CN113569873B - 一种图像的处理方法、装置及设备 - Google Patents

一种图像的处理方法、装置及设备 Download PDF

Info

Publication number
CN113569873B
CN113569873B CN202110953209.XA CN202110953209A CN113569873B CN 113569873 B CN113569873 B CN 113569873B CN 202110953209 A CN202110953209 A CN 202110953209A CN 113569873 B CN113569873 B CN 113569873B
Authority
CN
China
Prior art keywords
image
downsampled
neural network
network model
processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110953209.XA
Other languages
English (en)
Other versions
CN113569873A (zh
Inventor
唐董琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202110953209.XA priority Critical patent/CN113569873B/zh
Publication of CN113569873A publication Critical patent/CN113569873A/zh
Application granted granted Critical
Publication of CN113569873B publication Critical patent/CN113569873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本说明书实施例公开了一种图像的处理方法、装置及设备，所述方法包括：获取待检测的目标图像和包含预设风险元素的第一图像；分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像；对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像；对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。

Description

一种图像的处理方法、装置及设备
技术领域
本文件涉及计算机技术领域，尤其涉及一种图像的处理方法、装置及设备。
背景技术
针对识别图像是否包含某种特定的风险元素的任务，常规的识别方式是通过预先设定的检测算法检测图像中是否含有该风险元素，然而，上述检测算法需要预先确定该风险元素所在的范围。此外，还可以通过预先训练模型的方式检测图像中是否含有该风险元素，但是，在此种方式下，如果该风险元素为新出现的风险元素，则通过上述模型无法识别该新出现的风险元素，而在很多业务场景下，经常会出现新的风险元素，为此，需要提供一种更优的风险元素识别机制，以适应开放式的风险元素识别任务。
发明内容
本说明书实施例的目的是提供一种更优的风险元素识别机制，以适应开放式的风险元素识别任务。
为了实现上述技术方案，本说明书实施例是这样实现的：
本说明书实施例提供的一种图像的处理方法，所述方法包括：获取待检测的目标图像和包含预设风险元素的第一图像。分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像。对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像。对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
本说明书实施例提供的一种图像的处理方法，应用于区块链系统，所述方法包括：获取对图像进行预设风险元素检测的风险检测规则，并基于所述风险检测规则生成相应的第一智能合约，将所述第一智能合约部署于所述区块链系统中。获取待检测的目标图像，并基于所述第一智能合约获取包含预设风险元素的第一图像。基于所述第一智能合约执行下述处理：分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像。对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像。对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
本说明书实施例提供的一种图像的处理装置，所述装置包括：图像获取模块，获取待检测的目标图像和包含预设风险元素的第一图像。下采样模块，分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像。融合模块，对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像。上采样模块，对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
本说明书实施例提供的一种图像的处理装置，所述装置为区块链系统中的装置，所述装置包括：第一合约部署模块，获取对图像进行预设风险元素检测的风险检测规则，并基于所述风险检测规则生成相应的第一智能合约，将所述第一智能合约部署于所述区块链系统中。图像获取模块，获取待检测的目标图像，并基于所述第一智能合约获取包含预设风险元素的第一图像。第一处理模块，基于所述第一智能合约分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像。第二处理模块，基于所述第一智能合约对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像。第三处理模块，基于所述第一智能合约对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
本说明书实施例提供的一种图像的处理设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取待检测的目标图像和包含预设风险元素的第一图像。分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像。对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像。对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
本说明书实施例提供的一种图像的处理设备，所述设备为区块链系统中的设备，所述设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取对图像进行预设风险元素检测的风险检测规则，并基于所述风险检测规则生成相应的第一智能合约，将所述第一智能合约部署于所述区块链系统中。获取待检测的目标图像，并基于所述第一智能合约获取包含预设风险元素的第一图像。基于所述第一智能合约执行下述处理：分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像。对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像。对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
本说明书实施例还提供了一种存储介质，其中，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：获取待检测的目标图像和包含预设风险元素的第一图像。分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像。对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像。对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
本说明书实施例还提供了一种存储介质，其中，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：获取对图像进行预设风险元素检测的风险检测规则，并基于所述风险检测规则生成相应的第一智能合约，将所述第一智能合约部署于所述区块链系统中。获取待检测的目标图像，并基于所述第一智能合约获取包含预设风险元素的第一图像。基于所述第一智能合约执行下述处理：分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像。对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像。对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书一种图像的处理方法实施例；
图2为本说明书一种图像的处理过程的示意图；
图3为本说明书另一种图像的处理方法实施例；
图4A为本说明书又一种图像的处理方法实施例；
图4B为本说明书另一种图像的处理过程示意图；
图5为本说明书又一种图像的处理过程示意图；
图6为本说明书一种图像的处理装置实施例；
图7为本说明书另一种图像的处理装置实施例；
图8为本说明书一种图像的处理设备实施例。
具体实施方式
本说明书实施例提供一种图像的处理方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
