CN112396119A - 一种图像处理方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种图像处理方法及装置、电子设备和存储介质，可用于对医学图像进行处理，所述方法包括：利用源域和目标域中的第一样本图像，通过第二网络监督第一网络训练，更新所述第一网络的参数，得到所述第一网络的第一更新参数；利用源域中带有标注的第二样本图像对所述第一网络进行训练，更新所述第一网络的参数，得到所述第一网络的第二更新参数；根据所述第一网络的更新参数，更新所述第二网络的参数，所述更新参数包括：所述第一更新参数和所述第二更新参数；迭代执行上述步骤，直至所述第二网络的输出结果满足预定收敛条件，所述第二网络用于对图像进行处理。本公开实施例训练得到的网络在目标域中图像处理的准确性较高。

Description

一种图像处理方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。

背景技术

迁移学习(Transfer Learning)可利用数据、任务或网络之间的相似性，将在旧领域(即源域)学习过的网络，应用于新领域(即目标域)。

由于源域和目标域的数据存在差异，通过源域数据训练的网络不能直接用于目标域进行预测。因此，在进行迁移学习的过程中，会对目标域中的样本进行标注来监督网络在目标域中训练，以更好地应用于目标域中。

但是，对于一些领域，对样本进行准确的人工标注是非常困难的，这导致迁移学习无法应用到这些领域。

发明内容

本公开提出了一种图像处理技术方案。

根据本公开的一方面，提供了一种图像处理方法，包括：

利用源域和目标域中的第一样本图像，通过第二网络监督第一网络训练，更新所述第一网络的参数，得到所述第一网络的第一更新参数；

利用源域中带有标注的第二样本图像对所述第一网络进行训练，更新所述第一网络的参数，得到所述第一网络的第二更新参数；

根据所述第一网络的更新参数，更新所述第二网络的参数，所述更新参数包括：所述第一更新参数和所述第二更新参数；

迭代执行上述步骤，直至所述第二网络的输出结果满足预定收敛条件，所述第二网络用于对图像进行处理。

在一种可能的实现方式中，所述利用源域和目标域中的第一样本图像，通过第二网络监督第一网络训练，更新所述第一网络的参数，包括：

将所述第一样本图像分别输入到所述第一网络和所述第二网络中，得到所述第一网络输出的第一结果，以及所述第二网络输出的第二结果；

利用所述第一结果相对于所述第二结果的损失，更新所述第一网络的参数。

在一种可能的实现方式中，所述根据所述第一网络的更新参数，更新所述第二网络的参数，包括：

根据更新得到的所述第一网络的更新参数的滑动平均值，更新所述第二网络的参数。

在一种可能的实现方式中，所述根据所述第一网络的更新参数，更新所述第二网络的参数，包括：

确定所述第一网络的更新参数与所述第二网络的参数的加权平均值，所述第一网络的更新参数的权重小于所述第二网络的参数的权重；

利用所述加权平均值更新所述第二网络的参数。

在一种可能的实现方式中，在所述通过第二网络监督第一网络训练，更新所述第一网络的参数前，还包括：

对所述源域和目标域中的样本图像进行归一化处理，得到第一样本图像；和/或，

将所述源域和目标域中的样本图像的分辨率调整一致，得到图像分辨率统一的第一样本图像；和/或，

在所述源域和目标域中的样本图像中加入高斯噪声，得到第一样本图像。

在一种可能的实现方式中，所述源域和目标域的图像是由不同医学影像设备采集的医学影像；

所述第一网络和/或所述第二网络用于对所述医学影像中的目标对象进行识别，得到识别结果。

根据本公开的一方面，提供了一种图像处理方法，包括：

通过第二网络对待识别图像中的目标对象进行识别，得到所述目标对象在所述待识别图像中的区域；

其中，所述第二网络包括本公开提供的图像处理方法中的第二网络。

根据本公开的一方面，提供了一种图像处理装置，包括：

第一更新单元，用于利用源域和目标域中的第一样本图像，通过第二网络监督第一网络训练，更新所述第一网络的参数，得到所述第一网络的第一更新参数；

第二更新单元，用于利用源域中带有标注的第二样本图像对所述第一网络进行训练，更新所述第一网络的参数，得到所述第一网络的第二更新参数；

第三更新单元，用于根据所述第一网络的更新参数，更新所述第二网络的参数，所述更新参数包括：所述第一更新参数和所述第二更新参数；

迭代执行单元，用于迭代执行上述步骤，直至所述第二网络的输出结果满足预定收敛条件，所述第二网络用于对图像进行处理。

在一种可能的实现方式中，所述第一更新单元，用于将所述第一样本图像分别输入到所述第一网络和所述第二网络中，得到所述第一网络输出的第一结果，以及所述第二网络输出的第二结果；利用所述第一结果相对于所述第二结果的损失，更新所述第一网络的参数。

