CN111639520A - 图像处理、模型训练方法、装置和电子设备 - Google Patents

Abstract

本发明提供了一种图像处理、模型训练方法、装置和电子设备，涉及数据处理的技术领域，包括：确定待转换指纹图像所对应的目标图像类型；其中，所述待转换指纹图像为初始类型的图像，所述目标图像类型用于表征转换之后的所述待转换指纹图像的分类标签，所述分类标签为包括至少一个层级的标签；将所述初始类型的待转换指纹图像输入至目标转换模型，得到转换后的目标图像，其中，所述目标图像为所述目标图像类型的图像，基于神经网络模型的自学习能力，本发明方法利用神经网络模型强大的自学习能力，学习到多种指纹图像类型的特征，以使模型具备将待处理指纹图像进行类型转换的能力，且经转换得到的指纹数据真实度高。

Description

图像处理、模型训练方法、装置和电子设备

技术领域

本发明涉及图像处理的技术领域，尤其是涉及一种图像处理、模型训练方法、装置和电子设备。

背景技术

指纹采集技术是一项基于专门的光学设备对指纹的纹理进行采集生成对应图像的技术，采集到的指纹图像受被采集者的手指状态以及采集环境的影响非常大，因此，在采集成本限制以及采集环境多变等因素的条件下，难以获得大量的不同环境不同类型的指纹数据，例如，对于干冷指纹(手指干燥且低温环境下采集的指纹)的采集，实施过程中受采集设备、环境因素、采集成本等限制，干冷指纹的采集工作难度非常高。

传统的图像处理方法可以通过人工手段生成类似于真实指纹的纹理图像，并在图像上添加多种噪声以达到模拟真实场景的目的，虽然该种技术可以一定程度上解决采集数据分布单一及数量受限的问题，但受到数据分布建模误差等因素的影响，合成指纹的真实度有限，难以在数据真实度要求高的应用场景中投入使用。

综上所述，现有技术中的图像处理方法存在转换得到的指纹图像真实度低的技术问题。

发明内容

本发明的目的在于提供一种图像处理方法、装置和电子设备，以缓解现有技术中的图像处理方法存在的转换得到的指纹图像真实度低的技术问题。

第一方面，本实施例提供了一种图像处理方法，包括：确定待转换指纹图像所对应的目标图像类型；其中，所述待转换指纹图像为初始类型的图像，所述目标图像类型用于表征转换之后的所述待转换指纹图像的分类标签，所述分类标签为包括至少一个层级的标签；将所述初始类型的待转换指纹图像输入至目标转换模型，得到转换后的目标图像，其中，所述目标图像为所述目标图像类型的图像。

进一步地，所述方法还包括：获取至少一个图像转换模型的模型参数，其中，所述模型参数用于表征图像转换模型所输出图像的分类标签；基于所述模型参数、所述初始类型和所述目标图像类型在所述至少一个图像转换模型中确定所述目标转换模型。

进一步地，基于所述模型参数、所述初始类型和所述目标图像类型在所述至少一个图像转换模型中确定所述目标转换模型包括：基于所述模型参数、所述初始类型和所述目标图像类型，确定所述至少一个图像转换模型中是否包含候选转换模型，其中，所述候选转换模型用于将图像类型为初始类型的图像转换为目标图像类型的图像；当所述至少一个图像转换模型中包含所述候选转换模型时，将所述候选转换模型确定为所述目标转换模型。

进一步地，基于所述模型参数、所述初始类型和所述目标图像类型在所述至少一个图像转换模型中确定所述目标转换模型还包括：基于所述模型参数、所述初始类型和所述目标图像类型，在所述至少一个图像转换模型中确定多个子转换模型；将所述多个子转换模型进行组合，并将组合之后的多个子转换模型确定为所述目标转换模型，其中，所述组合之后的多个子转换模型能够将图像类型为初始类型的图像转换为目标图像类型的图像。