实施例一
如图1所示，本说明书实施例提供一种图像的处理方法，该方法的执行主体可以为服务器，其中，服务器可以是某项业务(如进行交易的业务或金融业务等)的服务器，具体如，该服务器可以是支付业务的服务器，也可以是与金融或即时通讯等相关业务的服务器等。该方法具体可以包括以下步骤：
在步骤S102中，获取待检测的目标图像和包含预设风险元素的第一图像。
其中，目标图像可以是包含任意风险元素的图像，例如，可以是包括预设违禁词语的图像，或者，也可以是包括预设的敏感图案或图形的图像，或者，还可以是包括某服装或装饰品的图像等，具体可以根据实际情况设定，本说明书实施例对此不做限定。风险元素可以是可能存在某种风险的元素，例如，某词语(如某用户的姓名等)、某国家或区域的代表旗帜或该旗帜上的某图案或图形或其它形式的标志物或Logo等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在实施中，针对识别图像是否包含某种特定的风险元素的任务，常规的识别方式是通过预先设定的检测算法检测图像中是否含有该风险元素，然而，上述检测算法需要预先确定该风险元素所在的范围。此外，还可以通过预先训练模型的方式检测图像中是否含有该风险元素，但是，在此种方式下，如果该风险元素为新出现的风险元素，则通过上述模型无法识别该新出现的风险元素，而在很多业务场景下，经常会出现新的风险元素，为此，需要提供一种更优的风险元素识别机制，以适应开放式的风险元素识别任务。本说明书实施例提供一种可实现的处理方式，具体可以包括以下内容：
可以通过多种不同的方式获取待检测的目标图像，例如，如果用户需要发表某图像(如向某论坛发表该图像，或者，向微博发表该图像，或者，向某好友发送该图像等)，用户可以启动其使用的终端设备中安装的相应的应用程序，该应用程序中可以设置有图像上传入口和相应的触发按键，此时，用户可以点击其中的“上传”按键，终端设备可以启动查找功能，用户可以通过该查找功能查找需要发表的图像，查找到该图像后，终端设备可以获取该图像的相关信息，当用户点击其中的“确定”按键或“发表”按键时，终端设备可以基于上述相关信息获取该图像，并可以将该图像发送给相应的服务器。服务器可以接收该图像，并可以将该图像作为待检测的目标图像。或者，也可以通过其它方式获取待检测的目标图像，例如，可以对某组织或企业中的人员输出的图像进行合规检测，具体处理过程可以与上述处理类似，在此不再赘述。除了可以通过上述方式获取待检测的目标图像外，还可以通过其它多种不同的方式实现，具体可以根据实际情况设定。
此外，为了对待检测的目标图像进中是否包含风险元素进行准确检测，可以预先设置风险元素的图像库，该图像库中可以存储有多种不同的风险元素的图像，其中可以包括常见的风险元素(即出现的时长已超过预设时长阈值的风险元素)的图像，也可以包括近期新增加的风险元素(即距离当前时刻的时长在预设时长以内的时间点增加的风险元素，如最近7天内增加的风险元素或最近1天内增加的风险元素等)。通过上述方式得到待检测的目标图像后，为了检测目标图像中是否包含风险元素，可以从上述图像库中随机获取一个或多个包含风险元素的第一图像，或者，也可以对该目标图像的上下文进行分析，从而确定目标图像中可能会包含的风险元素，然后，可以基于分析结果，从上述图像库中获取相对应的风险元素的第一图像，例如，通过对目标图像的上下文进行分析，确定目标图像中可能包含的风险元素为元素1、元素2和元素3，则可以从图像库中分别获取包含元素1的第一图像、包含元素2的第一图像和包含元素3的第一图像。
在步骤S104中，分别对目标图像和第一图像进行下采样处理，得到目标图像对应的下采样图像和第一图像对应的下采样图像。
其中，下采样处理(或也可以称为降采样处理)可以用于缩小图像，例如，某图像的尺寸为M×N，如果对其进行s倍下采样处理，则可以得到尺寸为(M/s)×(N/s)的图像。
在实施中，可以预先设定下采样算法，该下采样算法可以包括多种，例如随机下采样算法或借助某机器学习模型(如卷积神经网络模型等)进行下采样处理等，具体可以根据实际情况设定，本说明书实施例对此不做限定。然后，可以采用上述设定的下采样算法对目标图像进行下采样处理，从而从目标图像中提取多尺度的图像特征，得到一个或多个不同的目标图像对应的下采样图像，同样的，还可以采用上述设定的下采样算法对第一图像进行下采样处理，从而从第一图像中提取多尺度的图像特征，得到一个或多个不同的第一图像对应的下采样图像。
在步骤S106中，对目标图像对应的下采样图像和第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像。
在实施中，可以将第一图像中提取的图像特征(即第一图像对应的下采样图像)作为“条件特征”，然后，与目标图像中提取的图像特征(即目标图像对应的下采样图像)进行多尺度的图像融合处理，如图2中的左侧部分所示，目标图像从左到右依次进行了5次下采样处理，分别得到了5个目标图像对应的下采样图像，相应的，第一图像从左到右依次进行了5次下采样处理，分别得到了5个第一图像对应的下采样图像，在实际应用中，为了使得后续处理更简单高效，5个目标图像对应的下采样图像包含的图像尺寸与5个第一图像对应的下采样图像包含的图像尺寸相同，或者，两者满足一定的比例关系等，例如，5个目标图像对应的下采样图像包含的图像尺寸包括1×1、3×3、5×5、7×7和9×9，则5个第一图像对应的下采样图像包含的图像尺寸也可以包括1×1、3×3、5×5、7×7和9×9等。可以对5个目标图像对应的下采样图像和5个第一图像对应的下采样图像进行分析，将两部分中相同尺寸的下采样图像进行标记，可以将两个部分中相同标记的下采样图像进行图像融合处理，得到融合后的下采样图像
在步骤S108中，对融合后的下采样图像进行上采样处理，得到语义分割图像，并确定语义分割图像中是否包括预设风险元素。
其中，上采样处理可以是(或也可以称为图像插值处理)可以用于放大图像，可以将低分辨率的图像转换为高分辨率的图像。上采样算法可以包括多种，例如基于插值法的上采样算法、基于反卷积的上采样算法和基于反池化的上采样算法等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在实施中，如图2右侧所示，可以预先设定上采样算法。然后，可以采用上述设定的上采样算法对融合后的下采样图像进行上采样处理，从而对融合后的下采样图像进行语义分割，得到语义分割图像。例如，可以采用最近邻插值法的上采样算法，将距离待插值点最近的已知点的值赋给待插值的点，即可以直接计算输出像素映射到输入图像坐标系下的点和近邻的多个点之间的距离，可以获取距离待插值点最近的像素点的颜色值(或灰度值)赋给待插值点，通过上述方式，可以得到与目标图像相同尺寸的语义分割图像。
可以通过图像识别等方式识别出语义分割图像中是否包含预设风险元素，如果包含，则表明目标图像存在风险，此时，可以通过预设的图像处理机制等对目标图像中包含的预设风险元素进行处理，从而将预设风险元素从目标图像中消失，具体如，可以将目标图像中包含的预设风险元素涂抹，或者，可以使用其它预设元素将目标图像中包含的预设风险元素替换等，具体可以根据实际情况设定，或者，还可以拒绝用户发布目标图像等。如果不包含，则可以获取图像库中的另一种风险元素重复执行上述处理，直到确定目标图像中包含某一种风险元素，或直到图像库中的风险元素均完成上述检测为止。
本说明书实施例提供一种图像的处理方法，在获取到待检测的目标图像和包含预设风险元素的第一图像后，可以分别对目标图像和第一图像进行下采样处理，得到目标图像对应的下采样图像和第一图像对应的下采样图像，然后，对目标图像对应的下采样图像和第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像，再通过对融合后的下采样图像进行上采样处理，得到语义分割图像，进而确定语义分割图像中是否包括预设风险元素，从而通过将图像中的风险元素识别任务转换为“条件查询”的方式，通过将待识别图像和风险元素共同抽取特征、将两者进行多尺度融合后再进行语义分割的方式，可以较好地判断图像中是否包含风险元素，并且可以分割出图像中风险元素所在的区域，由于上述方式基于条件查询的方式实现，对于新出现的风险元素，上述方式仍然能够很好地对其进行识别，可以适用于开放式的元素识别任务。
实施例二
如图3所示，本说明书实施例提供一种图像的处理方法，该方法的执行主体可以为服务器，其中，服务器可以是某项业务(如进行交易的业务或金融业务等)的服务器，具体如，该服务器可以是支付业务的服务器，也可以是与金融或即时通讯等相关业务的服务器等。该方法具体可以包括以下步骤：
在步骤S302中，构建神经网络模型的模型架构，该模型架构中包括待确定的模型参数。
其中，该神经网络模型可以为全卷积网络(Fully Convolutional Networks，FCN)模型。全卷积网络模型的网络结构可以分为两个部分，即全卷积部分和反卷积部分，其中，全卷积部分可以与CNN模型(如AlexNet、VGG、GoogLeNet等)类似，并把CNN模型中最后的全连接层替换为卷积层，用于提取特征，形成热点图，反卷积部分则是用于将小尺寸的热点图进行上采样处理得到与输入图像尺寸相同的语义分割图像。模型参数可以包括多种，不同的模型，其模型参数可以不同，该模型参数可以分布于神经网络模型中的任意位置，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在实施中，为了简化后续处理过程、提高图像处理效率，可以预先构建并训练神经网络模型，通过该神经网络模型对相应的图像进行处理，具体地，可以根据实际情况构建相应的神经网络模型的模型架构，此外，还可以将为神经网络模型设置两个分支，其中一个分支可以是条件分支(即条件子模型)，可以用于对图像进行下采样处理，以得到相应的图像特征(包括作为“条件特征”的图像特征)等，基于此，条件分支中可以包括卷积层和池化层等，条件分支中包含的卷积层和池化层的数量可以根据实际情况设定，以及涉及的卷积核的大小也可以根据实际情况设定，具体如，可以包括2个卷积核为3x3的卷积层和1个2x2的池化层等。另一个分支可以是语义分割分支(即语义分割子模型)，可以用于对得到的图像进行上采样处理，使得得到的图像恢复到与输入的图像相同的尺寸，从而可以对每个像素进行相应的预测，同时保留原始输入图像中的空间信息，最后在上采样处理得到的特征图像上进行逐像素分类，基于此，语义分割分支可以包括卷积层和上采样层等，语义分割分支中包含的卷积层和上采样层的数量可以根据实际情况设定，以及涉及的卷积核的大小也可以根据实际情况设定，具体如，可以包括2个卷积核为3x3的卷积层和1个2x2的上采样层等。模型参数可以位于条件分支中，也可以位于语义分割分支中，还可以分别位于条件分支和语义分割分支中。
