為生物樣品內(nèi)在結(jié)構(gòu)的復雜性和分子量巨大，解析其三維結(jié)構(gòu)一直是影響著其后續(xù)功能研究的瓶頸，直到上個世紀中后期，伴隨著材料科學的飛速發(fā)展，越來越多的精密儀器設(shè)備逐漸出現(xiàn)，電子顯微鏡等漸漸用于生物樣品的研究。冷凍電鏡成像的一個缺點是，許多的生物樣品都對輻射敏感，電子束可能會損傷樣品，為了防止這種情況發(fā)生，通常將樣品放在很低的電子束下成像，然而，這容易導致圖像的信噪比非常低，圖像的噪聲增強，得到的圖像常被泊松噪聲和高斯噪聲污染，除此之外，環(huán)境因素也會造成圖像噪聲，如磁場變化，機械振動，聲振動，熱不穩(wěn)定性，電磁透鏡等。另外，噪聲還和檢流器有關(guān)，近似表現(xiàn)為泊松分布，在將模擬投影圖像轉(zhuǎn)換成數(shù)字圖像的時候也會帶入高斯噪聲，因此，需要針對噪聲的不同表現(xiàn)形式去消除冷凍電鏡圖像中的噪聲。另外，圖像中的噪聲也會影響冷凍電鏡圖像三維重構(gòu)過程中的單顆粒挑選和校準步驟，因此，冷凍電鏡圖像去噪的主要目的是在減少噪聲的同時，盡可能多保留圖像的細節(jié)信息，提高圖像質(zhì)量。常用的電鏡圖像去噪方法，例如高斯濾波器技術(shù)，能夠消除噪聲，但是該方法也使得圖像的邊緣變得模糊，從整體上降低了圖像質(zhì)量，而且，圖像邊緣不夠清晰，嚴重影響后續(xù)的顆粒挑選。要獲得生物大分子的結(jié)構(gòu)，我們首先需要得到其投影圖像，但是，低溫電鏡技術(shù)拍攝的冷凍電鏡圖像有著弱相位、低信噪比、低對比度、背景強度不均衡、顆粒內(nèi)部紋理不規(guī)則等特點，這給準確的測定生物大分子的立體結(jié)構(gòu)帶來很大的困難，為了解決這個問題，需要對投影圖像進行去噪，提升圖像的視覺效果，最大限度的恢復圖像質(zhì)量。在分析原始電子冷凍電鏡圖像的基礎(chǔ)上，我們發(fā)現(xiàn)基于圖像塊的去噪方法能夠有效消除原始圖像中的噪聲成分，但是，同時也發(fā)現(xiàn)，該方法首先需要找到與參考塊相似的圖像塊，而如何評價兩個圖像塊是否相似，成為我們解決這個問題的關(guān)鍵所在。在許多經(jīng)典的基于圖像塊的圖像處理算法中，經(jīng)常使用歐拉距離來評價兩個圖像塊是否相似，但是這種方式存在一定的局限性，這是因為，歐拉距離只考慮了圖像的灰度值，同時，圖像塊子空間并不完全是歐拉空間，使用歐拉距離并不是一個很好的相似性衡量標準，因此，在選擇相似塊時，需要考慮圖像子空間的結(jié)構(gòu)和一些結(jié)構(gòu)特征。因此，找到一種能夠準確評估相似塊的簡單且高效的方法，成為當務(wù)之急。技術(shù)實現(xiàn)要素：圖像塊匹配(Block-Matching)算法是建立在圖像信息的冗余性和相關(guān)性基礎(chǔ)上，通過計算候選塊集合X與參考塊集合R之間的距離，找到候選塊所屬的參考塊類，常用的塊匹配算法有K近鄰搜索法，該方法屬于局部搜索，搜索速度相對較快，但是只能得到局部最優(yōu)解，另一種匹配方法是全局搜索方法，雖然可以得到全局最優(yōu)解，但是該方法耗時久，匹配算法的優(yōu)劣已經(jīng)嚴重影響著其他的后續(xù)處理。圖像塊子空間并不完全是歐拉空間，在判斷相似塊時，需要考慮圖像子空間的結(jié)構(gòu)和圖像塊的結(jié)構(gòu)特征。本發(fā)明提出一種圖像相似塊評估方法，為一種基于測地距離的相似塊匹配算法，使用測地距離代替歐拉距離來判斷兩個圖像塊是否相似。