在一种可能的实现方式中，所述第三更新单元，用于根据更新得到的所述第一网络的更新参数的滑动平均值，更新所述第二网络的参数。

在一种可能的实现方式中，所述第三更新单元，用于确定所述第一网络的更新参数与所述第二网络的参数的加权平均值，所述第一网络的更新参数的权重小于所述第二网络的参数的权重；利用所述加权平均值更新所述第二网络的参数。

在一种可能的实现方式中，所述方法还包括：

归一化单元，用于对所述源域和目标域中的样本图像进行归一化处理，得到第一样本图像；和/或，

分辨率调整单元，用于将所述源域和目标域中的样本图像的分辨率调整一致，得到图像分辨率统一的第一样本图像；和/或，

噪声单元，用于在所述源域和目标域中的样本图像中加入高斯噪声，得到第一样本图像。

在一种可能的实现方式中，所述源域和目标域的图像是由不同医学影像设备采集的医学影像；

所述第一网络和/或所述第二网络用于对所述医学影像中的目标对象进行识别，得到识别结果。

根据本公开的一方面，提供了一种图像处理装置，包括：

识别单元，用于通过第二网络对待识别图像中的目标对象进行识别，得到所述目标对象在所述待识别图像中的区域；其中，所述第二网络包括本公开提供的图像处理装置中的第二网络。

根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。

在本公开实施例中，在利用源域中带有标注的第二样本图像对第一网络进行训练的基础上，会通过第二网络来监督第一网络在源域和目标域中训练，而第二网络的参数是经过多次迭代更新的第一网络的更新参数来更新的，因此，在第二网络的输出结果满足预定收敛条件后，第二网络可以用于对目标域中的图像进行处理。在该训练过程中，无需人工对目标域中的图像进行标注，实现了目标域中的无监督学习，训练得到的网络在目标域中图像处理的准确性较高。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的图像处理方法的流程图。

图2示出本公开实施例提供的图像处理装置的框图。

图3示出本公开实施例提供的一种电子设备800的框图。

图4示出本公开实施例提供的一种电子设备1900的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开实施例的图像处理方法的流程图，如图1所示，所述图像处理方法包括：

步骤S11，利用源域和目标域中的第一样本图像，通过第二网络监督第一网络训练，更新所述第一网络的参数，得到所述第一网络的第一更新参数。

这里的源域可以是迁移学习中的旧领域，而目标域可以是迁移学习中的新领域。本公开中的源域和目标域为不同域。

第一样本图像不带人工标注的样本图像，人工标注为通过网络对样本图像处理时的期望结果。在有监督学习的网络训练过程中，通常会通过人工标注的期望结果来监督网络进行训练。

在第一样本图像为不带人工标注的图像的情况下，在本公开实施例中不采用人工标注对第一网络进行监督学习的方式进行网络训练。在本实施例中，对第一网络进行训练的过程中，会通过第二网络来监督第一网络训练。

第一网络和第二网络的网络结构是具有相同的网络结构，也可以采用不同的网络结构，本公开实施例对此不作限定。本公开中的第二网络的参数是通过由多次迭代更新的第一网络的参数来进行更新的，因此，第二网络的参数可以看作是根据第一网络的参数的历史积累得到的。在训练过程中，第二网络的预测结果还用来监督第一网络的训练。值得注意的是，当第二网络的参数更新后，第二网络会基于新的参数对图像样本进行预测，在得到最新一轮的预测结果后，会将该预测结果用于监督第一网络的训练。一种可行的实施方式中，在训练阶段，可以将第一网络的预测结果和第二网络的预测结果进行比对，使第一网络和第二网络的预测结果尽量一致。本实施例中，采用交叉熵作为一致性损失，通过上述方式的迭代训练后，可以使第一网络的预测结果和第二网络的预测结果的差异缩小至阈值内。在计算出一致性损失后，通过反向传播算法计算梯度，进而更新第一网络的第一更新参数。

