[论文解读] Objective crystallographic symmetry classifications of a noisy crystal pattern with strong Fedorov type pseudosymmetries and its optimal image-quality enhancement

Peter Moeck|arXiv (Cornell University)|Apr 27, 2022

Advanced Electron Microscopy Techniques and Applications参考文献 48被引用 11

一句话总结

本文提出了一种基于信息论的方法，可客观地对噪声干扰的二维晶体结构图案中的晶体学对称性进行分类，无需人工干预即可区分真实的对称性与费多罗夫型伪对称性。通过分析傅里叶系数并应用统计模型选择，该方法实现了基于对称性的图像平均处理，显著提升了信噪比和分辨率，超越了人工或传统软件分类方法的性能。

ABSTRACT

Statistically sound crystallographic symmetry classifications are obtained with information theory based methods in the presence of approximately Gaussian distributed noise. A set of three synthetic patterns with strong Fedorov type pseudosymmetries and varying amounts of noise serve as examples. Contrary to traditional crystallographic symmetry classifications with an image processing program such as CRISP, the classification process does not need to be supervised by a human being and is free of any subjectively set thresholds in the geometric model selection process. This enables crystallographic symmetry classification of digital images that are more or less periodic in two dimensions (2D), a.k.a. crystal patterns, as recorded with sufficient structural resolution from a wide range of crystalline samples with different types of scanning probe and transmission electron microscopes. Correct symmetry classifications enable the optimal crystallographic processing of such images. That processing consists in the averaging over all asymmetric units in all unit cells in the selected image area and significantly enhances both the signal to noise ratio and the structural resolution of a microscopic study of a crystal. For sufficiently complex crystal patterns, the information-theoretic symmetry classification methods are more accurate than both visual classifications by human experts and the recommendations of one of the popular crystallographic image processing programs of electron crystallography.

研究动机与目标

• 开发一种客观、自动化的算法，用于对噪声干扰的二维周期性图案中的晶体学对称性进行分类。
• 在不依赖主观人工判断的前提下，区分真实对称性与费多罗夫型伪对称性。
• 在对称性分类过程中，消除几何模型选择中手动设定阈值的需求。
• 通过基于对称性的平均处理实现最优的晶体学图像处理，从而提升信噪比和分辨率。
• 为视觉分类方法和现有晶体学图像处理软件（如 CRISP）提供一种统计上可靠的替代方案。

提出的方法

• 该方法利用信息论，基于傅里叶域中的残差平方和误差来评估不同对称性模型的优劣。
• 采用分层模型选择流程，对平面点群和投影劳厄类进行选择，使用赤池信息量准则（AIC）或类似指标。
• 该方法完全在傅里叶空间中运行，通过滤除不承载结构信息的系数，仅保留具有周期性和对称性关联的特征。
• 通过比较承载结构的傅里叶系数的残差误差与噪声底限，计算每种对称性模型的似然度。
• 该方法选择信息损失最小的对称性群，确保在近似高斯噪声条件下具备统计稳健性。
• 最终通过在所选对称性群的所有不对称单元上进行平均，利用结构的周期性实现图像增强。

实验结果

研究问题

• RQ1 在人类专家和 CRISP 等软件失效的噪声干扰二维图案中，基于信息论的方法能否可靠地对晶体学对称性进行分类？
• RQ2 与视觉分类和 CRISP 相比，该方法在区分真实对称性与费多罗夫型伪对称性方面有何优势？
• RQ3 基于对称性的平均处理在多大程度上能够提升实验图像的信噪比和结构分辨率？
• RQ4 是否可能在无需人工监督或主观阈值设定的情况下实现晶体学对称性分类的自动化？
• RQ5 与直接空间方法相比，该方法在噪声水平逐渐增加时性能下降的程度如何？

主要发现

• 对于具有强伪对称性的合成图案，该信息论方法正确识别出真实的平面点群（p4），而 CRISP 因伪对称性混淆错误地分配为 p4gm。
• 即使在高噪声水平下，该方法通过基于对称性的平均处理也实现了显著的信噪比提升。
• 在无噪声和高噪声图案中，该方法的分类准确率均超过人类专家和 CRISP，尤其在分辨伪对称性伪影方面表现更优。
• 该方法消除了模型选择中对视觉检查或人工阈值的依赖，实现了完全自动化处理。
• 与直接空间方法相比，该方法表现出更优的统计稳健性，随着噪声增加，其误分类风险显著降低。
• 结果表明，应将信息论对称性分类方法推广至三维晶体学，以减少 X 射线和中子衍射分析中的主观性。