本發(fā)明提出的基于測地距離的相似塊衡量方法，用于基于圖像塊的去噪算法中，能有效提高相似塊的準確率，能提高去噪效果。一種圖像相似塊評估方法，包括以下步驟：(1)取冷凍電子顯微鏡圖像中兩個大小為K*K的圖像塊SA，SB；(2)計算圖像塊SA中每個像素點對應(yīng)的梯度值tAi，，并保存在矩陣DSA中；計算圖像塊SB中每個像素點對應(yīng)的梯度值tBi，并保存在矩陣DSB中；(3)計算第i個點的權(quán)重weight1，weight2：weight1＝0.5*(value[Ai]-value[Bi])2其中：value[Ai]、value[Bi]分別代表圖像塊SA和SB中對應(yīng)相同位置的Ai、Bi兩點的灰度值；weight2＝0.5*(tAi+tBi+tan|α-β|)tAi，tBi分別代表圖像塊SA和SB中第i個像素點的梯度值；α，β分別代表第i個像素點像素值變化最大方向和最小變化方向的夾角；(4)計算圖像塊中相同位置的Ai，Bi兩點的測地距離：d(SAi,SBi)＝weight1+weight2；(5)計算SA，SB之間的測地距離：d(SA,SB)=1K*KΣi=1k*kd(SAi,SBi)]]>其中：i為圖像塊中的第i個像素點，i＝1,2……K*K；(6)比較d(SA,SB)與預(yù)定義閾值T的大小，判斷圖像塊SA，SB是否相似。在本發(fā)明中，步驟(1)所述的兩個圖像塊是通過在整個冷凍電鏡圖像中隨機抽取的。在本發(fā)明中，所述K表示圖像塊的大小。大小為K的圖像塊中共有K*K個像素點。K為2-50，優(yōu)選為5-20，更優(yōu)選為6-10。在本發(fā)明中，步驟(2)中梯度值通過matlab中的gradient函數(shù)求得。在本發(fā)明中，步驟(3)中所述的α為[0,π]。在本發(fā)明中，β為[0,π]。在本發(fā)明中，步驟(4)中所述灰度值通過以下方法獲得：冷凍電子顯微鏡圖像本身就是灰度圖像，通過分析頭文件格式，用matlab讀取后，存在矩陣中的數(shù)值就是圖像的灰度值。在本發(fā)明中，步驟(5)中K的值與步驟(1)中K的值相同。在本發(fā)明中，步驟(6)中所述T的值與圖像塊大小K有關(guān)。在本發(fā)明中，T小于2K*K，T為2-70，優(yōu)選為5-60，更優(yōu)選為10-50。在本發(fā)明中，步驟(6)中：1)如果d(SA,SB)≤T，兩個圖像塊相似；2)如果d(SA,SB)＞T，兩個圖像塊不相似。在本發(fā)明中，在大小為N*N的冷凍電鏡圖像中隨機抽取兩個大小為K*K的圖像塊SA和SB，使用以上方法判斷兩個圖像塊是否相似。在本發(fā)明中，所述N為2m，m為4-50，優(yōu)選為5-20，更優(yōu)選為6-15。在本發(fā)明中，N*N表示冷凍電子顯微鏡圖像大小。在本發(fā)明中，通過計算圖像中隨機抽取的兩個圖像塊之間的測地距離來衡量他們之間的相似性，處理對象是圖像塊。在本發(fā)明中，測地距離計算方法除了考慮圖像的灰度值外，還考慮了圖像的梯度值對測地距離的影響，具體的計算公式是含有圖像灰度和梯度的聯(lián)合表達式。在本發(fā)明中，測地距離計算公式同時考慮像素值和灰度值對測地距離的影響，各占1/2的比例，同時，考慮灰度值最大變化跟最小變化方向，采用在[0,π]區(qū)間遞增的正弦函數(shù)來描述兩點梯度變化。在本發(fā)明中，計算的是圖像塊中的每個像素點到另一圖像塊相同位置像素點之間的測地距離，迭代多次，直到所有的像素點都參與計算，進行迭代但是不更新圖像塊。