在步骤S304中，获取多个包含不同预设风险元素的第一图像样本，并获取多个不同的第二图像样本，多个不同的第二图像样本中包括设置有预设风险元素的第二图像样本和/或未设置有预设风险元素的第二图像样本。
在实施中，可以通过多种不同的方式获取多个包括不同预设风险元素的第一图像样本和多个不同的第二图像样本，例如，可以分别从多个不同的用户处购买包括不同预设风险元素的图像，以及不包括预设风险元素的图像等，可以将上述购买的图像作为图像样本(即第一图像样本和第二图像样本)等，或者，可以通过网络爬虫从指定的局域网中爬取包含不同预设风险元素的图像和不包含预设风险元素的图像，并可以将上述爬取的图像作为图像样本(即第一图像样本和第二图像样本)等。其中，多个不同的第二图像样本中可以包括设置有预设风险元素的第二图像样本和/或未设置有预设风险元素的第二图像样本。
在步骤S306中，分别将第一图像样本和第二图像样本输入到神经网络模型中，以通过神经网络模型中的条件子模型对第一图像样本和第二图像样本进行下采样处理，得到第一图像样本对应的下采样图像和第二图像样本对应的下采样图像。
在实施中，为了提取图像样本中包含的图像特征，可以采用下采样的方式进行特征提取，基于此，可以使用上述神经网络模型中的条件子模型实现下采样处理，为此，可以将第一图像样本输入到神经网络模型中，通过该神经网络模型中的条件子模型对第一图像样本进行下采样处理，从而将第一图像样本中的图像特征提取出来，得到第一图像样本对应的下采样图像(即第一图像样本对应的图像特征)，由于第一图像样本是包括预设风险元素的图像样本，因此，上述得到的第一图像样本对应的下采样图像(即第一图像样本对应的图像特征)可以作为检测第二图像样本中是否包含预设风险元素的条件特征。同样的，可以将第二图像样本输入到神经网络模型中，通过该神经网络模型中的条件子模型对第二图像样本进行下采样处理，从而将第二图像样本中的图像特征提取出来，得到第二图像样本对应的下采样图像(即第二图像样本对应的图像特征)。
在步骤S308中，对第一图像样本对应的下采样图像和第二图像样本对应的下采样图像进行融合处理，得到融合后的下采样图像样本。
在步骤S310中，将融合后的下采样图像样本输入到神经网络模型中，以通过神经网络模型中的语义分割子模型对融合后的下采样图像样本进行上采样处理，得到语义分割图像样本，以基于语义分割图像样本、第一图像样本和第二图像样本确定模型参数。
在实施中，为了判断第二图像样本中是否包含预设风险元素，可以对上述融合图像进行语义分割处理，可以采用上采样的方式进行语义分割，基于此，可以使用上述神经网络模型中的语义分割子模型实现上采样处理，为此，可以将融合后的下采样图像样本输入到神经网络模型中，通过该神经网络模型中的语义分割子模型对融合后的下采样图像样本进行上采样处理，从而将融合后的下采样图像样本的尺寸恢复到相应的第二图像样本的尺寸，得到语义分割图像样本。然后，可以基于语义分割图像样本、第一图像样本和第二图像样本，以及预设的损失函数等，得到一个或多个不同的方程，可以将上述方程构成方程组，对该方程组进行求解，得到相应的模型参数。通过多次计算，最终可以得到较准确的模型参数，可以将得到的模型参数输入神经网络模型中，从而得到完整的神经网络模型(如全卷积网络FCN模型等)。
在步骤S312中，获取待检测的目标图像和包含预设风险元素的第一图像。
在步骤S314中，分别将目标图像和第一图像输入到预先训练的神经网络模型中，以通过神经网络模型中的条件子模型对目标图像和第一图像进行下采样处理，得到目标图像对应的下采样图像和第一图像对应的下采样图像。
在步骤S316中，对目标图像对应的下采样图像和第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像。
在步骤S318中，将融合后的下采样图像输入到神经网络模型中，以通过神经网络模型中的语义分割子模型对融合后的下采样图像进行上采样处理，得到语义分割图像。
在步骤S320中，对语义分割图像中包含的每个像素进行分类，得到每个像素对应的类别。
在实施中，可以预先设定分类算法，例如k-近邻算法、贝叶斯分类算法或决策树算法等，然后，可以使用上述分类算法对语义分割图像中包含的每个像素进行分类，最终可以得到每个像素对应的类别。
上述步骤S320的处理可以多种多样，以下再提供一种可选的处理方式，具体可以包括以下内容：基于预设的二分类算法对语义分割图像中包含的每个像素进行分类，得到每个像素对应的类别
其中，二分类算法可以包括线性回归算法、支持向量机算法等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在步骤S322中，基于每个像素对应的类别，确定语义分割图像中是否包括预设风险元素。
在实施中，可以基于每个像素对应的类别，将相同类别的像素划分为一组，最终可以得到多个不同的像素组。获取每个像素组中的像素所在的区域，如果该区域为连续分布的区域，则可以确定该区域中包括预设风险元素。
本说明书实施例提供一种图像的处理方法，在获取到待检测的目标图像和包含预设风险元素的第一图像后，可以分别对目标图像和第一图像进行下采样处理，得到目标图像对应的下采样图像和第一图像对应的下采样图像，然后，对目标图像对应的下采样图像和第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像，再通过对融合后的下采样图像进行上采样处理，得到语义分割图像，进而确定语义分割图像中是否包括预设风险元素，从而通过将图像中的风险元素识别任务转换为“条件查询”的方式，通过将待识别图像和风险元素共同抽取特征、将两者进行多尺度融合后再进行语义分割的方式，可以较好地判断图像中是否包含风险元素，并且可以分割出图像中风险元素所在的区域，由于上述方式基于条件查询的方式实现，对于新出现的风险元素，上述方式仍然能够很好地对其进行识别，可以适用于开放式的元素识别任务。
实施例三
如图4A和图4B所示，本说明书实施例提供一种图像的处理方法，该方法的执行主体可以为区块链系统，该区块链系统可以由终端设备或服务器等组成，其中，终端设备可以如手机、平板电脑等移动终端设备，还可以如个人计算机等设备。该服务器可以是一个独立的服务器，还可以是由多个服务器构成的服务器集群等。该方法具体可以包括以下步骤：
在步骤S402中，获取对图像进行预设风险元素检测的风险检测规则，并基于该风险检测规则生成相应的第一智能合约，将第一智能合约部署于区块链系统中。
其中，第一智能合约可以是一种旨在以信息化方式传播、验证或执行合同的计算机协议，第一智能合约允许在没有第三方的情况下进行可信交互，进行的上述交互过程可追踪且不可逆转，第一智能合约中包括合约参与方可以在上面执行合约参与方同意的权利和义务的协议。该风险检测规则可以中包括对图像进行下采样、图像融合和上采样处理的规则信息等。
在实施中，为了使得图像风险检测的可追溯性更好，可以创建或加入指定的区块链系统，这样，可以基于区块链系统对图像中是否包含预设风险元素进行检测和处理，具体地，区块链节点中可以安装有相应的应用程序，该应用程序中可以设置有对图像进行预设风险元素检测的风险检测规则的输入框和/或选择框等，可以在上述输入框和/或选择框中设置相应的信息。然后，区块链系统可以接收对图像进行预设风险元素检测的风险检测规则。区块链系统可以基于对图像进行预设风险元素检测的风险检测规则生成相应的第一智能合约，并可以向该区块链系统中部署该第一智能合约，这样，区块链系统中存储了对图像进行预设风险元素检测的风险检测规则和相应的智能合约，其他用户无法篡改该对图像进行预设风险元素检测的风险检测规则和相应的智能合约，而且，区块链系统通过第一智能合约对图像进行预设风险元素检测。
在步骤S404中，获取待检测的目标图像，并基于第一智能合约获取包含预设风险元素的第一图像。
在步骤S406中，基于第一智能合约分别对目标图像和第一图像进行下采样处理，得到目标图像对应的下采样图像和第一图像对应的下采样图像。
在实施中，第一智能合约中可以包括对图像进行下采样处理的规则信息，可以基于该规则信息分别对目标图像和第一图像进行下采样处理，得到目标图像对应的下采样图像和第一图像对应的下采样图像，具体可以参见上述相关内容，在此不再赘述。
在步骤S408中，基于第一智能合约对目标图像对应的下采样图像和第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像。
在实施中，第一智能合约中可以包括对图像进行融合处理的规则信息，可以基于该规则信息对目标图像对应的下采样图像和第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像，具体可以参见上述相关内容，在此不再赘述。
在步骤S410中，基于第一智能合约对融合后的下采样图像进行上采样处理，得到语义分割图像，并确定语义分割图像中是否包括预设风险元素。