进一步地，将所述多个子转换模型进行组合包括：将所述多个子转换模型进行级联，并将级联之后的多个子转换模型确定为所述目标转换模型，其中，所述级联之后的多个子转换模型中的第一个子转换模型的输入图像的图像类型为初始类型，所述级联之后的多个子转换模型所输出图像的图像类型为目标图像类型。

进一步地，基于所述模型参数、所述初始类型和所述目标图像类型在所述至少一个图像转换模型中确定所述目标转换模型包括：基于所述模型参数、所述初始类型和所述目标图像类型，在至少一个图像转换模型中为每个层级的分类标签确定对应的目标转换模型。

进一步地，将所述待转换指纹图像输入至目标转换模型，得到转换后的目标图像包括：利用所述目标转换模型按照预设迭代次数对所述待转换指纹图像进行迭代计算，并将迭代计算之后的计算结果确定为所述目标图像。

第二方面，本实施例提供了一种模型训练方法，包括：获取多种类型的样本数据；基于所述多种类型的样本数据构建多个样本数据对，每个样本数据对中包含至少两种不同类型的样本数据；通过所述多个样本数据对对初始转换模型进行训练，得到图像转换模型。

进一步地，通过所述多个样本数据对对初始转换模型进行训练，得到图像转换模型包括：确定每个样本数据对所对应的初始转换模型；通过各个样本数据对对其所对应的初始转换模型进行训练，得到所述图像转换模型。

进一步地，所述初始转换模型为循环生成式对抗网络cyclegan。

第三方面，本实施例提供了一种图像处理装置，包括：确定模块，用于确定待转换指纹图像所对应的目标图像类型；其中，所述待转换指纹图像为初始类型的图像，所述目标图像类型用于表征转换之后的所述待转换指纹图像的分类标签，所述分类标签为包括至少一个层级的标签；转换模块，用于将所述初始类型的待转换指纹图像输入至目标转换模型，得到转换后的目标图像，其中，所述目标图像为所述目标图像类型的图像。

第四方面，本实施例提供了一种模型训练装置，包括：获取模块，用于获取多种类型的样本数据；构建模块，用于基于所述多种类型的样本数据构建多个样本数据对，每个样本数据对中包含至少两种不同类型的样本数据；训练模块，用于通过所述多个样本数据对对初始转换模型进行训练，得到图像转换模型。

第五方面，本实施例还提供一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的方法的步骤。

第六方面，本实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行第一方面中任一项所述的方法。

一般情况下，图像处理方法是通过人工手段生成的类似于真实指纹的纹理图像，但受到数据分布建模误差等因素的影响，合成指纹的真实度有限，难以在数据真实度要求高的应用场景中投入使用。然而，本发明实施例提供了一种图像处理方法，该方法首先确定待转换指纹图像所对应的目标图像类型；其中，所述待转换指纹图像为初始类型的图像，所述目标图像类型用于表征转换之后的所述待转换指纹图像的分类标签，所述分类标签为包括至少一个层级的标签；然后，将所述初始类型的待转换指纹图像输入至目标转换模型，得到转换后的目标图像，其中，所述目标图像为所述目标图像类型的图像。

本发明实施例的方法在进行指纹类型转换时，根据待转换指纹图像的初始类型和目标图像类型确定出相应的目标转换模型，以利用该模型将待转换指纹图像转换为目标图像类型的图像，该方法利用神经网络模型强大的自学习能力，学习到多种指纹图像类型的特征，以使模型具备将待处理指纹图像进行类型转换的能力，且经转换得到的指纹数据真实度高。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。

图1为本发明实施例提供的一种电子设备的示意图；

图2为本发明实施例提供的一种图像处理方法的流程图；

图3为本发明实施例提供的一种模型训练方法的流程图；

图4为本发明实施例提供的一种图像处理装置的功能模块图；

图5是本发明实施例提供的一种模型训练装置的功能模块图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

实施例1：

首先，参照图1来描述用于实现本发明实施例的电子设备100，该电子设备可以用于运行本发明各实施例的图像处理方法。

如图1所示，电子设备100包括一个或多个处理器102、一个或多个存储器104、输入装置106、输出装置108以及数据采集装置110，这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意，图1所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备也可以具有其他组件和结构。