在本發(fā)明中，先計算圖像塊中K*K個點之間的測地距離，然后通過加權(quán)平均得到兩個圖像塊之間的測地距離，通過測地距離來判斷圖像塊是否相似，主要用于基于圖像塊的去噪算法設(shè)計中。在本發(fā)明中，塊匹配是最簡單和有效的尋找相似塊的方法，但是該方法效率較低，在實際的圖像處理應(yīng)用中，通常使用一個比參考塊稍微大一點的局部窗口來代替全局以尋找相似塊，使用局部滑動窗口的方法的基本思想是，假設(shè)能在一個比較小的區(qū)域能找到參考塊的許多相似塊，但是，在實際中，圖像的某些顯著特征，如角，圓邊，并不會在某一鄰域出現(xiàn)，在非重復模式中使用局部相似性可能會出現(xiàn)較大的誤差，在這種情況下，在整個圖像域全局搜索相似塊會更加合適。為了解決這兩個問題，本發(fā)明提出了一種新的解決方法，該方法中使用測地距離代替歐拉距離來判斷兩個圖像塊是否相似，然后將所有的相似塊聚集成相似塊組，求相似塊組的均值，然后把每一個圖像塊減去相似塊組的均值，通過減法操作能夠移除相似塊的直流成分，但是并不會改變圖像塊的重要的結(jié)構(gòu)特征，然后對所有減去直流成分的圖像塊進行先驗學習。在本發(fā)明中，在現(xiàn)有的相似塊匹配算法中，通常使用候選塊Sx和參考塊之間的歐拉距離來衡量其相似性。然而，當兩點之間存在大量不在計算考慮區(qū)域的點時，用歐拉距離來計算兩點之間的距離通常是無效的，因為它沒有考慮到局部連通性，所以歐拉距離有著空間上的局限性，為了克服這種局限，在本發(fā)明中，我們將采用測地距離代替歐式距離，通過計算兩個圖像塊之間的測地距離來衡量相似性。測地距離用于數(shù)據(jù)處理，通常表現(xiàn)在分類和相似性比較，本發(fā)明通過計算兩個圖像塊之間的測地距離來衡量相似性。在圖像域中能夠用二維離散函數(shù)來表示圖像，圖像的梯度由二維離散函數(shù)得到，梯度方向就是灰度值的最大變化方向，因此，可以使用兩點的梯度值來描述測地距離。α，β是兩個梯度方向的夾角，取值范圍均為[0,π]，灰度變化最大方向與灰度變化最小方向的夾角。在本發(fā)明中，小波變換雖然有效的利用了自然圖像的稀疏屬性，但是在小波分解時，依賴于所采用的小波基函數(shù)，缺乏平移不變性，在去除噪聲的時候會丟失大量的細節(jié)信息，而現(xiàn)有的基于塊的BM3D算法，使用硬閾值和維納濾波，該方法依賴于閾值的選擇，而且該方法中，使用歐式距離來衡量相似塊，有一定的局限性，基于全局字典來對圖像進行去噪，沒有充分考慮到自然圖像的圖像塊之間的非局部自相似先驗知識。當先驗學習的思想與圖像的稀疏和冗余表示相結(jié)合，基于圖像相似塊先驗學習的去噪方法，使用字典對圖像進行去噪。字典去噪的理論依據(jù)是，理想圖像在適當?shù)倪^完備字典下存在稀疏表示，噪聲破壞了這種稀疏表示，通過選擇或設(shè)計適當?shù)淖值?求出自然圖像在該字典下的稀疏表示就可以達到減弱或消除噪聲的目的。使用字典去噪的一個先驗知識就是該信號的稀疏性，基于圖像塊先驗知識的去噪方法能夠有效的保留圖像的局部信息以達到較好的實驗效果，通過學習得到的字典比使用固定稀疏基具有更好的去噪性能。MRC圖像中存在大量的全同顆粒，對圖像進行分塊可以有效的利用這些全同顆粒的屬性，能取得更好的實驗效果。因此，本發(fā)明結(jié)合基于測地距離的相似塊匹配方法和圖像塊的非局部自相似先驗知識(NSS)，對NSS進行先驗學習，構(gòu)造相似塊組的字典，通過求解加權(quán)稀疏編碼模型的最優(yōu)解，得到相似塊組的稀疏編碼，利用圖像的稀疏表示對圖像塊進行去噪，最后重構(gòu)所有的圖像塊得到去噪后的圖像。