在实施中，第一智能合约中可以包括对图像进行上采样处理的规则信息，可以基于该规则信息对融合后的下采样图像进行上采样处理，得到语义分割图像，并确定语义分割图像中是否包括预设风险元素，具体可以参见上述相关内容，在此不再赘述。
本说明书实施例提供一种图像的处理方法，在获取到待检测的目标图像和包含预设风险元素的第一图像后，可以分别对目标图像和第一图像进行下采样处理，得到目标图像对应的下采样图像和第一图像对应的下采样图像，然后，对目标图像对应的下采样图像和第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像，再通过对融合后的下采样图像进行上采样处理，得到语义分割图像，进而确定语义分割图像中是否包括预设风险元素，从而通过将图像中的风险元素识别任务转换为“条件查询”的方式，通过将待识别图像和风险元素共同抽取特征、将两者进行多尺度融合后再进行语义分割的方式，可以较好地判断图像中是否包含风险元素，并且可以分割出图像中风险元素所在的区域，由于上述方式基于条件查询的方式实现，对于新出现的风险元素，上述方式仍然能够很好地对其进行识别，可以适用于开放式的元素识别任务。
此外，通过区块链系统和智能合约来实现图像中的风险元素识别，可以使得数据处理过程更加安全，数据的安全性能够得到保证，并且具有较强的数据处理的可追溯性。
实施例四
如图5所示，本说明书实施例提供一种图像的处理方法，该方法的执行主体可以为区块链系统，该区块链系统可以由终端设备或服务器等组成，其中，终端设备可以如手机、平板电脑等移动终端设备，还可以如个人计算机等设备。该服务器可以是一个独立的服务器，还可以是由多个服务器构成的服务器集群等。该方法具体可以包括以下步骤：
在步骤S502中，获取对图像进行预设风险元素检测的风险检测规则，并基于该风险检测规则生成相应的第一智能合约，将第一智能合约部署于区块链系统中。
在步骤S504中，获取待检测的目标图像，并基于第一智能合约获取包含预设风险元素的第一图像。
在实施中，可以基于第一智能合约从区块链系统中获取包含预设风险元素的第一图像，或者，可以基于第一智能合约从区块链系统之前的数据库中获取包含预设风险元素的第一图像等，具体可以根据实际情况设定。
在步骤S506中，基于第一智能合约获取预先训练的神经网络模型，该神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到。
在实施中，为了保护神经网络模型的安全性，可以将神经网络模型设置于区块链系统中，基于此，可以基于第一智能合约，从区块链系统中获取神经网络模型；或者，考虑到神经网络模型可能会进行不定时更新，而区块链系统具有防止数据被篡改的功能，因此，可以将神经网络模型设置于区块链系统之外的数据库中，而将神经网络模型在该数据库中的存储地址等索引信息上传至区块链系统中，基于此，可以基于第一智能合约，从区块链系统之外的数据库中获取神经网络模型，即基于第一智能合约，从区块链系统中获取神经网络模型的上述索引信息，基于该索引信息中记载的存储地址等信息，可以从区块链系统之外的数据库中获取神经网络模型等，具体可以根据实际情况设定。神经网络模型可以为全卷积网络模型。
其中，对于神经网络模型设置于区块链系统中的情况，可以通过下述步骤A2～步骤A12的处理方式实现：
在步骤A2中，获取神经网络模型的训练规则信息，并基于该训练规则信息生成第二智能合约，将第二智能合约不属于区块链系统中。
在步骤A4中，基于第二智能合约构建神经网络模型的模型架构，该模型架构中包括待确定的模型参数。
在步骤A6中，基于第二智能合约获取多个包含不同预设风险元素的第一图像样本，并获取多个不同的第二图像样本，多个不同的第二图像样本中包括设置有预设风险元素的第二图像样本和/或未设置有预设风险元素的第二图像样本。
在步骤A8中，基于第二智能合约分别将第一图像样本和第二图像样本输入到神经网络模型中，以通过神经网络模型中的条件子模型对第一图像样本和第二图像样本进行下采样处理，得到第一图像样本对应的下采样图像和第二图像样本对应的下采样图像。
在步骤A10中，基于第二智能合约对第一图像样本对应的下采样图像和第二图像样本对应的下采样图像进行融合处理，得到融合后的下采样图像样本。
在步骤A12中，基于第二智能合约将融合后的下采样图像样本输入到神经网络模型中，以通过神经网络模型中的语义分割子模型对融合后的下采样图像样本进行上采样处理，得到语义分割图像样本，以基于语义分割图像样本、第一图像样本和第二图像样本确定模型参数。
此外，对于神经网络模型设置于区块链系统之外的数据库中的情况，可以通过上述实施例二中的处理方式实现，在此不再赘述。
在步骤S508中，基于第一智能合约分别将目标图像和第一图像输入到神经网络模型中，以通过神经网络模型中的条件子模型对目标图像和第一图像进行下采样处理，得到目标图像对应的下采样图像和第一图像对应的下采样图像。
在步骤S510中，基于第一智能合约对目标图像对应的下采样图像和第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像。
在步骤S512中，基于第一智能合约将融合后的下采样图像输入到神经网络模型中，以通过神经网络模型中的语义分割子模型对融合后的下采样图像进行上采样处理，得到语义分割图像。
在步骤S514中，基于第一智能合约对语义分割图像中包含的每个像素进行分类，得到每个像素对应的类别。
其中上述步骤S514的处理还可以通过下述方式实现：基于第一智能合约和预设的二分类算法对语义分割图像中包含的每个像素进行分类，得到每个像素对应的类别。
在步骤S516中，基于第一智能合约和每个像素对应的类别，确定语义分割图像中是否包括预设风险元素。
本说明书实施例提供一种图像的处理方法，在获取到待检测的目标图像和包含预设风险元素的第一图像后，可以分别对目标图像和第一图像进行下采样处理，得到目标图像对应的下采样图像和第一图像对应的下采样图像，然后，对目标图像对应的下采样图像和第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像，再通过对融合后的下采样图像进行上采样处理，得到语义分割图像，进而确定语义分割图像中是否包括预设风险元素，从而通过将图像中的风险元素识别任务转换为“条件查询”的方式，通过将待识别图像和风险元素共同抽取特征、将两者进行多尺度融合后再进行语义分割的方式，可以较好地判断图像中是否包含风险元素，并且可以分割出图像中风险元素所在的区域，由于上述方式基于条件查询的方式实现，对于新出现的风险元素，上述方式仍然能够很好地对其进行识别，可以适用于开放式的元素识别任务。
此外，通过区块链系统和智能合约来实现图像中的风险元素识别，可以使得数据处理过程更加安全，数据的安全性能够得到保证，并且具有较强的数据处理的可追溯性。
实施例五
以上为本说明书实施例提供的图像的处理方法，基于同样的思路，本说明书实施例还提供一种图像的处理装置，如图6所示。
该图像的处理装置包括：图像获取模块601、下采样模块602、融合模块603和上采样模块604，其中：
图像获取模块601，获取待检测的目标图像和包含预设风险元素的第一图像；
下采样模块602，分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像；
融合模块603，对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像；
上采样模块604，对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
本说明书实施例中，所述下采样模块602，分别将所述目标图像和所述第一图像输入到预先训练的神经网络模型中，以通过所述神经网络模型中的条件子模型对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到。
本说明书实施例中，所述上采样模块604，将所述融合后的下采样图像输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像进行上采样处理，得到所述语义分割图像。
本说明书实施例中，所述神经网络模型为全卷积网络模型。
本说明书实施例中，所述装置还包括：
模型构建模块，构建所述神经网络模型的模型架构，所述模型架构中包括待确定的模型参数；
样本获取模块，获取多个包含不同预设风险元素的第一图像样本，并获取多个不同的第二图像样本，所述多个不同的第二图像样本中包括设置有所述预设风险元素的第二图像样本和/或未设置有所述预设风险元素的第二图像样本；
样本下采样模块，分别将所述第一图像样本和所述第二图像样本输入到所述神经网络模型中，以通过所述神经网络模型中的条件子模型对第一图像样本和所述第二图像样本进行下采样处理，得到所述第一图像样本对应的下采样图像和所述第二图像样本对应的下采样图像；
样本融合模块，对所述第一图像样本对应的下采样图像和所述第二图像样本对应的下采样图像进行融合处理，得到融合后的下采样图像样本；
样本上采样模块，将所述融合后的下采样图像样本输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像样本进行上采样处理，得到语义分割图像样本，以基于所述语义分割图像样本、所述第一图像样本和所述第二图像样本确定所述模型参数。
本说明书实施例中，所述上采样模块604，包括：
分类单元，对所述语义分割图像中包含的每个像素进行分类，得到每个像素对应的类别；
风险元素确定单元，基于每个像素对应的类别，确定所述语义分割图像中是否包括所述预设风险元素。
本说明书实施例中，所述分类单元，基于预设的二分类算法对所述语义分割图像中包含的每个像素进行分类，得到每个像素对应的类别。