所述处理器102可以采用数字信号处理器(DSP，Digital Signal Processing)、现场可编程门阵列(FPGA，Field－Programmable Gate Array)、可编程逻辑阵列(PLA，Programmable Logic Array)和ASIC(Application Specific Integrated Circuit)中的至少一种硬件形式来实现，所述处理器102可以是中央处理单元(CPU，Central ProcessingUnit)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制所述电子设备100中的其它组件以执行期望的功能。

所述存储器104可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器102可以运行所述程序指令，以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。

所述输入装置106可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。

所述输出装置108可以向外部(例如，用户)输出各种信息(例如，图像或声音)，并且可以包括显示器、扬声器等中的一个或多个。

所述数据采集装置110用于进行获取待转换指纹图像和目标图像类型，其中，数据采集装置所采集的数据经过所述图像处理方法得到目标指纹数据。

实施例2：

传统的图像处理方法首先是通过人工手段生成类似于真实指纹的纹理图像，然后在上述纹理图像中添加噪声以模拟真实场景，但是由于数据分布建模误差的影响，最终得到的合成指纹真实度很低，难以在数据真实度要求高的应用场景中投入使用。有鉴于此，本申请实施例提出了一种图像处理方法，本申请实施例利用神经网络模型强大的自学习能力，学习到多种指纹图像类型转换的特征，以使模型输出的指纹数据真实度高，从而有效的提高了合成图像的真实度。

根据本发明实施例，提供了一种图像处理方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图2是根据本发明实施例的一种图像处理方法的流程图，如图2所示，该方法具体包括如下步骤：

步骤S202，确定待转换指纹图像所对应的目标图像类型；其中，所述待转换指纹图像为初始类型的图像，所述目标图像类型用于表征转换之后的所述待转换指纹图像的分类标签，所述分类标签为包括至少一个层级的标签。

具体的，在本申请中，首先获取其所对应的和目标图像类型，其中，待转换指纹图像的类型为初始类型，目标图像类型为将待转换指纹图像进行指纹转换之后的图像类型，对待转换指纹图像进行指纹转换可以理解为将初始类型的指纹图像转换为目标图像类型的指纹图像。

需要说明的是，在本申请中，目标图像类型用于表征待转换指纹图像的分类标签，且该分类标签为包含至少一个层级的标签。其中，分类标签为用于表征待转换指纹图像的分类类别的标签信息，每个分类标签可以对应至少一个分类内容。例如，分类标签可以包含分类标签A和分类标签B1、B2和B3，其中，分类标签B1、B2和B3所属于分类标签A中，也即，分类标签A和分类标签B1、B2和B3为上述至少一个层级的标签，其中，分类标签A可以对应至少一个分类内容，分类标签B1、B2和B3均可以对应至少一个分类内容，本申请对此不作具体限定。

如果目标图像类型对应一个分类标签，在一个例子中，待转换指纹图像的初始类型可以为干冷类型的指纹图像，其中，干冷类型的指纹图像是指手指在干燥且低温-30℃环境下采集的指纹。目标图像类型可以为油热类型的指纹图像，其中，油热类型的指纹图像是指手指在表面有油脂且高温40℃环境下采集的指纹图像。

步骤S204，将所述初始类型的待转换指纹图像输入至目标转换模型，得到转换后的目标图像，其中，所述目标图像为所述目标图像类型的图像。

在获取到待转换指纹图像，并确定待转换指纹图像所对应的目标图像类型之后，首先利用待转换指纹图像的初始类型和目标图像类型确定目标图像类型转换模型，其中，该目标图像类型转换模型为训练后的神经网络模型，且该模型能够实现将待转换指纹图像的类型由初始类型转换为目标图像类型。

在得到目标转换模型后，即可利用目标转换模型对待转换指纹图像进行指纹类型转换，也即，将初始类型的待转换指纹图像转换为目标图像类型的目标图像。

本发明实施例的方法在进行指纹类型转换时，根据待转换指纹图像的初始类型和目标图像类型确定出相应的目标转换模型，以利用该模型将待转换指纹图像转换为目标图像类型的图像，该方法利用神经网络模型强大的自学习能力，学习到多种指纹图像类型的特征，以使模型具备将待处理指纹图像进行类型转换的能力，且经转换得到的指纹数据真实度高。