該方法充分考慮到流形空間中的距離計算方法，使用測地距離準確的選擇相似塊，同時，兼顧相似塊之間的內(nèi)部先驗知識(NSS)和外部先驗知識(稀疏性)。MRC圖像去噪的目的是消除圖像中的噪聲，提高圖像的襯度和信噪比，為后續(xù)的單顆粒挑選和二維投影圖像分類提供足夠的有效信息。假設(shè)觀察圖像y，無噪圖像x，噪聲v，則有y＝x+v，v～N(0,σ2)，因此，圖像去噪問題轉(zhuǎn)化為通過觀察圖像y求得圖像x的估計值使得最小，即均方誤差MSE最小，從而能得到最大PSNR值，達到最優(yōu)的去噪效果。非局部均值能夠在消除噪聲的同時有效的保留圖像的細節(jié)信息，能用于多種不同的圖像。為了有效利用圖像的結(jié)構(gòu)信息和非局部均值的能有效消除噪聲的性質(zhì)，本發(fā)明結(jié)合冷凍電鏡圖像的特點，對圖像進行分組分塊處理，從一幅MRC圖像中抽取若干圖像塊，選取N個參考塊，將所有的相似塊聚集成相似塊組，這里使用上文提到的測地距離來衡量相似塊，然后將所有的相似塊聚集成一個相似塊組，共N個相似塊組，每個相似塊組包含M個相似塊，用ym表示圖像y中的圖像塊，用xm表示圖像x中的圖像塊，因此，圖像去噪問題可以轉(zhuǎn)換成求最小MSE問題，即其中因為非局部均值能夠抑制噪聲，字典表示能夠有效表示圖像中的非噪聲信號，因此，結(jié)合非局部均值和字典表示，可知因此通過求解字典D和稀疏編碼系數(shù)達到對圖像塊進行去噪的效果，最后通過聚合所有圖像塊得到去噪之后的MRC圖像。對圖像進行分塊分組處理，主要有以下優(yōu)點：能夠充分利用圖像塊之間的先驗信息，對其進行建模，更適合并行運算，提高效率。圖4是使用本發(fā)明提出的方法對MRC圖像進行去噪的流程圖。用表示觀察圖像y中的M個大小為p*p的相似塊，其中用表示這M個圖像塊的均值，下一步的工作就是對進行先驗學習得到K個高斯分布。在基于圖像塊的處理方法中，通常認為所有的圖像塊是獨立采樣。每個GMM模型由K個高斯分布組成，通過對所有的無噪圖像塊進行學習得到K個高斯成分。在本發(fā)明中，考慮到對圖像塊的均值操作能夠抑制噪聲，最大程度上保留圖像塊的結(jié)構(gòu)特征，本發(fā)明采用對進行先驗學習的方法得到K個高斯成分。因此，在本發(fā)明中的似然函數(shù)表示為這里的πk是權(quán)值因子，表示第k個高斯成分被選中的概率，在本發(fā)明中，N個相似塊組相互獨立，因此全局目標似然函數(shù)可以表示為為了下文計算方便，對目標似然函數(shù)取對數(shù)通常的方法是對目標似然函數(shù)求導，通過令其導數(shù)為0，求解方程。但是，lnL表達式中含有K個高斯成分的累加操作，對數(shù)函數(shù)不能進行化簡，因此，不能通過求導直接得到最大值。本發(fā)明采用從GMM模型中隨機選點，通過EM算法求解。通過GMM學習，可以得到能夠描述圖像塊結(jié)構(gòu)特征的K個高斯分布，每一個高斯分布稱為一個高斯成分，下文通過貝葉斯方法，為每一個相似塊組選擇合適的高斯成分，并對相似塊組去噪。對每個相似塊組計算它由第k個高斯成分生成的概率。因為相似塊組有著相同的高斯分布。假設(shè)第k個高斯成分能有效的描述根據(jù)貝葉斯概率公式有取對數(shù)得這里對不同的k取值，C都是相同的。