本说明书实施例提供一种图像的处理装置，在获取到待检测的目标图像和包含预设风险元素的第一图像后，可以分别对目标图像和第一图像进行下采样处理，得到目标图像对应的下采样图像和第一图像对应的下采样图像，然后，对目标图像对应的下采样图像和第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像，再通过对融合后的下采样图像进行上采样处理，得到语义分割图像，进而确定语义分割图像中是否包括预设风险元素，从而通过将图像中的风险元素识别任务转换为“条件查询”的方式，通过将待识别图像和风险元素共同抽取特征、将两者进行多尺度融合后再进行语义分割的方式，可以较好地判断图像中是否包含风险元素，并且可以分割出图像中风险元素所在的区域，由于上述方式基于条件查询的方式实现，对于新出现的风险元素，上述方式仍然能够很好地对其进行识别，可以适用于开放式的元素识别任务。
实施例六
基于同样的思路，本说明书实施例还提供一种图像的处理装置，该装置为区块链系统中的装置，如图7所示。
该图像的处理装置包括：第一合约部署模块701、图像获取模块702、第一处理模块703、第二处理模块704和第三处理模块705，其中：
第一合约部署模块701，获取对图像进行预设风险元素检测的风险检测规则，并基于所述风险检测规则生成相应的第一智能合约，将所述第一智能合约部署于所述区块链系统中；
图像获取模块702，获取待检测的目标图像，并基于所述第一智能合约获取包含预设风险元素的第一图像；
第一处理模块703，基于所述第一智能合约分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像；
第二处理模块704，基于所述第一智能合约对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像；
第三处理模块705，基于所述第一智能合约对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
本说明书实施例中，所述第一处理模块703，包括；
模型获取单元，基于所述第一智能合约获取预先训练的神经网络模型，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；
第一处理单元，基于所述第一智能合约分别将所述目标图像和所述第一图像输入到所述神经网络模型中，以通过所述神经网络模型中的条件子模型对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像。
本说明书实施例中，所述第三处理模块705，包括：
模型获取单元，基于所述第一智能合约获取预先训练的神经网络模型，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；
第二处理单元，基于所述第一智能合约将所述融合后的下采样图像输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像进行上采样处理，得到所述语义分割图像。
本说明书实施例中，所述模型获取单元，基于所述第一智能合约，从所述区块链系统中获取神经网络模型；或，基于所述第一智能合约，从所述区块链系统之外的数据库中获取神经网络模型。
本说明书实施例中，所述神经网络模型为全卷积网络模型。
本说明书实施例中，所述装置还包括：
第二合约部署模块，获取神经网络模型的训练规则信息，并基于所述训练规则信息生成第二智能合约，将所述第二智能合约部署于所述区块链系统中；
模型构建模块，基于所述第二智能合约构建所述神经网络模型的模型架构，所述模型架构中包括待确定的模型参数；
样本获取模块，基于所述第二智能合约获取多个包含不同预设风险元素的第一图像样本，并获取多个不同的第二图像样本，所述多个不同的第二图像样本中包括设置有所述预设风险元素的第二图像样本和/或未设置有所述预设风险元素的第二图像样本；
下采样模块，基于所述第二智能合约分别将所述第一图像样本和所述第二图像样本输入到所述神经网络模型中，以通过所述神经网络模型中的条件子模型对第一图像样本和所述第二图像样本进行下采样处理，得到所述第一图像样本对应的下采样图像和所述第二图像样本对应的下采样图像；
融合模块，基于所述第二智能合约对所述第一图像样本对应的下采样图像和所述第二图像样本对应的下采样图像进行融合处理，得到融合后的下采样图像样本；
上采样模块，基于所述第二智能合约将所述融合后的下采样图像样本输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像样本进行上采样处理，得到语义分割图像样本，以基于所述语义分割图像样本、所述第一图像样本和所述第二图像样本确定所述模型参数。
本说明书实施例中，所述第三处理模块705，包括：
分类单元，基于所述第一智能合约对所述语义分割图像中包含的每个像素进行分类，得到每个像素对应的类别；
风险确定单元，基于所述第一智能合约和每个像素对应的类别，确定所述语义分割图像中是否包括所述预设风险元素。
本说明书实施例中，所述分类单元，基于所述第一智能合约和预设的二分类算法对所述语义分割图像中包含的每个像素进行分类，得到每个像素对应的类别。
本说明书实施例提供一种图像的处理装置，在获取到待检测的目标图像和包含预设风险元素的第一图像后，可以分别对目标图像和第一图像进行下采样处理，得到目标图像对应的下采样图像和第一图像对应的下采样图像，然后，对目标图像对应的下采样图像和第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像，再通过对融合后的下采样图像进行上采样处理，得到语义分割图像，进而确定语义分割图像中是否包括预设风险元素，从而通过将图像中的风险元素识别任务转换为“条件查询”的方式，通过将待识别图像和风险元素共同抽取特征、将两者进行多尺度融合后再进行语义分割的方式，可以较好地判断图像中是否包含风险元素，并且可以分割出图像中风险元素所在的区域，由于上述方式基于条件查询的方式实现，对于新出现的风险元素，上述方式仍然能够很好地对其进行识别，可以适用于开放式的元素识别任务。
此外，通过区块链系统和智能合约来实现图像中的风险元素识别，可以使得数据处理过程更加安全，数据的安全性能够得到保证，并且具有较强的数据处理的可追溯性。
实施例七
以上为本说明书实施例提供的图像的处理装置，基于同样的思路，本说明书实施例还提供一种图像的处理设备，如图8所示。
所述图像的处理设备可以为上述实施例提供的服务器或区块链系统中的设备等。
图像的处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器801和存储器802，存储器802中可以存储有一个或一个以上存储应用程序或数据。其中，存储器802可以是短暂存储或持久存储。存储在存储器802的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对图像的处理设备中的一系列计算机可执行指令。更进一步地，处理器801可以设置为与存储器802通信，在图像的处理设备上执行存储器802中的一系列计算机可执行指令。图像的处理设备还可以包括一个或一个以上电源803，一个或一个以上有线或无线网络接口804，一个或一个以上输入输出接口805，一个或一个以上键盘806。
具体在本实施例中，图像的处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对图像的处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
获取待检测的目标图像和包含预设风险元素的第一图像；
分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像；
对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像；
对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
本说明书实施例中，所述分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像，包括；
分别将所述目标图像和所述第一图像输入到预先训练的神经网络模型中，以通过所述神经网络模型中的条件子模型对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到。
本说明书实施例中，所述对所述融合后的下采样图像进行上采样处理，得到语义分割图像，包括：
将所述融合后的下采样图像输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像进行上采样处理，得到所述语义分割图像。
本说明书实施例中，所述神经网络模型为全卷积网络模型。
本说明书实施例中，还包括：
构建所述神经网络模型的模型架构，所述模型架构中包括待确定的模型参数；
获取多个包含不同预设风险元素的第一图像样本，并获取多个不同的第二图像样本，所述多个不同的第二图像样本中包括设置有所述预设风险元素的第二图像样本和/或未设置有所述预设风险元素的第二图像样本；
分别将所述第一图像样本和所述第二图像样本输入到所述神经网络模型中，以通过所述神经网络模型中的条件子模型对第一图像样本和所述第二图像样本进行下采样处理，得到所述第一图像样本对应的下采样图像和所述第二图像样本对应的下采样图像；
对所述第一图像样本对应的下采样图像和所述第二图像样本对应的下采样图像进行融合处理，得到融合后的下采样图像样本；
将所述融合后的下采样图像样本输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像样本进行上采样处理，得到语义分割图像样本，以基于所述语义分割图像样本、所述第一图像样本和所述第二图像样本确定所述模型参数。