通过上述描述可知，在本申请中已将图像处理方法的过程进行了简要的描述，下文中将对上述过程进行详细的介绍。

在一个可选的实施方式中，上述步骤S204，基于待转换指纹图像的初始类型和目标图像类型确定目标图像类型转换模型具体包括如下步骤：

步骤S2041，获取至少一个图像转换模型的模型参数，其中，所述模型参数用于表征图像转换模型所输出图像的分类标签；

步骤S2042，基于所述模型参数、所述初始类型和目标图像类型在所述至少一个图像转换模型中确定目标转换模型。

在本实施例中，可以预先设置预设转换模型库，其中，预设转换模型库中包括至少一个图像转换模型，每个图像转换模型用于将指纹数据由初始类型转换为其他类型的图像，不同图像转换模型所对应的转换类型不同。

在本申请中，可以预先为每个图像转换模型设置对应的模型参数，其中，可以通过该模型参数来确定该图像转换模型所输出图像分类标签，例如，可以通过该模型参数来确定该图像转换类型所输出图像的图像类型。

具体地，该模型参数可以包含以下内容：用于表征图像转换模型的身份信息，或者，图像转换模型的名称，该图像转换模型的输入图像的类型信息，该图像转换模型的输出图像的类型信息等。

在获取至少一个图像转换模型的模型参数之后，就可以该模型参数、初始类型和目标图像类型在至少一个图像转换模型中确定目标转换模型。

需要说明的是，在本申请中，如果目标图像类型所表征分类标签为单一层级的标签，且该标签所对应的分类内容为一个，那么该目标转换模型所输出的目标图像的种类即为一个，即为目标图像类型。

如果目标图像类型所表征的分类标签多层级的分类标签，那么该目标转换模型所输出的目标图像的种类即为多个。此时，目标图像类型中可以包含多个子转换模型，多个子转换模型的分类标签即为多层级分类标签，也即，多个子转换模型可以输出多个目标图像类型的目标图像。

若分类标签为多层级分类标签，则上述步骤S204，基于所述模型参数、所述初始类型和所述目标图像类型在所述至少一个图像转换模型中确定所述目标转换模型包括如下过程：

基于所述模型参数、所述初始类型和所述目标图像类型，在至少一个图像转换模型中为每个层级的分类标签确定对应的目标转换模型。

也就是说，如果分类标签为多个层级的标签，那么就需要在预设转换模型库所包含的至少一个图像转换模型中为每个层级的标签确定相应的图像转换模型，以通过指纹类型转换得到每个层级所对应的目标图像。

需要说明的是，即使分类标签为多个层级的标签，从预设转换模型库中确定每个层级的标签所对应的目标转换模型的过程均相同，因此，下面针对以一个层级的标签为例进行详细说明，其余层级的标签的确定过程以此类推，本发明实施例不再赘述。

在一个可选的实施方式中，上述步骤S2041，基于初始类型和目标图像类型在预设转换模型库中确定目标图像类型转换模型具体包括如下步骤：

步骤S20411，基于所述模型参数、所述初始类型和所述目标图像类型，确定所述至少一个图像转换模型中是否包含候选转换模型，其中，所述候选转换模型用于将图像类型为初始类型的图像转换为目标图像类型的图像。

通过上述描述可知，预设转换模型库中包括至少一个图像转换模型，且每个图像转换模型用于将指纹图像进行转换为其他类型的指纹图像。例如，预设转换模型库中包括以下图像转换模型：A<>B，A<>C，B<>D，C<>D，D<>E，其中，A<>B表示用于将A类型的图像转换为B类型的图像的图像转换模型。

在本申请中，在获取到模型参数、初始类型和目标图像类型后，首先在预设转换模型库中查询是否包含候选转换模型，其中，候选转换模型用于将图像类型为初始类型的图像转换为目标图像类型的图像。