對每一個k值，k＝1,2,......K，分別計算最大后驗概率的對數(shù)值比較k取不同值時，的大小，選擇能使取得最大值的k值，對應(yīng)的高斯成分被選擇用來對進行后續(xù)處理，此時Σk表示第k個高斯成分的協(xié)方差矩陣，對∑k進行奇異值分解(SVD)，即Σk＝DΛDT，其中D是正交特征向量矩陣，Λ是特征值對角矩陣，特征向量D表征非局部自相似統(tǒng)計結(jié)構(gòu)，因此，可以用D作為稀疏編碼的字典，用α表示稀疏編碼系數(shù)，因此本發(fā)明中稀疏編碼模型約束條件可以表示為用α表示稀疏編碼的系數(shù)，v是噪聲，w是α的權(quán)值向量，表示2范數(shù)，||wTα||1表示1范數(shù)，D是正交矩陣，DDT＝I，|D|＝±1，I是單位矩陣。根據(jù)最大后驗概率MAP，可知根據(jù)貝葉斯公式，可得噪聲v滿足v～N(0,σ2)分布，因此，根據(jù)高斯分布概率密度函數(shù)有疏編碼系數(shù)α滿足拉普拉斯分布，因此，其中c是常數(shù)，所以可得其中ε是接近0的正數(shù)。因為D是正交矩陣，DDT＝I，|D|＝±1，因此取可得又因為所以令因此稀疏編碼約束條件也可以表示為對αi進行求導，可得即通常寫成下列形式其中(a)+＝max(a,0)，sgn(zi)是符號函數(shù)。定義函數(shù)SoftMAP(gi,|τi|＝sgn(gi)(|gi|-|τi|)+，因此所以圖像塊中的噪聲和不準確的相似塊集合會影響GMM學習，反過來影響字典和加權(quán)稀疏編碼矩陣，本發(fā)明提出的測地距離能提高相似塊組的準確性，從而提高字典的的正確率，最后使用字典D和加權(quán)稀疏編碼的組合得到去噪后的圖像塊在本發(fā)明中，先使用GMM模型對進行先驗學習，得到K個高斯成分，當?shù)趉個高斯成分被選擇作為的最合適的高斯成分時，我們對其協(xié)方差Σk進行SVD分解，得到字典D，根據(jù)稀疏編碼模型求解對應(yīng)的加權(quán)稀疏編碼，然后對圖像塊組分別進行去噪。使用本發(fā)明方法求得MRC圖像中各圖像塊的估計值，最后重構(gòu)所有的圖像塊得到去噪后的圖像當圖像的某一位置出現(xiàn)多個估計值時，通過加權(quán)平均計算最終估計。通過更新噪聲方差進行多次迭代，η是常量，從而提高去噪效果。與現(xiàn)有技術(shù)相比較，本發(fā)明的技術(shù)方案具有以下有一技術(shù)效果：1、計算簡單，快速。由于圖像塊是由若干像素點構(gòu)成，通過計算點與點之間的測地距離進行累加評價得到圖像塊間的測地距離，在運算過程中，直接調(diào)用matlab中編譯的梯度函數(shù)，節(jié)約了整體計算時間。2、準確性更高。傳統(tǒng)的評估方法，如歐式距離，但是由于圖像塊子空間并不完全是歐拉空間，因此，使用歐拉距離并不是一個很好的相似性衡量標準，而基于流形空間的測地距離則能更好的描述子空間，使用測地距離作為相似性衡量標準，能夠更準確的搜索到所有相似塊。3、歐拉空間是流形空間的一個特例，如果是原始圖像中的相鄰點，就直接用歐式距離代替測地距離，否則用上文提到的距離公式計算測地距離。4、本發(fā)明的技術(shù)方案的去噪算法在本質(zhì)上表現(xiàn)為能在最大程度上去除噪聲，同時又能保持原始圖像有效信息的完整性，并且具有相對較低的計算時間復雜度和空間復雜度。5、本發(fā)明的技術(shù)方案基于圖像塊的思想有效利用了冷凍電子顯微鏡圖像中全同顆粒的屬性，測地距離同時兼顧圖像的灰度值和梯度值，表述更準確。附圖說明圖1為本發(fā)明的兩個圖像塊相似性評估流程圖。圖2為本發(fā)明一個具體實施例中的相似塊示意圖。圖3為本發(fā)明操作示意圖。圖4為使用本發(fā)明提出的方法對MRC圖像進行去噪的流程圖。