本说明书实施例中，所述确定所述语义分割图像中是否包括所述预设风险元素，包括：
对所述语义分割图像中包含的每个像素进行分类，得到每个像素对应的类别；
基于每个像素对应的类别，确定所述语义分割图像中是否包括所述预设风险元素。
本说明书实施例中，所述对所述语义分割图像中包含的每个像素进行分类，得到每个像素对应的类别，包括：
基于预设的二分类算法对所述语义分割图像中包含的每个像素进行分类，得到每个像素对应的类别。
此外，具体在本实施例中，图像的处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对图像的处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
获取对图像进行预设风险元素检测的风险检测规则，并基于所述风险检测规则生成相应的第一智能合约，将所述第一智能合约部署于所述区块链系统中；
获取待检测的目标图像，并基于所述第一智能合约获取包含预设风险元素的第一图像；
基于所述第一智能合约执行下述处理：
分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像；
对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像；
对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
本说明书实施例中，基于所述第一智能合约分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像，包括；
基于所述第一智能合约获取预先训练的神经网络模型，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；
基于所述第一智能合约分别将所述目标图像和所述第一图像输入到所述神经网络模型中，以通过所述神经网络模型中的条件子模型对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像。
本说明书实施例中，基于所述第一智能合约对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素，包括：
基于所述第一智能合约获取预先训练的神经网络模型，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；
基于所述第一智能合约将所述融合后的下采样图像输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像进行上采样处理，得到所述语义分割图像。
本说明书实施例中，基于所述第一智能合约获取预先训练的神经网络模型，包括：
基于所述第一智能合约，从所述区块链系统中获取神经网络模型；或，
基于所述第一智能合约，从所述区块链系统之外的数据库中获取神经网络模型。
本说明书实施例提供一种图像的处理设备，在获取到待检测的目标图像和包含预设风险元素的第一图像后，可以分别对目标图像和第一图像进行下采样处理，得到目标图像对应的下采样图像和第一图像对应的下采样图像，然后，对目标图像对应的下采样图像和第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像，再通过对融合后的下采样图像进行上采样处理，得到语义分割图像，进而确定语义分割图像中是否包括预设风险元素，从而通过将图像中的风险元素识别任务转换为“条件查询”的方式，通过将待识别图像和风险元素共同抽取特征、将两者进行多尺度融合后再进行语义分割的方式，可以较好地判断图像中是否包含风险元素，并且可以分割出图像中风险元素所在的区域，由于上述方式基于条件查询的方式实现，对于新出现的风险元素，上述方式仍然能够很好地对其进行识别，可以适用于开放式的元素识别任务。
此外，通过区块链系统和智能合约来实现图像中的风险元素识别，可以使得数据处理过程更加安全，数据的安全性能够得到保证，并且具有较强的数据处理的可追溯性。
实施例八
进一步地，基于上述图1和图5所示的方法，本说明书一个或多个实施例还提供了一种存储介质，用于存储计算机可执行指令信息，一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：
获取待检测的目标图像和包含预设风险元素的第一图像；
分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像；
对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像；
对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
本说明书实施例中，所述分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像，包括；
分别将所述目标图像和所述第一图像输入到预先训练的神经网络模型中，以通过所述神经网络模型中的条件子模型对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到。
本说明书实施例中，所述对所述融合后的下采样图像进行上采样处理，得到语义分割图像，包括：
将所述融合后的下采样图像输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像进行上采样处理，得到所述语义分割图像。
本说明书实施例中，所述神经网络模型为全卷积网络模型。
本说明书实施例中，还包括：
构建所述神经网络模型的模型架构，所述模型架构中包括待确定的模型参数；
获取多个包含不同预设风险元素的第一图像样本，并获取多个不同的第二图像样本，所述多个不同的第二图像样本中包括设置有所述预设风险元素的第二图像样本和/或未设置有所述预设风险元素的第二图像样本；
分别将所述第一图像样本和所述第二图像样本输入到所述神经网络模型中，以通过所述神经网络模型中的条件子模型对第一图像样本和所述第二图像样本进行下采样处理，得到所述第一图像样本对应的下采样图像和所述第二图像样本对应的下采样图像；
对所述第一图像样本对应的下采样图像和所述第二图像样本对应的下采样图像进行融合处理，得到融合后的下采样图像样本；
将所述融合后的下采样图像样本输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像样本进行上采样处理，得到语义分割图像样本，以基于所述语义分割图像样本、所述第一图像样本和所述第二图像样本确定所述模型参数。
本说明书实施例中，所述确定所述语义分割图像中是否包括所述预设风险元素，包括：
对所述语义分割图像中包含的每个像素进行分类，得到每个像素对应的类别；
基于每个像素对应的类别，确定所述语义分割图像中是否包括所述预设风险元素。
本说明书实施例中，所述对所述语义分割图像中包含的每个像素进行分类，得到每个像素对应的类别，包括：
基于预设的二分类算法对所述语义分割图像中包含的每个像素进行分类，得到每个像素对应的类别。
在另一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：
获取对图像进行预设风险元素检测的风险检测规则，并基于所述风险检测规则生成相应的第一智能合约，将所述第一智能合约部署于所述区块链系统中；
获取待检测的目标图像，并基于所述第一智能合约获取包含预设风险元素的第一图像；
基于所述第一智能合约执行下述处理：
分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像；
对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像；
对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
本说明书实施例中，基于所述第一智能合约分别对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像，包括；
基于所述第一智能合约获取预先训练的神经网络模型，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；
基于所述第一智能合约分别将所述目标图像和所述第一图像输入到所述神经网络模型中，以通过所述神经网络模型中的条件子模型对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像。
本说明书实施例中，基于所述第一智能合约对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素，包括：
基于所述第一智能合约获取预先训练的神经网络模型，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；
基于所述第一智能合约将所述融合后的下采样图像输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像进行上采样处理，得到所述语义分割图像。
本说明书实施例中，基于所述第一智能合约获取预先训练的神经网络模型，包括：
基于所述第一智能合约，从所述区块链系统中获取神经网络模型；或，
基于所述第一智能合约，从所述区块链系统之外的数据库中获取神经网络模型。
