1.一种基于图结构的图像对比聚类方法，其特征在于，包括：获取原始图像数据集 ，并对原始图像数据集进行两种变换，分别得到两个变换后的数据集 ；其中，两种变换包括，弱变换 和强变换 ， ，为变换集合；弱变换 为随机裁剪与缩放、随机水平翻转、随机亮度、对比度、饱和度、色调变换和随机灰度变换；强变换 除了包括随机水平翻转、随机裁剪外，并从归一化对比度、均衡直方图、旋转、反转、增强色彩平衡、调整对比度、调整亮度、调整清晰度、仿射变换、减少每个颜色通道位数中随机选择四个组成；

将原始图像数据集 和变换后的数据集 输入到特征提取网络，分别获取原始图像数据集和两个变换后的数据集的特征 ；

将原始图像数据集特征和两个变换后的数据集的特征 输入到对比网络，分别获取原始图像数据集和两个变换后的数据集的对比特征 ；

将对比特征 ，通过损失函数 计算实例对比损失；

在对比特征 上挖掘邻近图像，获取并更新每个样本的邻居 ；

利用邻居 构建邻接矩阵 ，并加上不同的随机掩码，获得两种邻接矩阵;

利用特征 和邻接矩阵A, ，构建图结构数据

；

将图结构数据 输入到图神经网络聚合特征与

其邻居特征，并获聚类分配 ；

利用聚类分配 ，通过损失函数 计算簇级对比损失；

利用损失函数 ,  计算最终损失函数L，并通过深度神经网络的反向传播机制共同优化特征提取网络、对比网络和图卷积神经网络；

重复上述步骤，直到满足迭代次数或网络收敛，得到并输出最终的聚类分组结果 。

2.根据权利要求1所述的一种基于图结构的图像对比聚类方法，其特征在于：原始图像用于邻居挖掘和获取最终的聚类结果。

3.根据权利要求1所述的一种基于图结构的图像对比聚类方法，其特征在于：所述邻接矩阵 为添加自环的双向图：其中，和 分别表示不同样本对比特征的索引， 表示获取邻居，随机掩码以10%的概率随机删除 相邻节点之间的边。

4.根据权利要求3所述的一种基于图结构的图像对比聚类方法，其特征在于：所述图神经网络为一层图卷积网络和一层全连接网络构成，输出维度为K，K表示数据包含的类别数。

5.根据权利要求4所述的一种基于图结构的图像对比聚类方法，其特征在于：所述损失函数L定义为：其中， 表示实例对比损失， 表示簇级对比损失，表示平衡系数。

6.一种基于图结构的图像对比聚类系统，其特征在于，包括：获取模块，用于获取原始图像数据集 ，并对原始图像数据集进行两种变换，分别得到两个变换后的数据集 ；其中，两种变换包括弱变换 和强变换 ， ，为变换集合；弱变换 为随机裁剪与缩放、随机水平翻转、随机亮度、对比度、饱和度、色调变换和随机灰度变换；强变换 除了包括随机水平翻转、随机裁剪外，并从归一化对比度、均衡直方图、旋转、反转、增强色彩平衡、调整对比度、调整亮度、调整清晰度、仿射变换、减少每个颜色通道位数中随机选择四个组成；

特征提取模块，用于将原始图像数据集 和两个变换后的数据集 输入到特征提取网络，分别获取原始图像数据集和两个变换后的数据集的特征 ；

对比特征提取模块，用于将原始图像数据集和两个变换后的数据集的特征输入到对比网络，获取原始图像数据集和两个对比特征 ；

实例对比模块，用于将对比特征 ，通过损失函数 计算实例对比损失更新模块，用于在对比特征 上挖掘邻近图像，获取并更新每个样本的邻居 ；

处理模块，用于利用邻居 构建邻接矩阵 ，并加上不同的随机掩码，获得两种邻接矩阵 ;构建模块，用于利用特征 和邻接矩阵 ，构建图结构数据；

聚类模块，用于将图结构数据 输入到图神经网

络聚合特征与其邻居特征，并获聚类分配 ；

簇级对比模块，用于利用聚类分配 ，通过损失函数 计算簇级对比损失优化模块，用于利用损失函数 ,  计算最终损失函数L，并通过深度神经网络的反向传播机制共同优化特征提取网络、对比网络和图神经网络。

7.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1‑5所述的方法中的任一方法。

8.一种基于图结构的图像对比聚类方法的计算设备，其特征在于，包括：一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1‑5所述的方法中的任一方法的指令。