具體實施方式為了使本領(lǐng)域的技術(shù)人員更好的理解本申請的技術(shù)方案，下面將結(jié)合本申請實施例中的附圖，對本申請實施例中的技術(shù)方案進行清楚、完整的描述。應(yīng)當理解，此處所描述的具體實施用例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。一種圖像塊相似性評估方法，包括以下步驟：步驟A，在一幅冷凍電鏡圖像中隨機抽取兩個大小相同的圖像塊。A1、分別用矩陣存儲兩個圖像塊的像素值。A2、分別用矩陣存儲兩個圖像塊的梯度值步驟B，計算測地距離：B1、計算權(quán)值weight1，weight2B2、計算圖像塊中對應(yīng)點的測地距離；B3、計算圖像塊之間的測地距離步驟C，比較測地距離和固定的閾值T的大?。翰襟ED，判斷兩個圖像塊是否相似：更具體地：一種圖像相似塊評估方法，包括以下步驟：(1)取冷凍電子顯微鏡圖像中兩個大小為K*K的圖像塊SA，SB；(2)計算圖像塊SA中每個像素點對應(yīng)的梯度值tAi，并保存在矩陣DSA中；計算圖像塊SB中每個像素點對應(yīng)的梯度值tBi，并保存在矩陣DSB中；((3)計算第i個點的權(quán)重weight1，weight2：weight1＝0.5*(value[Ai]-value[Bi])2其中：value[Ai]、value[Bi]分別代表圖像塊SA和SB中對應(yīng)相同位置的Ai、Bi兩點的灰度值；weight2＝0.5*(tAi+tBi+tan|α-β|)，tAi，tBi分別代表圖像塊SA和SB中第i個像素點的梯度值；α，β分別代表第i個像素點像素值變化最大方向和最小變化方向的夾角；(4)計算圖像塊中相同位置的Ai，Bi兩點的測地距離：d(SAi,SBi)＝weight1+weight2；(5)計算SA，SB之間的測地距離：d(SA,SB)=1K*KΣi=1k*kd(SAi,SBi)]]>其中：i為圖像塊中的第i個像素點，i＝1,2……K*K；(6)比較d(SA,SB)與預(yù)定義閾值T的大小，判斷圖像塊SA，SB是否相似。在本發(fā)明中，步驟(1)所述的兩個圖像塊是通過在整個冷凍電鏡圖像中隨機抽取的。在本發(fā)明中，所述K表示圖像塊的大小。大小為K的圖像塊中共有K*K個像素點。K為2-50，優(yōu)選為5-20，更優(yōu)選為6-10。在本發(fā)明中，步驟(2)中梯度值通過matlab中的gradient函數(shù)求得。在本發(fā)明中，步驟(3)中所述的α為[0,π]。在本發(fā)明中，β為[0,π]。在本發(fā)明中，步驟(4)中所述灰度值通過以下方法獲得：冷凍電子顯微鏡圖像本身就是灰度圖像，通過分析頭文件格式，用matlab讀取后，存在矩陣中的數(shù)值就是圖像的灰度值。在本發(fā)明中，步驟(5)中K的值與步驟(1)中K的值相同。在本發(fā)明中，步驟(6)中所述T的值與圖像塊大小K有關(guān)。在本發(fā)明中，T小于2K*K，T為2-70，優(yōu)選為5-60，更優(yōu)選為10-50。在本發(fā)明中，步驟(6)中：1)如果d(SA,SB)≤T，兩個圖像塊相似；2)如果d(SA,SB)＞T，兩個圖像塊不相似。在本發(fā)明中，在大小為N*N的冷凍電鏡圖像中隨機抽取兩個大小為K*K的圖像塊SA和SB，使用以上方法判斷兩個圖像塊是否相似。在本發(fā)明中，所述N為2m，m為4-50，優(yōu)選為5-20，更有選為6-15。在本發(fā)明中，N*N表示冷凍電子顯微鏡圖像大小。