当所述至少一个图像转换模型中包含所述候选转换模型时，则执行下述步骤S20412；当所述至少一个图像转换模型中不包含所述候选转换模型时，则执行下述步骤S20413至步骤S20414。

步骤S20412，将所述候选转换模型确定为所述目标转换模型。

若假定初始类型为A类型，目标图像类型为B类型，那么通过上述描述可知，预设转换模型库中包含A<>B(即本申请中的候选转换模型)，则将A<>B的图形转换模型确定为目标转换模型。

若初始类型为C类型，目标图像类型为B类型，那么通过上述描述可知，预设转换模型库中不包含C<>B(即本申请中的候选转换模型)，则执行下述步骤S20413至步骤S20414。

步骤S20413，基于所述模型参数、所述初始类型和所述目标图像类型，在所述至少一个图像转换模型中确定多个子转换模型。

步骤S20414，将所述多个子转换模型进行组合，并将组合之后的多个子转换模型确定为所述目标转换模型，其中，所述组合之后的多个子转换模型能够将图像类型为初始类型的图像转换为目标图像类型的图像。

具体的，若预设转换模型库中不包含候选转换模型，则可以基于模型参数、初始类型和目标图像类型在至少一个图像转换模型中确定多个子转换模型。例如，首先，在至少一个图像转换模型中确定输入图像或者输出图像为初始类型的图像转换模型A1，然后，在至少一个图像转换模型中确定输入图像或者输出图像为目标图像类型的图像转换模型A2，接下来，根据图像转换模型能够将图像进行双向转换的特点，判断若将图像转换模型A1对应初始类型的一端作为输入，将图像转换模型A2对应目标图像类型的一端作为输出，那么判断此时图像转换模型A1和图像转换模型A2是否能够进行级联，若是，则将图像转换模型A2和图像转换模型A1确定为多个子转换模型。若否，则在至少一个图像转换模型中确定能够将图像转换模型A1和图像转换模型A2进行连接的其他图像转换模型。进而，将图像转换模型A1、图像转换模型A2和其他图像转换模型确定为多个子转换模型。

接下来，将多个子转换模型进行组合，使得组合之后的多个子转换模型输入图像的类型为初始类型，输出图像的类型为目标图像类型，也即，组合之后的多个子转换模型能够将图像类型为初始类型的图像转换为目标图像类型的图像。

例如，假定初始类型为C类型，目标图像类型为B类型，根据图像转换模型能够将指纹类型进行双向转换的特点，可以在预设转换模型库中确定多个图像转换模型为A<>B和A<>C(即，多个子转换模型)，或者，B<>D和C<>D(即，多个子转换模型)。将B<>A(等同于A<>B)和A<>C进行组合，或者，将C<>D和D<>B(等同于B<>D)进行组合均能够得到目标转换模型B<>C(等同于C<>B)，用户可以根据实际需要选择其中一种，本发明实施例不对具体如何选择进行限制。

在一个可选的实施方式中，上述步骤S20414中，将所述多个子转换模型进行组合具体包括如下内容：

将所述多个子转换模型进行级联，并将级联之后的多个子转换模型确定为所述目标转换模型，其中，所述级联之后的多个子转换模型中的第一个子转换模型的输入图像的图像类型为初始类型，所述级联之后的多个子转换模型所输出图像的图像类型为目标图像类型。

具体的，沿用上文中步骤S20414的举例，当多个指纹类型转换模型为A<>B和A<>C，或者，B<>D和C<>D时，为了得到目标图像类型转换模型C<>B，则将A<>B和A<>C，或者，B<>D和C<>D进行级联，也即，将C<>A，A<>B进行级联得到C<>B(目标图像类型)，或者可以将C<>D，D<>B进行级联，进而得到C<>B(目标图像类型)。

在一个可选的实施方式中，上述步骤S206，将所述待转换指纹图像输入至目标转换模型，得到转换后的目标图像具体包括如下步骤：

步骤S2061，利用目标图像类型转换模型按照预设迭代次数对待转换指纹图像进行迭代计算，并将迭代计算之后的计算结果确定为目标指纹数据。

在确定了目标图像类型转换模型后，进行指纹类型转换时还需获取预设迭代次数，其中，预设迭代次数为预先设定的次数，本申请对此不作具体限定。其中，预设迭代次数不同能够影响指纹类型转换的程度，横向拓展可获得的指纹状态。例如，目标图像类型为油热指纹(手指表面有油脂且高温40℃环境下采集的指纹)，但是目标图像要求手指表面的油脂程度较高，那么就可以控制目标转换模型对待转换指纹图像进行迭代计算，以使迭代计算之后得到的目标图像中指纹数据的油脂程度增强，进而得到目标图像。

实际应用中，用户可以将不同的图像转换模型进行不同次数的迭代，进而获得不同类型不同程度的图像，利用这些不同的图像转换模型进行级联，可以获得分布更加多样的图像，为依赖多场景指纹数据的工程算法提供强大的数据支持。

实施例3：

根据本发明实施例，提供了一种模型训练方法。

图3是根据本发明实施例的一种模型训练方法的流程图，如图3所示，该方法具体包括如下步骤：

步骤S302，获取多种类型的样本数据。

步骤S304，基于所述多种类型的样本数据构建多个样本数据对，每个样本数据对中包含至少两种不同类型的样本数据。

具体的，为了通过训练得到多种图像转换模型，在准备训练数据时则需要获取多种指纹类型的样本数据，需要说明的是，在本申请中，相同类型的样本数据可以来自于不同的采集对象，例如，干冷指纹类型的指纹数据可以来自于多个指纹采集对象。

在获取到多种类型的样本数据后，就可以根据上述多种类型的样本数据构建多个样本数据对，每个样本数据对中包含至少两种不同类型的样本数据。例如，每个样本数据对均是由一个干冷指纹数据和一个油热指纹数据组成。

步骤S306，通过所述多个样本数据对对初始转换模型进行训练，得到图像转换模型。

在本申请中，首先搭建多个初始转换模型，然后通过多个样本数据对上述多个初始转换模型进行训练，其中，训练是指对初始转换模型中的参数进行优化调整的过程，最终调整得到多个图像转换模型，可选的，上述多个初始转换模型可以为相同的神经网络模型。

在一个可选的实施方式中，上述步骤S306，通过所述多个样本数据对对初始转换模型进行训练，得到图像转换模型具体包括如下步骤：

步骤S3061，确定每个样本数据对所对应的初始转换模型。

步骤S3062，通过各个样本数据对对其所对应的初始转换模型进行训练，得到所述图像转换模型。

在得到多个样本数据对后，首先为每个样本数据对确定对应的初始转换模型，然后利用各个样本数据对对相应的初始转换模型进行训练，训练结束，可以得到多个图像转换模型。可选的，本申请中的初始转换模型为循环生成式对抗网络cyclegan，用户也可以根据实际需求选择其他神经网络架构，本发明实施例不对其进行具体限制。

综上所述，本申请提供的方法，通过利用神经网络模型强大的自学习能力，将指纹类型转换的特征进行充分学习，提取真实指纹数据的分布特性，得到多种图像转换模型，进而实现多种类型的图像之间的相互转换；通过控制图像转换模型的迭代次数，还能够获取不同程度的指纹图像，横向拓展了可获得的指纹状态。本申请能够使得指纹数据的采集不再局限于固定的环境，从简单且成本低的环境采集到的指纹数据，可以通过不同的图像转换模型得到大量不同场景下的指纹数据，不仅能够节省指纹采集成本还能有效的提高合成图像的真实度，对后续依赖多场景指纹数据的工程算法优化起到了推动作用。

实施例4：

本发明实施例还提供了一种图像处理装置，该图像处理装置主要用于执行上述实施例一所提供的图像处理方法，以下对本发明实施例提供的图像处理装置做具体介绍。

图4是本发明实施例提供的一种图像处理装置的功能模块图，如图4所示，该装置主要包括：确定模块10，转换模块20，其中：

确定模块10，用于确定待转换指纹图像所对应的目标图像类型；其中，所述待转换指纹图像为初始类型的图像，所述目标图像类型用于表征转换之后的所述待转换指纹图像的分类标签，所述分类标签为包括至少一个层级的标签；

转换模块20，用于将所述初始类型的待转换指纹图像输入至目标转换模型，得到转换后的目标图像，其中，所述目标图像为所述目标图像类型的图像。

本发明实施例的方法在进行指纹类型转换时，根据待转换指纹图像的初始类型和目标图像类型确定出相应的目标转换模型，以利用该模型将待转换指纹图像转换为目标图像类型的图像，该方法利用神经网络模型强大的自学习能力，学习到多种指纹图像类型的特征，以使模型具备将待处理指纹图像进行类型转换的能力，且经转换得到的指纹数据真实度高。

可选地，该装置还用于：获取至少一个图像转换模型的模型参数，其中，所述模型参数用于表征图像转换模型所输出图像的分类标签；基于所述模型参数、所述初始类型和所述目标图像类型在所述至少一个图像转换模型中确定所述目标转换模型。

可选地，该装置还用于：基于所述模型参数、所述初始类型和所述目标图像类型，确定所述至少一个图像转换模型中是否包含候选转换模型，其中，所述候选转换模型用于将图像类型为初始类型的图像转换为目标图像类型的图像；当所述至少一个图像转换模型中包含所述候选转换模型时，将所述候选转换模型确定为所述目标转换模型。

可选地，该装置还用于：基于所述模型参数、所述初始类型和所述目标图像类型，在所述至少一个图像转换模型中确定多个子转换模型；将所述多个子转换模型进行组合，并将组合之后的多个子转换模型确定为所述目标转换模型，其中，所述组合之后的多个子转换模型能够将图像类型为初始类型的图像转换为目标图像类型的图像。

可选地，该装置还用于：将所述多个子转换模型进行级联，并将级联之后的多个子转换模型确定为所述目标转换模型，其中，所述级联之后的多个子转换模型中的第一个子转换模型的输入图像的图像类型为初始类型，所述级联之后的多个子转换模型所输出图像的图像类型为目标图像类型。

可选地，该装置还用于：基于所述模型参数、所述初始类型和所述目标图像类型，在至少一个图像转换模型中为每个层级的分类标签确定对应的目标转换模型。

可选地，转换模块用于：利用所述目标转换模型按照所述预设迭代次数对所述待转换指纹图像进行迭代计算，并将迭代计算之后的计算结果确定为所述目标图像。

实施例5：

本发明实施例还提供了一种模型训练装置，该模型训练装置主要用于执行上述实施例一所提供的模型训练方法，以下对本发明实施例提供的模型训练装置做具体介绍。

图5是本发明实施例提供的一种模型训练装置的功能模块图，如图5所示，该装置主要包括：获取模块30，构建模块40和训练模块50，其中：

获取模块30，用于获取多种类型的样本数据；

构建模块40，用于基于所述多种类型的样本数据构建多个样本数据对，每个样本数据对中包含至少两种不同类型的样本数据；

训练模块50，用于通过所述多个样本数据对对初始转换模型进行训练，得到图像转换模型。

可选地，训练模块用于：确定每个样本数据对所对应的初始转换模型；通过各个样本数据对对其所对应的初始转换模型进行训练，得到所述图像转换模型。

可选地，所述初始转换模型为循环生成式对抗网络cyclegan。

本发明实施例所提供的图像处理方法、装置和电子设备的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

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。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (14)

1.一种图像处理方法，其特征在于，包括：

确定待转换指纹图像所对应的目标图像类型；其中，所述待转换指纹图像为初始类型的图像，所述目标图像类型用于表征转换之后的所述待转换指纹图像的分类标签，所述分类标签为包括至少一个层级的标签；

将所述初始类型的待转换指纹图像输入至目标转换模型，得到转换后的目标图像，其中，所述目标图像为所述目标图像类型的图像。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取至少一个图像转换模型的模型参数，其中，所述模型参数用于表征图像转换模型所输出图像的分类标签；

基于所述模型参数、所述初始类型和所述目标图像类型在所述至少一个图像转换模型中确定所述目标转换模型。

3.根据权利要求2所述的方法，其特征在于，基于所述模型参数、所述初始类型和所述目标图像类型在所述至少一个图像转换模型中确定所述目标转换模型包括：

基于所述模型参数、所述初始类型和所述目标图像类型，确定所述至少一个图像转换模型中是否包含候选转换模型，其中，所述候选转换模型用于将图像类型为初始类型的图像转换为目标图像类型的图像；

当所述至少一个图像转换模型中包含所述候选转换模型时，将所述候选转换模型确定为所述目标转换模型。

4.根据权利要求2或3所述的方法，其特征在于，基于所述模型参数、所述初始类型和所述目标图像类型在所述至少一个图像转换模型中确定所述目标转换模型还包括：

基于所述模型参数、所述初始类型和所述目标图像类型，在所述至少一个图像转换模型中确定多个子转换模型；

将所述多个子转换模型进行组合，并将组合之后的多个子转换模型确定为所述目标转换模型，其中，所述组合之后的多个子转换模型能够将图像类型为初始类型的图像转换为目标图像类型的图像。

5.根据权利要求4所述的方法，其特征在于，将所述多个子转换模型进行组合包括：

将所述多个子转换模型进行级联，并将级联之后的多个子转换模型确定为所述目标转换模型，其中，所述级联之后的多个子转换模型中的第一个子转换模型的输入图像的图像类型为初始类型，所述级联之后的多个子转换模型所输出图像的图像类型为目标图像类型。

6.根据权利要求2所述的方法，其特征在于，基于所述模型参数、所述初始类型和所述目标图像类型在所述至少一个图像转换模型中确定所述目标转换模型包括：

基于所述模型参数、所述初始类型和所述目标图像类型，在至少一个图像转换模型中为每个层级的分类标签确定对应的目标转换模型。

7.根据权利要求1至6任一项所述的方法，其特征在于，将所述待转换指纹图像输入至目标转换模型，得到转换后的目标图像包括：

利用所述目标转换模型按照预设迭代次数对所述待转换指纹图像进行迭代计算，并将迭代计算之后的计算结果确定为所述目标图像。

8.一种模型训练方法，其特征在于，包括：

获取多种类型的样本数据；

基于所述多种类型的样本数据构建多个样本数据对，每个样本数据对中包含至少两种不同类型的样本数据；

通过所述多个样本数据对对初始转换模型进行训练，得到图像转换模型。

9.根据权利要求8所述的方法，其特征在于，通过所述多个样本数据对对初始转换模型进行训练，得到图像转换模型包括：

确定每个样本数据对所对应的初始转换模型；

通过各个样本数据对对其所对应的初始转换模型进行训练，得到所述图像转换模型。

10.根据权利要求8所述的方法，其特征在于，所述初始转换模型为循环生成式对抗网络cyclegan。

11.一种图像处理装置，其特征在于，包括：

确定模块，用于确定待转换指纹图像所对应的目标图像类型；其中，所述待转换指纹图像为初始类型的图像，所述目标图像类型用于表征转换之后的所述待转换指纹图像的分类标签，所述分类标签为包括至少一个层级的标签；

转换模块，用于将所述初始类型的待转换指纹图像输入至目标转换模型，得到转换后的目标图像，其中，所述目标图像为所述目标图像类型的图像。

12.一种模型训练装置，其特征在于，包括：

获取模块，用于获取多种类型的样本数据；

构建模块，用于基于所述多种类型的样本数据构建多个样本数据对，每个样本数据对中包含至少两种不同类型的样本数据；

训练模块，用于通过所述多个样本数据对对初始转换模型进行训练，得到图像转换模型。

13.一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7中任一项所述的方法的步骤，或者，实现上述权利要求8至10中任一项所述的方法的步骤。

14.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行权利要求1至7中任一项所述的方法的步骤，或者，实现上述权利要求8至10中任一项所述的方法的步骤。

Images