第一网络和第二网络的网络结构可以是基于Encoder-Decoder的3D u-net结构，当然，本领域技术人员也可以根据实际需求采用其它的网络结构，本公开对第一网络和第二网络的网络结构不做具体限定。

步骤S12，利用源域中带有标注的第二样本图像对所述第一网络进行训练，更新所述第一网络的参数，得到所述第一网络的第二更新参数。

第二样本图像是带有标注的，该标注可以是人工标注的。该标注为第一网络对第二样本图像处理的期望结果。

在对第一网络进行训练的过程中，将第二样本图像作为第一网络的输入，通过第一网络处理后会得到输出结果。计算输出结果相对于期望结果的损失，根据该损失更新第一网络的参数。

在更新第一网络参数的过程中，可以根据该损失，通过反向传播算法计算梯度，来更新第一网络的参数。

步骤S13，根据所述第一网络的更新参数，更新所述第二网络的参数。

更新参数包括：第一更新参数和第二更新参数，即包括第一网络经步骤S11和步骤S12更新后的参数。

步骤S11和步骤S12可以是具备先后关系的，可以先执行步骤S11再执行步骤S12，当然，也可以先执行步骤S12再执行步骤S11。

在步骤S11和步骤S12具备先后关系的情况下，由先执行的步骤先对第一网络的参数进行更新，得到第一更新参数，在第一更新参数的基础上，再由后执行的步骤对第一网络的第一更新参数进行更新，得到第二参数。那么，在更新第二网络的参数的过程中，可以利用第一网络更新后的第二更新参数，来更新第二网络的参数。

另外，步骤S11和步骤S12也可以是分别独立地对第一网络的参数进行更新，例如，步骤S11对第一网络的参数进行更新，得到第一更新参数，步骤S12对第一网络的参数进行更新，得到第二更新参数。那么，在更新第二网络的参数的过程中，会利用第一更新参数和第二更新参数，来更新第二网络的参数。例如可以对第一参数和第二参数进行加权平均，来更新第二网络的参数。

后文会通过本公开可能的实现方式，来详细阐述更新第二网络的参数的过程，此处不做赘述。

在本公开中，会迭代执行上述步骤S11、S12和S13，直至所述第二网络的输出结果满足预定收敛条件，所述第二网络用于对图像进行处理。

对于一次迭代过程，可以包括执行步骤S11、S12和S13，一次迭代后得到的第一网络和第二网络的参数，会作为下一次迭代的初始值，然后进行下一次迭代，以对第一网络和第二网络的参数进行更新。

预定收敛条件可以是第二网络的输出结果在设定的误差范围以内，当第二网络的输出结果满足预定收敛条件后，表明第二网络对图像处理的准确率在预设的范围之内，即满足对图像处理的需求。

根据本公开的实施例，在利用源域中带有标注的第二样本图像对第一网络进行训练的基础上，会通过第二网络来监督第一网络在源域和目标域中训练，而第二网络的参数是经过多次迭代更新的第一网络的更新参数来更新的，因此，在第二网络的输出结果满足预定收敛条件后，第二网络可以用于对目标域中的图像进行处理。在该训练过程中，无需人工对目标域中的图像进行标注，实现了目标域中的无监督学习，训练得到的网络在目标域中图像处理的准确性较高。

在一种可能的实现方式中，所述利用源域和目标域中的第一样本图像，通过第二网络监督第一网络训练，更新所述第一网络的参数，包括：将所述第一样本图像分别输入到所述第一网络和所述第二网络中，得到所述第一网络输出的第一结果，以及所述第二网络输出的第二结果；利用所述第一结果相对于所述第二结果的损失，更新所述第一网络的参数。

在利用第二网络监督第一网络训练的过程中，对同一个样本图像，可以将第二网络的输出结果，作为第一网络的期望结果。那么在将同一个样本图像分别输入第一网络和第二网络中后，可以利用第一网络的输出结果和第二网络的输出结果之间的损失，更新第一网络的参数。

在确定第一结果相对于第二结果的损失的过程中，可以采用交叉熵作为一致性损失，具体可以通过交叉熵损失函数来确定，此处不做赘述。

在利用损失更新第一网络的参数的过程，可以通过反向传播算法计算梯度，来更新第一网络的参数，对于通过反向传播算法更新网络参数的过程，此处不做赘述。

根据本公开的实施例，通过第二网络监督第一网络训练，可以实现对源域和目标域中样本的无监督学习，即无需人工对样本进行标注的前提下在目标域中进行自学习，训练得到的网络在目标域中图像处理的准确性较高。

在一种可能的实现方式中，所述根据所述第一网络的更新参数，更新所述第二网络的参数，包括：根据更新得到的所述第一网络的更新参数的滑动平均值，更新所述第二网络的参数。

如前文所述，步骤S11、S12和S13可以迭代执行，每一次迭代执行都可以得到第一网络的更新参数(即每一次迭代过程，在步骤S11，S12执行完毕后，可以得到该次迭代中第一网络的更新参数)，那么，可以确定多次迭代得到的第一网络的更新参数的滑动平均值，将该滑动平均值作为第二网络的参数。滑动平均值计算中所用滑动窗口的长度可根据需要来选择。

根据本公开的实施例，利用多次迭代得到的第一网络的更新参数的滑动平均值，来更新第二网络的参数，可以使第二网络在处理图像时稳定性更高，抖动小，且第二网络的参数可以看作是根据第一网络的参数的历史积累得到的，第二网络对图像的处理更加准确。

在一种可能的实现方式中，所述根据所述第一网络的更新参数，更新所述第二网络的参数，包括：确定所述第一网络的更新参数与所述第二网络的参数的加权平均值，所述第一网络的更新参数的权重小于所述第二网络的参数的权重；利用所述加权平均值更新所述第二网络的参数。

也就是说，可以利用第一网络的更新参数与第二网络的参数，确定第二网络的参数。由于训练过程是迭代进行的，在进行第l次迭代过程中，可以利用第l-1次迭代得到的第二网络的参数，与第l次迭代的第一网络更新后的参数，确定第l次迭代的第二网络的参数。

在确定加权平均值的过程中，可以给第二网络的参数和第一网络的更新参数赋予不同的权重，第一网络的更新参数的权重小于第二网络的参数的权重，这样更新后的第二网络中的参数受本次迭代更新的影响会小于历史迭代更新的影响，得到的第二网络参数主要还是受多次历史迭代的影响，而非本次迭代更新的影响，因此得到的第二网络在处理图像过程中更稳定，准确率更高。

在一种可能的实现方式中，所述源域和目标域的图像是由不同医学影像设备采集的医学影像；所述第一网络和/或所述第二网络用于对所述医学影像中的目标对象进行识别，得到识别结果。

医学影像设备可以用于采集医学影像，医学影像设备可以在医疗或医学研究中，获取人体或人体某部分内部组织的影像。医学影像设备例如可以是X线设备、核磁共振设备、核医学设备、超声、放疗等设备。

医学影像对疾病诊断治疗和医学研究都有重大作用，通常会通过神经网络对医学影像进行分析，例如，可以通过网络划分医学影像中的不同组织器官所在的区域。

由于医学影像设备的特殊性，不同的医学影像设备由于设备不同、成像参数不同等原因，可能导致采集的医学影像不一致。即不同的医学影像设备采集到的数据的分布可能是不同的，那么，在通过网络对医学影像进行分析时，不同医学影像设备得到的数据之间存在域位移。

通常情况下，在源域上训练好的网络直接应用到新的目标域上，性能都会出现不同程度的下降。最直接的解决方案可以是，通过对目标域的有标注医学影像对网络进行微调训练，建立适用于目标域的网络。然而医学影像的分割标注是非常耗时耗力的。因此，如何让网络对不同医学影像设备得到的医学影像具有较强的泛化能力，是一个亟待解决的问题。

根据本公开的实施例，可以将不同医学影像设备采集的医学影像作为源域和目标域的样本图像，通过本公开提供的一个或多个实现方式，对第一网络和第二网络进行训练，可以实现对目标域中的医学影像的无监督训练，无需对目标域中的医学影像进行人工标注。训练得到的第一网络和第二网络在源域和目标域上都能有较强的泛化能力。

在一种可能的实现方式中，在所述通过第二网络监督第一网络训练，更新所述第一网络的参数前，还包括：对所述源域和目标域中的样本图像进行归一化处理，得到第一样本图像；和/或，将所述源域和目标域中的样本图像的分辨率调整一致，得到图像分辨率统一的第一样本图像；和/或，在所述源域和目标域中的样本图像中加入高斯噪声，得到第一样本图像。

由于源域和目标域是不同的域，因此图像在尺寸、分辨率、颜色空间等方面存在差异，因此，在训练之前，可以先对源域和目标域中的样本图像的像素值进行归一化处理；另外，在训练之前，还可以将源域和目标域中的样本图像的分辨率调整一致，得到图像分辨率统一的第一样本图像；另外，在训练之前，还可以在所述源域和目标域中的样本图像中加入高斯噪声，得到第一样本图像。这样在利用源域和目标域中的样本图像，对第一网络和第二网络进行训练后，得到的第一网络和第二网络的对图像处理的准确率更高。

例如，在样本图像为电子计算机断层扫描(Computed Tomography，CT)影像的情况下，可以通过对CT影像进行重采样来实现归一化，重采样的过程中，将分辨率统一至1*1*3mm，将CT值归一化至[0,1]之间，并加入同分布的高斯噪声，得到的归一化后的CT影像作为第一网络和第二网络训练的样本。

本公开还提供一种图像处理方法，包括：

通过第二网络对待识别图像中的目标对象进行识别，得到所述目标对象在所述待识别图像中的区域；

其中，所述第二网络包括本公开提供的一个或多个实现方式中的第二网络。

在一种可能的实现方式中，待识别图像可以是医学影像，目标对象可以是医学影像中的组织器官。

该图像处理方法可应用于对医学影像中的组织器官进行划分，例如，医生在做放疗计划时，会拿到患者拍摄的医学影像，利用本公开提供的图像处理方法，可以快速准确得到医学影像中多个器官的勾画结果，如眼球、视神经、腮腺、脑干等等。医生因此能够很好的设计放射线照射路径，确保射线能够照射到肿瘤区域，同时避开所有头颈部重要的器官，最终肿瘤受到放射线照射被消除，而重要器官因被避开而没有受到影响。

在一种可能的实现方式中，所述图像处理方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图2示出根据本公开实施例的图像处理装置的框图，如图2所示，所述图像处理装置20包括：

第一更新单元21，用于利用源域和目标域中的第一样本图像，通过第二网络监督第一网络训练，更新所述第一网络的参数，得到所述第一网络的第一更新参数；

第二更新单元22，用于利用源域中带有标注的第二样本图像对所述第一网络进行训练，更新所述第一网络的参数，得到所述第一网络的第二更新参数；

第三更新单元23，用于根据所述第一网络的更新参数，更新所述第二网络的参数，所述更新参数包括：所述第一更新参数和所述第二更新参数；

迭代执行单元24，用于迭代执行上述步骤，直至所述第二网络的输出结果满足预定收敛条件，所述第二网络用于对图像进行处理。

在一种可能的实现方式中，所述第一更新单元21，用于将所述第一样本图像分别输入到所述第一网络和所述第二网络中，得到所述第一网络输出的第一结果，以及所述第二网络输出的第二结果；利用所述第一结果相对于所述第二结果的损失，更新所述第一网络的参数。

在一种可能的实现方式中，所述第三更新单元23，用于根据更新得到的所述第一网络的更新参数的滑动平均值，更新所述第二网络的参数。

在一种可能的实现方式中，所述第三更新单元23，用于确定所述第一网络的更新参数与所述第二网络的参数的加权平均值，所述第一网络的更新参数的权重小于所述第二网络的参数的权重；利用所述加权平均值更新所述第二网络的参数。

在一种可能的实现方式中，所述方法还包括：

归一化单元，用于对所述源域和目标域中的样本图像进行归一化处理，得到第一样本图像；和/或，

分辨率调整单元，用于将所述源域和目标域中的样本图像的分辨率调整一致，得到图像分辨率统一的第一样本图像；和/或，

噪声单元，用于在所述源域和目标域中的样本图像中加入高斯噪声，得到第一样本图像。

在一种可能的实现方式中，所述源域和目标域的图像是由不同医学影像设备采集的医学影像；

所述第一网络和/或所述第二网络用于对所述医学影像中的目标对象进行识别，得到识别结果。

本公开实施例还提出了一种图像处理装置，包括：

识别单元，用于通过第二网络对待识别图像中的目标对象进行识别，得到所述目标对象在所述待识别图像中的区域；其中，所述第二网络包括本公开提供的图像处理装置中的第二网络。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图像处理方法的指令。

本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图像处理方法的操作。

电子设备可以被提供为终端、服务器或其它形态的设备。

图3示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图3，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图4示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图4，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (11)

1.一种图像处理方法，其特征在于，包括：

利用源域和目标域中的第一样本图像，通过第二网络监督第一网络训练，更新所述第一网络的参数，得到所述第一网络的第一更新参数；

利用源域中带有标注的第二样本图像对所述第一网络进行训练，更新所述第一网络的参数，得到所述第一网络的第二更新参数；

根据所述第一网络的更新参数，更新所述第二网络的参数，所述更新参数包括：所述第一更新参数和所述第二更新参数；

迭代执行上述步骤，直至所述第二网络的输出结果满足预定收敛条件，所述第二网络用于对图像进行处理。

2.根据权利要求1所述方法，其特征在于，所述利用源域和目标域中的第一样本图像，通过第二网络监督第一网络训练，更新所述第一网络的参数，包括：

将所述第一样本图像分别输入到所述第一网络和所述第二网络中，得到所述第一网络输出的第一结果，以及所述第二网络输出的第二结果；

利用所述第一结果相对于所述第二结果的损失，更新所述第一网络的参数。

3.根据权利要求1或2任一所述方法，其特征在于，所述根据所述第一网络的更新参数，更新所述第二网络的参数，包括：

根据更新得到的所述第一网络的更新参数的滑动平均值，更新所述第二网络的参数。

4.根据权利要求1或2任一所述方法，其特征在于，所述根据所述第一网络的更新参数，更新所述第二网络的参数，包括：

确定所述第一网络的更新参数与所述第二网络的参数的加权平均值，所述第一网络的更新参数的权重小于所述第二网络的参数的权重；

利用所述加权平均值更新所述第二网络的参数。

5.根据权利要求1-4任一所述方法，其特征在于，在所述通过第二网络监督第一网络训练，更新所述第一网络的参数前，还包括：

对所述源域和目标域中的样本图像进行归一化处理，得到第一样本图像；和/或，

将所述源域和目标域中的样本图像的分辨率调整一致，得到图像分辨率统一的第一样本图像；和/或，

在所述源域和目标域中的样本图像中加入高斯噪声，得到第一样本图像。

6.根据权利要求1-5任一所述方法，其特征在于，所述源域和目标域的图像是由不同医学影像设备采集的医学影像；

所述第一网络和/或所述第二网络用于对所述医学影像中的目标对象进行识别，得到识别结果。

7.一种图像处理方法，其特征在于，包括：

通过第二网络对待识别图像中的目标对象进行识别，得到所述目标对象在所述待识别图像中的区域；

其中，所述第二网络包括权利要求1至6中任一项所述方法中的第二网络。

8.一种图像处理装置，其特征在于，包括：

第一更新单元，用于利用源域和目标域中的第一样本图像，通过第二网络监督第一网络训练，更新所述第一网络的参数，得到所述第一网络的第一更新参数；

第二更新单元，用于利用源域中带有标注的第二样本图像对所述第一网络进行训练，更新所述第一网络的参数，得到所述第一网络的第二更新参数；

第三更新单元，用于根据所述第一网络的更新参数，更新所述第二网络的参数，所述更新参数包括：所述第一更新参数和所述第二更新参数；

迭代执行单元，用于迭代执行上述步骤，直至所述第二网络的输出结果满足预定收敛条件，所述第二网络用于对图像进行处理。

9.一种图像处理装置，其特征在于，包括：

识别单元，用于通过第二网络对待识别图像中的目标对象进行识别，得到所述目标对象在所述待识别图像中的区域；其中，所述第二网络包括权利要求8中所述装置中的第二网络。

10.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。

11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。

Images