實施例1從圖3可知，假設(shè)兩個夾角分別是α和β，α表示點Ai灰度值變化最大方向與灰度值變化最小方向的夾角，β表示點Bi灰度值變化最大方向與灰度值變化最小方向的夾角,定義兩點之間的測地距離d(SAi,SBi)。定義權(quán)重weight1，weight2：weight1＝0.5*(value[Ai]-value[Bi])2其中：value[Ai]、value[Bi]分別代表圖像塊中相同位置的Ai、Bi兩點的灰度值；weight2＝0.5*(tAi+tBi+tan|α-β|)tAi，tBi分別代表圖像塊SA和SB中第i個像素點的梯度值；α，β分別代表第i個像素點像素值變化最大方向和最小變化方向的夾角；計算圖像塊中相同位置的Ai，Bi兩點的測地距離：d(SAi,SBi)＝weight1+weight2圖像塊是由若干像素點構(gòu)成，給定兩個圖像塊SA，SB，大小為p*p，圖像塊SA，SB之間的測地距離d(SA,SB)=1p*pΣi=1p*pd(SA1,SB1)---(3.5)]]>其中，i為圖像塊中的第i個像素點，i＝1,2.....p*p，比較d(SA,SB)與固定的閾值T的大小，如果d(SA,SB)＜T，認為圖像塊SA，SB是相似塊，圖1是使用本發(fā)明提出的測地距離來衡量相似塊的流程圖。以冷凍電鏡圖像N＝1280，K＝6，T＝50為例，舉例說明本發(fā)明工作流程。如圖1所示，計算圖像塊之間的測地距離的流程圖：包括如下步驟：(1)在大小為N*N的冷凍電鏡圖像中隨機抽取兩個大小為K*K的圖像塊SA和SB。(2)計算SA和SB之間的測地距離：SA=1041731451601101412031251457615258235255178161811171251692201167390156152244233129144171162178215157151]]>SB=120169152154112139200128140851486524025017016087601201682211107084150158229234134140178170175200150157]]>調(diào)用matlab中的gradient函數(shù)分別求SA，SB的梯度值，分別存儲在矩陣DSA，DSB中。DSA=69.020.5-6.5-17.5-9.531-78-29-24.53.5-9.0-9420.0-28.5-47-48.5-2236.044.047.5-26.5-73.5-1317-4.044.040.5-57.5-44.515.0-9.03.526.5-10.5-32-6.0]]>DSB=49.016.0-7.5-20.0-7.527.0-72.0-30.0-21.54.0-10.0-83.010.0-35.0-45.0-41.5-50.0-27.048.050.5-29.0-75.5-13.014.08.039.538.0-47.5-476.0-8.0-1.515.0-12.5-21.57.0]]>計算位于圖像塊中相同位置的兩點的距離di，存儲在矩陣R中R=163.50-52.2523.5-34.2565-219.5-303524.5-56.75-71.5152.50-182.5-203.75101396.522157-35-25.510.7572.5022.50-19.50-13259.25-5.7577-36.75434-115.5018.5058.2514-39.25177]]>計算得到SA，SB間測地距離d(SA,SB)＝32.07(3)比較d(SA,SB)和T的大小，其中T為50：d(SA,SB)＜T(4)判斷是否相似：圖像塊SA和SB是相似塊。當前第1頁1 2 3