本说明书实施例提供一种存储介质，在获取到待检测的目标图像和包含预设风险元素的第一图像后，可以分别对目标图像和第一图像进行下采样处理，得到目标图像对应的下采样图像和第一图像对应的下采样图像，然后，对目标图像对应的下采样图像和第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像，再通过对融合后的下采样图像进行上采样处理，得到语义分割图像，进而确定语义分割图像中是否包括预设风险元素，从而通过将图像中的风险元素识别任务转换为“条件查询”的方式，通过将待识别图像和风险元素共同抽取特征、将两者进行多尺度融合后再进行语义分割的方式，可以较好地判断图像中是否包含风险元素，并且可以分割出图像中风险元素所在的区域，由于上述方式基于条件查询的方式实现，对于新出现的风险元素，上述方式仍然能够很好地对其进行识别，可以适用于开放式的元素识别任务。
此外，通过区块链系统和智能合约来实现图像中的风险元素识别，可以使得数据处理过程更加安全，数据的安全性能够得到保证，并且具有较强的数据处理的可追溯性。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程欺诈案例的串并设备的处理器以产生一个机器，使得通过计算机或其他可编程欺诈案例的串并设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程欺诈案例的串并设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程欺诈案例的串并设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (13)

1.一种图像的处理方法，所述方法包括：
获取待检测的目标图像和包含预设风险元素的第一图像；
分别将所述目标图像和所述第一图像输入到预先训练的神经网络模型中，以通过所述神经网络模型中的条件子模型对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；
对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像；
将所述融合后的下采样图像输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
2.根据权利要求1所述的方法，所述神经网络模型为全卷积网络模型。
3.根据权利要求2所述的方法，所述方法还包括：
构建所述神经网络模型的模型架构，所述模型架构中包括待确定的模型参数；
获取多个包含不同预设风险元素的第一图像样本，并获取多个不同的第二图像样本，所述多个不同的第二图像样本中包括设置有所述预设风险元素的第二图像样本和/或未设置有所述预设风险元素的第二图像样本；
分别将所述第一图像样本和所述第二图像样本输入到所述神经网络模型中，以通过所述神经网络模型中的条件子模型对第一图像样本和所述第二图像样本进行下采样处理，得到所述第一图像样本对应的下采样图像和所述第二图像样本对应的下采样图像；
对所述第一图像样本对应的下采样图像和所述第二图像样本对应的下采样图像进行融合处理，得到融合后的下采样图像样本；
将所述融合后的下采样图像样本输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像样本进行上采样处理，得到语义分割图像样本，以基于所述语义分割图像样本、所述第一图像样本和所述第二图像样本确定所述模型参数。
4.根据权利要求1所述的方法，所述确定所述语义分割图像中是否包括所述预设风险元素，包括：
对所述语义分割图像中包含的每个像素进行分类，得到每个像素对应的类别；
基于每个像素对应的类别，确定所述语义分割图像中是否包括所述预设风险元素。
5.根据权利要求4所述的方法，所述对所述语义分割图像中包含的每个像素进行分类，得到每个像素对应的类别，包括：
基于预设的二分类算法对所述语义分割图像中包含的每个像素进行分类，得到每个像素对应的类别。
6.一种图像的处理方法，应用于区块链系统，所述方法包括：
获取对图像进行预设风险元素检测的风险检测规则，并基于所述风险检测规则生成相应的第一智能合约，将所述第一智能合约部署于所述区块链系统中；
获取待检测的目标图像，并基于所述第一智能合约获取包含预设风险元素的第一图像；
基于所述第一智能合约执行下述处理：
获取预先训练的神经网络模型，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；
分别将所述目标图像和所述第一图像输入到所述神经网络模型中，以通过所述神经网络模型中的条件子模型对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像；
对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像；
获取预先训练的神经网络模型，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；
将所述融合后的下采样图像输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像进行上采样处理，得到语义分割图像。
7.根据权利要求6所述的方法，基于所述第一智能合约获取预先训练的神经网络模型，包括：
基于所述第一智能合约，从所述区块链系统中获取神经网络模型；或，
基于所述第一智能合约，从所述区块链系统之外的数据库中获取神经网络模型。
8.一种图像的处理装置，所述装置包括：
图像获取模块，获取待检测的目标图像和包含预设风险元素的第一图像；
下采样模块，分别将所述目标图像和所述第一图像输入到预先训练的神经网络模型中，以通过所述神经网络模型中的条件子模型对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；
融合模块，对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像；
上采样模块，将所述融合后的下采样图像输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
9.一种图像的处理装置，所述装置为区块链系统中的装置，所述装置包括：
第一合约部署模块，获取对图像进行预设风险元素检测的风险检测规则，并基于所述风险检测规则生成相应的第一智能合约，将所述第一智能合约部署于所述区块链系统中；
图像获取模块，获取待检测的目标图像，并基于所述第一智能合约获取包含预设风险元素的第一图像；
第一处理模块，基于所述第一智能合约获取预先训练的神经网络模型，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；基于所述第一智能合约分别将所述目标图像和所述第一图像输入到所述神经网络模型中，以通过所述神经网络模型中的条件子模型对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像；
第二处理模块，基于所述第一智能合约对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像；
第三处理模块，基于所述第一智能合约获取预先训练的神经网络模型，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；基于所述第一智能合约将所述融合后的下采样图像输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像进行上采样处理，得到语义分割图像。
10.一种图像的处理设备，所述图像的处理设备包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取待检测的目标图像和包含预设风险元素的第一图像；
分别将所述目标图像和所述第一图像输入到预先训练的神经网络模型中，以通过所述神经网络模型中的条件子模型对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；
对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像；
将所述融合后的下采样图像输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
11.一种图像的处理设备，所述设备为区块链系统中的设备，所述图像的处理设备包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取对图像进行预设风险元素检测的风险检测规则，并基于所述风险检测规则生成相应的第一智能合约，将所述第一智能合约部署于所述区块链系统中；
获取待检测的目标图像，并基于所述第一智能合约获取包含预设风险元素的第一图像；
基于所述第一智能合约执行下述处理：
获取预先训练的神经网络模型，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；
分别将所述目标图像和所述第一图像输入到所述神经网络模型中，以通过所述神经网络模型中的条件子模型对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像；
对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像；
获取预先训练的神经网络模型，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；
将所述融合后的下采样图像输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像进行上采样处理，得到语义分割图像。
12.一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：
获取待检测的目标图像和包含预设风险元素的第一图像；
