CN110660011B - 图像处理方法和装置、电子设备及存储介质 - Google Patents

Abstract

本申请实施例提供的图像处理方法和装置、电子设备及存储介质，涉及图像处理技术领域。在本申请实施例中，首先，通过预设的神经网络模型对获得的图像信号进行处理，得到预测图像。然后，针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值。其次，根据所述像素差值更新所述神经网络模型，并通过更新后的神经网络模型对所述待处理图像进行处理。通过上述方法，可以提高像素值预测的精度。

Description

图像处理方法和装置、电子设备及存储介质

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种图像处理方法和装置、电子设备及存储介质。

背景技术

随着图像处理的应用范围越来越广，对图像处理的需求也越来越多。例如，在一些需求中，会对图像中的像素点的像素值进行预测。经发明人研究发现，在现有的像素值预测技术中，存在着精度较低的问题。

发明内容

有鉴于此，本申请的目的在于提供一种图像处理方法和装置、电子设备及存储介质，以改善现有技术中存在的问题。

为实现上述目的，本申请实施例采用如下技术方案：

一种图像处理方法，包括：

通过预设的神经网络模型对获得的图像信号进行处理，得到预测图像；

针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值；

根据所述像素差值更新所述神经网络模型，并通过更新后的神经网络模型对所述待处理图像进行处理。

在本申请实施例较佳的选择中，所述针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值的步骤，包括：

对所述预测图像中的部分像素点进行掩膜处理，得到第一掩膜图像，并对所述待处理图像中与所述部分像素点对应的各像素点进行掩膜处理，得到第二掩膜图像；

针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述第一掩膜图像与所述第二掩膜图像中的像素差值。

在本申请实施例较佳的选择中，所述针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值的步骤，还包括：

对所述预测图像中的其它像素点进行掩膜处理，得到第三掩膜图像，并对所述待处理图像中与所述其它像素点对应的各像素点进行掩膜处理，得到第四掩膜图像，其中，所述其它像素点为所述预测图像中所述部分像素点以外的像素点；

针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述第三掩膜图像与所述第四掩膜图像中的像素差值。

在本申请实施例较佳的选择中，所述通过预设的神经网络模型对获得的图像信号进行处理，得到预测图像的步骤，包括：

获取噪声信号；

通过预设的神经网络模型对所述噪声信号进行处理，得到预测图像。

在本申请实施例较佳的选择中，在嵌入数据至所述待处理图像时，所述通过更新后的神经网络模型对所述待处理图像进行处理的步骤，包括：

针对通过更新后的神经网络模型得到的预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值；

根据该像素差值构建直方图，以嵌入数据至所述待处理图像。

在本申请实施例较佳的选择中，所述针对通过更新后的神经网络模型得到的预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值的步骤包括：

通过更新后的神经网络模型对获得的图像信号进行处理，得到预测图像；

针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值。

在本申请实施例较佳的选择中，在从嵌入数据后的待处理图像中提取数据时，所述通过更新后的神经网络模型对所述待处理图像进行处理的步骤，还包括：

针对通过更新后的神经网络模型得到的预测图像和嵌入数据后的待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与所述嵌入数据后的待处理图像对应的掩膜图像中的像素差值；

根据该像素差值构建直方图，以从所述嵌入数据后的待处理图像中提取数据。

本申请实施例还提供了一种图像处理装置，包括：

图像信号处理模块，用于通过预设的神经网络模型对获得的图像信号进行处理，得到预测图像；

像素差值计算模块，用于针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值；

模型更新模块，用于根据所述像素差值更新所述神经网络模型，并通过更新后的神经网络模型对所述待处理图像进行处理。

本申请实施例还提供了一种电子设备，包括存储器和处理器，所述处理器用于执行所述存储器中存储的可执行的计算机程序，以实现上述的图像处理方法。

本申请实施例还提供了一种存储介质，其上存储有计算机程序，该程序被执行时实现上述图像处理方法的步骤。

本申请实施例提供的图像处理方法和装置、电子设备及存储介质，可以通过神经网络模型利用待处理图像中的所有像素点进行像素预测，避免现有技术中只能利用相邻的像素点进行像素预测，并且根据待处理图像训练神经网络模型，不需要其它图像训练神经网络模型，以提高像素预测的精度。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的电子设备的结构框图。

图2为本申请实施例提供的图像处理方法的流程示意图。

图3为本申请实施例提供的像素点的坐标示意图。

图4为本申请实施例提供的步骤S120的流程示意图。

图5为本申请实施例提供的步骤S120的另一流程示意图。

图6为本申请实施例提供的部分像素点和其他像素点的坐标示意图。

图7为本申请实施例提供的第一图像和第二图像的结构示意图。

图8为本申请实施例提供的根据直方图嵌入数据的流程示意图。

图9为本申请实施例提供的图像处理装置的结构框图。

图标：10-电子设备；12-存储器；14-处理器；100-图像处理装置；110-图像信号处理模块；120-像素差值计算模块；130-模型更新模块。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

如图1所示，本申请实施例提供了一种电子设备10。其中，所述电子设备10可以包括存储器12、处理器14和图像处理装置100。

详细地，所述存储器12和处理器14之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述图像处理装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器12中的软件功能模块。所述处理器14用于执行所述存储器12中存储的可执行的计算机程序，例如，所述图像处理装置100所包括的软件功能模块及计算机程序等，以实现图像处理方法。

其中，所述存储器12可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。

所述处理器14可能是一种集成电路芯片，具有信号的处理能力。上述的处理器14可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)、片上系统(System on Chip，SoC)等。

可以理解，图1所示的结构仅为示意，所述电子设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

结合图2，本申请实施例还提供一种可应用于上述电子设备10的图像处理方法。其中，所述图像处理方法有关的流程所定义的方法步骤可以由所述电子设备10实现，下面将对图2所示的具体流程进行详细阐述。

步骤S110，通过预设的神经网络模型对获得的图像信号进行处理，得到预测图像。

在本实施例中，在获取图像信号之后，可以通过预设的神经网络模型对所述图像信号进行处理，得到待处理图像对应的预测图像。

步骤S120，针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值。

在本实施例中，通过步骤S110得到所述预测图像之后，可以计算所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中对应位置的每一个像素点的像素差值。

步骤S130，根据所述像素差值更新所述神经网络模型，并通过更新后的神经网络模型对所述待处理图像进行处理。

在本实施例中，通过步骤S120计算得到像素差值之后，可以根据所述像素差值对所述神经网络模型进行更新，并可以通过更新后的神经网络模型对所述待处理图像进行处理。

通过上述方法，可以通过神经网络模型利用待处理图像中的所有像素点进行像素预测，避免现有技术中只能利用相邻的像素点进行像素预测，并且根据待处理图像训练神经网络模型，不需要其它图像训练神经网络模型，以提高像素预测的精度。

其中，对于步骤S110，需要说明的是，得到预测图像的具体方式不受限制，可以根据实际应用需求进行设置。例如，在一种可以替代的示例中国，在所述获得的图像信号为噪声信号时，所述步骤S110可以包括以下步骤：

首先，获取噪声信号；然后，通过预设的神经网络模型对所述噪声信号进行处理，得到预测图像。

其中，在一种可以替代的示例中，所述噪声信号可以是随机噪声信号。也就是说，可以通过预设的神经网络模型对随机噪声信号进行处理，得到预测图像。

其中，对于步骤S120，需要说明的是，结合图3，所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中对应位置的像素点可以是两个图像中相同坐标的点。例如，所述预测图像对应的掩膜图像中坐标为(1,1)的像素点，与待处理图像对应的掩膜图像中坐标为(1,1)的像素点相对应。

可选地，计算像素差值的具体方式不受限制，可以根据实际应用需求进行设置。例如，在一种可以替代的示例中，结合图4，所述步骤S120可以包括步骤S121和步骤S122。

步骤S121，对所述预测图像中的部分像素点进行掩膜处理，得到第一掩膜图像，并对所述待处理图像中与所述部分像素点对应的各像素点进行掩膜处理，得到第二掩膜图像。

步骤S122，针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述第一掩膜图像与所述第二掩膜图像中的像素差值。

详细地，对于步骤S121，需要说明的是，进行掩膜处理的图像可以是由0和1像素值组成的一个二进制图像，并且进行掩膜处理的图像的尺寸与所述预测图像和所述待处理图像的尺寸相同。

也就是说，当对所述预测图像进行掩膜处理时，所述预测图像中与所述进行掩膜处理的图像中像素值为1的像素点对应的部分像素点与像素值为1的像素点相乘，像素值保留；所述预测图像中与所述进行掩膜处理的图像中像素值为0的像素点对应的部分像素点与像素值为0的像素点相乘，像素值为0。

当对所述待处理图像进行掩膜处理时，所述待处理图像中与所述进行掩膜处理的图像中像素值为1的像素点对应的部分像素点与像素值为1的像素点相乘，像素值保留；所述待处理图像中与所述进行掩膜处理的图像中像素值为0的像素点对应的部分像素点与像素值为0的像素点相乘，像素值为0。

其中，对所述预测图像和所述待处理图像进行掩膜处理的是对应的像素点，也就是说，对所述预测图像和所述待处理图像进行掩膜处理的图像为同一图像，可以是第一图像。

进一步地，由于上述的步骤仅计算部分像素点的像素差值，为了计算其它像素点的像素差值，结合图5，所述步骤S120还可以包括步骤S123和步骤S124。

步骤S123，对所述预测图像中的其它像素点进行掩膜处理，得到第三掩膜图像，并对所述待处理图像中与所述其它像素点对应的各像素点进行掩膜处理，得到第四掩膜图像。

其中，所述其它像素点为所述预测图像中所述部分像素点以外的像素点。例如图6，标记为“x”的像素点可以为部分像素点，标记为“o”的为其他像素点。也就是说，在图6中，部分像素点为坐标(1,2)、(2,2)、(3,2)、(4,2)、(1,4)、(2,4)、(3,4)和(4,4)的像素点，其他像素点为坐标(1,1)、(2,1)、(3,1)、(4,1)、(1,3)、(2,3)、(3,3)和(4,3)的像素点。

步骤S124，针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述第三掩膜图像与所述第四掩膜图像中的像素差值。

对于步骤S123，需要说明的是，对所述预测图像和所述待处理图像进行掩膜处理的是对应的其它像素点，也就是说，对所述预测图像和所述待处理图像进行掩膜处理的图像为同一图像，可以是第二图像。所述第一图像和第二图像对应设置，所述第二图像中对应所述第一图像中像素值为0的像素点的像素值为1，所述第二图像中对应所述第一图像中像素值为1的像素点的像素值为0。

可选地，所述第一图像和第二图像的具体图像不受限制，可以根据实际应用需求进行设置。

例如，在一种可以替代的示例中，所述第一图像中第一排像素点的像素值均为1，第二排像素点的像素值均为0，第三排像素点的像素值为1，所述第一图像中的像素点每一排间隔设置。所述第二图像中第一排像素点的像素值均为0，第二排像素点的像素值均为1，第三排像素点的像素值为0，所述第二图像中的像素点每一排间隔设置。

又例如，在另一种可以替代的示例中，结合图7，所述第一图像中和第二图像中像素值为0和1的像素点交错设置，以使根据均匀分布的像素点进行像素预测，从而提高像素预测的准确度。

对于步骤S130，需要说明的是，根据所述像素差值更新所述神经网络模型的具体方式不受限制，可以根据使用应用需求进行设置。例如，在一种可以替代的示例中，根据所述像素差值更新所述神经网络模型的具体方式可以为：计算各个像素点像素差值的平均值，根据所述平均值更新所述神经网络模型，直到进行多次计算后各个像素点像素差值的平均值最小。

又例如，在另一种可以替代的示例中，根据所述像素差值更新所述神经网络模型的具体方式可以为：计算各个像素点像素差值的均方误差，根据所述均方误差更新所述神经网络模型，直到进行多次计算后各个像素点像素差值的均方误差最小。

其中，所述对所述待处理图像进行处理的步骤可以包括嵌入数据至所述待处理图像或从嵌入数据后的待处理图像中提取数据。

在嵌入数据至所述待处理图像时，步骤S130可以包括以下子步骤：

首先，针对通过更新后的神经网络模型得到的预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值；然后，根据该像素差值构建直方图，以嵌入数据至所述待处理图像。

详细地，由于本申请实施例中的进行掩膜处理的图像包括第一图像和第二图像，为了将数据嵌入待处理图像中的每一个像素点，上述的步骤具体可以为：

首先，针对通过更新后的神经网络模型得到的预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的第一图像处理后的图像与待处理图像对应的第一图像处理后的图像中的像素差值；

然后，根据该像素差值构建直方图，以嵌入数据至所述待处理图像中与第一图像对应的像素点；

其次，针对通过更新后的神经网络模型得到的预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的第二图像处理后的图像与待处理图像对应的第二图像处理后的图像中的像素差值；

最后，根据该像素差值构建直方图，以嵌入数据至所述待处理图像中与第二图像对应的像素点。

需要说明的是，评价可逆数据隐藏方法的性能主要有两个指标，分别是可以隐藏的数据量和隐藏数据之后对图像造成的损伤。这两个指标与构造的直方图形状有密切的关系，一般来讲，一个直方图的熵越小越好。基于这个原因，一般构造直方图的方法是基于像素预测方法。

例如，给定一个像素，算法会基于周围像素去预测该像素，然后计算预测值与该像素的差值，一张图片中所有像素的预测误差可以构建一个直方图，该直方图一般是一个中心在0的拉普拉斯分布。基于此，可以知道预测像素值的算法精度越高，该直方图的熵越小，所以一个高精度的像素值预测算法对于可逆数据隐藏算法的性能有着至关重要的作用。

结合图8，在根据像素差值构建直方图之后，得到的是图中的第一个直方图，以a为中心呈现拉普拉斯分布，一般图像的a数值为0，嵌入数据的步骤如下：

首先，a左边的直方图数据往左移动一位，也就是从a-1开始，直方图数据的移动一位可以通过在像素值上加1或者减去1来实现。此操作完成后，直方图中a-1的位置是空的。

其次，假设需要隐藏的数据都以比特的形式存在，也就是具有0或者1的值。对于所有a位置，都可以用来隐藏1个比特的数据。如果待隐藏的数据是0，则像素值不用改变(a不动)，如果待隐藏的数据是1，则像素值通过加一或者减一操作使a变为a-1。

其中，所述计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值的具体方式不受限制，可以根据实际应用需求进行设置。例如，在一种可以替代的示例中，可以包括以下步骤：

首先，通过更新后的神经网络模型对获得的图像信号进行处理，得到预测图像；然后，针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值。

进一步地，在从嵌入数据后的待处理图像中提取数据时，步骤S130可以包括以下子步骤：

首先，针对通过更新后的神经网络模型得到的预测图像和嵌入数据后的待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与所述嵌入数据后的待处理图像对应的掩膜图像中的像素差值；然后，根据该像素差值构建直方图，以从所述嵌入数据后的待处理图像中提取数据。

详细地，由于本申请实施例中的进行掩膜处理的图像包括第一图像和第二图像，为了从嵌入数据后的待处理图像中的每一个像素点提取数据，上述的步骤具体可以为：

首先，针对通过更新后的神经网络模型得到的预测图像和嵌入数据后的待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的第二图像处理后的图像与所述嵌入数据后的待处理图像对应的第二图像处理后的图像中的像素差值；

然后，根据该像素差值构建直方图，以从所述嵌入数据后的待处理图像中与第二图像对应的像素点提取数据，恢复所述嵌入数据后的待处理图像中与第二图像对应的像素点的像素值；

其次，针对通过更新后的神经网络模型得到的预测图像和嵌入数据后的待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的第一图像处理后的图像与所述嵌入数据后的待处理图像对应的第一图像处理后的图像中的像素差值；

最后，根据该像素差值构建直方图，以从嵌入数据后的待处理图像中与第一图像对应的像素点提取数据，恢复所述嵌入数据后的待处理图像中与第一图像对应的像素点的像素值。

再次结合图8，在得到根据像素差值构建直方图之后，得到的是图中的第三个直方图，提取数据的步骤如下：

首先，对于每一个a，可以提取出一个比特0，对于每一个a+1，可以提取出一个比特1，这样就可以把所有隐藏的数据提取出来；其次，把每一个小于a的数据右移一位(通过相应位置的像素值加一或者减去一来实现)，这样可以恢复原始直方图和待处理图像。

结合图9，本申请实施例还提供了一种图像处理装置100，可以应用于上述的电子设备10。其中，该所述图像处理装置100可以包括图像信号处理模块110、像素差值计算模块120和模型更新模块130。

所述图像信号处理模块110，用于通过预设的神经网络模型对获得的图像信号进行处理，得到预测图像。在一种可以替代的示例中，所述图像信号处理模块110可以用于执行图2所示的步骤S110，关于所述图像信号处理模块110的相关内容可以参照前文对步骤S110的具体描述。

所述像素差值计算模块120，用于针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值。在一种可以替代的示例中，所述像素差值计算模块120可以用于执行图2所示的步骤S120，关于所述像素差值计算模块120的相关内容可以参照前文对步骤S120的具体描述。

所述模型更新模块130，用于根据所述像素差值更新所述神经网络模型，并通过更新后的神经网络模型对所述待处理图像进行处理。在一种可以替代的示例中，所述模型更新模块130可以用于执行图2所示的步骤S130，关于所述模型更新模块130的相关内容可以参照前文对步骤S130的具体描述。

在本发明实施例中，对应于上述的图像处理方法，还提供了一种存储介质，该存储介质中存储有计算机程序，该计算机程序运行时执行上述图像处理方法的各个步骤。

其中，前述计算机程序运行时执行的各步骤，在此不再一一赘述，可参考前文对所述图像处理方法的解释说明。

综上所述，本申请实施例提供的图像处理方法和装置、电子设备10及存储介质，可以通过神经网络模型利用待处理图像中的所有像素点进行像素预测，避免现有技术中只能利用相邻的像素点进行像素预测，并且根据待处理图像训练神经网络模型，不需要其它图像训练神经网络模型，以提高像素预测的精度。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种图像处理方法，其特征在于，包括：

通过预设的神经网络模型对获得的图像信号进行处理，得到预测图像；

针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值；

根据所述像素差值更新所述神经网络模型，并通过更新后的神经网络模型对所述待处理图像进行处理；

其中，在嵌入数据至所述待处理图像时，所述通过更新后的神经网络模型对所述待处理图像进行处理的步骤，包括：

针对通过更新后的神经网络模型得到的预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值；

根据该像素差值构建直方图，以嵌入数据至所述待处理图像。

2.如权利要求1所述的图像处理方法，其特征在于，所述针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值的步骤，包括：

对所述预测图像中的部分像素点进行掩膜处理，得到第一掩膜图像，并对所述待处理图像中与所述部分像素点对应的各像素点进行掩膜处理，得到第二掩膜图像；

针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述第一掩膜图像与所述第二掩膜图像中的像素差值。

3.如权利要求2所述的图像处理方法，其特征在于，所述针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值的步骤，还包括：

对所述预测图像中的其它像素点进行掩膜处理，得到第三掩膜图像，并对所述待处理图像中与所述其它像素点对应的各像素点进行掩膜处理，得到第四掩膜图像，其中，所述其它像素点为所述预测图像中所述部分像素点以外的像素点；

针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述第三掩膜图像与所述第四掩膜图像中的像素差值。

4.如权利要求1-3任意一项所述的图像处理方法，其特征在于，所述通过预设的神经网络模型对获得的图像信号进行处理，得到预测图像的步骤，包括：

获取噪声信号；

通过预设的神经网络模型对所述噪声信号进行处理，得到预测图像。

5.如权利要求1-3中任意一项所述的图像处理方法，其特征在于，所述针对通过更新后的神经网络模型得到的预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值的步骤包括：

通过更新后的神经网络模型对获得的图像信号进行处理，得到预测图像；

针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值。

6.如权利要求1-3中任意一项所述的图像处理方法，其特征在于，在从嵌入数据后的待处理图像中提取数据时，所述通过更新后的神经网络模型对所述待处理图像进行处理的步骤，还包括：

针对通过更新后的神经网络模型得到的预测图像和嵌入数据后的待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与所述嵌入数据后的待处理图像对应的掩膜图像中的像素差值；

根据该像素差值构建直方图，以从所述嵌入数据后的待处理图像中提取数据。

7.一种图像处理装置，其特征在于，包括：

图像信号处理模块，用于通过预设的神经网络模型对获得的图像信号进行处理，得到预测图像；

像素差值计算模块，用于针对所述预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值；

模型更新模块，用于根据所述像素差值更新所述神经网络模型，并通过更新后的神经网络模型对所述待处理图像进行处理；

其中，在嵌入数据至所述待处理图像时，所述模块更新模块用于：

针对通过更新后的神经网络模型得到的预测图像和待处理图像中对应位置的每一个像素点，计算该像素点在所述预测图像对应的掩膜图像与待处理图像对应的掩膜图像中的像素差值；

根据该像素差值构建直方图，以嵌入数据至所述待处理图像。

8.一种电子设备，其特征在于，包括存储器和处理器，所述处理器用于执行所述存储器中存储的可执行的计算机程序，以实现权利要求1-6任意一项所述的图像处理方法。

9.一种存储介质，其特征在于，其上存储有计算机程序，该程序被执行时实现权利要求1-6任意一项所述图像处理方法的步骤。

Images