分别将所述目标图像和所述第一图像输入到预先训练的神经网络模型中，以通过所述神经网络模型中的条件子模型对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；
对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像；
将所述融合后的下采样图像输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像进行上采样处理，得到语义分割图像，并确定所述语义分割图像中是否包括所述预设风险元素。
13.一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：
获取对图像进行预设风险元素检测的风险检测规则，并基于所述风险检测规则生成相应的第一智能合约，将所述第一智能合约部署于区块链系统中；
获取待检测的目标图像，并基于所述第一智能合约获取包含预设风险元素的第一图像；
基于所述第一智能合约执行下述处理：
获取预先训练的神经网络模型，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；
分别将所述目标图像和所述第一图像输入到所述神经网络模型中，以通过所述神经网络模型中的条件子模型对所述目标图像和所述第一图像进行下采样处理，得到所述目标图像对应的下采样图像和所述第一图像对应的下采样图像；
对所述目标图像对应的下采样图像和所述第一图像对应的下采样图像进行图像融合处理，得到融合后的下采样图像；
获取预先训练的神经网络模型，所述神经网络模型是通过包含预设风险元素的第一图像样本和预先获取的第二图像样本进行模型训练后得到；
将所述融合后的下采样图像输入到所述神经网络模型中，以通过所述神经网络模型中的语义分割子模型对所述融合后的下采样图像进行上采样处理，得到语义分割图像。
CN202110953209.XA 2021-08-19 2021-08-19 一种图像的处理方法、装置及设备 Active CN113569873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110953209.XA CN113569873B (zh) 2021-08-19 2021-08-19 一种图像的处理方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110953209.XA CN113569873B (zh) 2021-08-19 2021-08-19 一种图像的处理方法、装置及设备

Publications (2)

Publication Number Publication Date
CN113569873A CN113569873A (zh) 2021-10-29
CN113569873B true CN113569873B (zh) 2024-03-29

Family

ID=78172110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110953209.XA Active CN113569873B (zh) 2021-08-19 2021-08-19 一种图像的处理方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113569873B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241268B (zh) * 2021-12-21 2024-09-03 支付宝(杭州)信息技术有限公司 一种模型的训练方法、装置及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106553655A (zh) * 2016-12-02 2017-04-05 深圳地平线机器人科技有限公司 危险车辆检测方法和系统以及包括该系统的车辆
CN110033003A (zh) * 2019-03-01 2019-07-19 华为技术有限公司 图像分割方法和图像处理装置
CN111062252A (zh) * 2019-11-15 2020-04-24 浙江大华技术股份有限公司 一种实时危险物品语义分割方法、装置及存储装置
CN111324764A (zh) * 2020-02-18 2020-06-23 北京金山安全软件有限公司 一种图像检测方法、装置、电子设备及存储介质
CN112598676A (zh) * 2020-12-29 2021-04-02 北京市商汤科技开发有限公司 图像分割方法及装置、电子设备和存储介质
CN112733919A (zh) * 2020-12-31 2021-04-30 山东师范大学 基于空洞卷积和多尺度多分支的图像语义分割方法及系统
WO2021114916A1 (zh) * 2019-12-13 2021-06-17 支付宝(杭州)信息技术有限公司 风险检测方法、装置及设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106553655A (zh) * 2016-12-02 2017-04-05 深圳地平线机器人科技有限公司 危险车辆检测方法和系统以及包括该系统的车辆
CN110033003A (zh) * 2019-03-01 2019-07-19 华为技术有限公司 图像分割方法和图像处理装置
CN111062252A (zh) * 2019-11-15 2020-04-24 浙江大华技术股份有限公司 一种实时危险物品语义分割方法、装置及存储装置
WO2021114916A1 (zh) * 2019-12-13 2021-06-17 支付宝(杭州)信息技术有限公司 风险检测方法、装置及设备
CN111324764A (zh) * 2020-02-18 2020-06-23 北京金山安全软件有限公司 一种图像检测方法、装置、电子设备及存储介质
CN112598676A (zh) * 2020-12-29 2021-04-02 北京市商汤科技开发有限公司 图像分割方法及装置、电子设备和存储介质
CN112733919A (zh) * 2020-12-31 2021-04-30 山东师范大学 基于空洞卷积和多尺度多分支的图像语义分割方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GARN: A Novel Generative Adversarial Recognition Network for End-to-End Scene Character Recognition;Hao Kong等;《2019 International Conference on Document Analysis and Recognition (ICDAR)》;全文 *
基于上下文的多路径空间编码图像语义分割方法;胡文俊;马秀丽;;工业控制计算机(08);全文 *

Also Published As

Publication number Publication date
CN113569873A (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
EP3608822B1 (en) Method and apparatus for detecting model security and electronic device
CN109034183B (zh) 一种目标检测方法、装置及设备
CN112800468B (zh) 一种基于隐私保护的数据处理方法、装置及设备
CN111930809A (zh) 数据处理方法、装置及设备
CN109615171B (zh) 特征阈值确定方法及装置、问题对象确定方法及装置
CN109934218A (zh) 一种针对物流单图像的识别方法及装置
CN112347512A (zh) 图像处理方法、装置、设备及存储介质
CN113569873B (zh) 一种图像的处理方法、装置及设备
CN116805393A (zh) 一种基于3DUnet光谱-空间信息融合的高光谱图像分类方法和系统
Lee et al. Reinforced adaboost learning for object detection with local pattern representations
CN111191090B (zh) 确定业务数据展示图类型的方法、装置、设备和存储介质
CN117612269A (zh) 一种生物攻击检测方法、装置及设备
CN117541963A (zh) 包含文本风险的关键视频帧提取方法及装置
CN113992429B (zh) 一种事件的处理方法、装置及设备
CN116664514A (zh) 数据处理方法、装置及设备
CN110598028A (zh) 图像分类方法、装置及存储介质、电子设备
CN113989043B (zh) 一种事件的风险识别方法、装置及设备
CN111598092A (zh) 图像中目标区域的确定方法、目标识别方法及装置
CN114241268B (zh) 一种模型的训练方法、装置及设备
CN115905913B (zh) 数字藏品的检测方法及装置
CN117972436B (zh) 大语言模型的训练方法、训练装置、存储介质及电子设备
CN116340852B (zh) 一种模型训练、业务风控的方法及装置
CN114662706B (zh) 一种模型训练方法、装置及设备
CN112927219B (zh) 一种图像的检测方法、装置及设备
CN116631033A (zh) 数据处理方法、装置及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant