CN114140349A - 干扰图像的生成方法和装置 - Google Patents
干扰图像的生成方法和装置 Download PDFInfo
- Publication number
- CN114140349A CN114140349A CN202111402709.0A CN202111402709A CN114140349A CN 114140349 A CN114140349 A CN 114140349A CN 202111402709 A CN202111402709 A CN 202111402709A CN 114140349 A CN114140349 A CN 114140349A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- interference
- value
- weight function
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000006870 function Effects 0.000 claims description 108
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本说明书实施例提供了一种干扰图像的生成方法和装置。该方法包括：获取原始图像；针对原始图像中的至少两个第一像素中的每一个第一像素均执行：得到该第一像素对应的背景值；得到该第一像素对应的调整权重函数；根据该调整权重函数在第一像素的原始像素值上附加该背景值，得到干扰像素值；以及将该第一像素的像素值修改为该干扰像素值；利用各个具有干扰像素值的第一像素，得到干扰图像。本说明书实施例使得干扰图像具有可用的干扰性，能够被使用，可以提高隐私数据的安全性及可用性。
Description
技术领域
本说明书一个或多个实施例涉及电子信息技术，尤其涉及干扰图像的生成方法和装置。
背景技术
图像识别模型已经被广泛应用于各种业务场景，比如，在门禁业务中，图像识别模型利用拍摄的人脸图像进行人脸识别，从而判断是否允许相应的人员通过该门禁。再如，银行的图像识别模型利用拍摄的人脸图像进行人脸识别，从而核验相应人员的身份。又如，图像识别模型对卫星拍摄的遥感图像进行识别，识别出相应的地物信息。
在实际的业务中，经常需要对原始图像进行变形，生成干扰图像，并利用该干扰图像进行业务处理。比如，在人脸识别中，用户的人脸图像数据属于用户的隐私，需要保密，因此需要对拍摄到的人脸图像的原图进行变形，比如拉伸或者旋转等，从而生成干扰图像，并利用该干扰图像训练图像识别模型。但是，现有技术的干扰图像的生成方法往往会使得该干扰图像不具有可用的干扰性，无法被使用。
发明内容
本说明书一个或多个实施例描述了干扰图像的生成方法和装置，使得干扰图像具有可用的干扰性，能够被使用。
根据第一方面，提供了一种干扰图像的生成方法，其中，包括：
获取原始图像；
针对原始图像中的至少两个第一像素中的每一个第一像素均执行：
得到该第一像素对应的背景值；
得到该第一像素对应的调整权重函数；
根据该调整权重函数在第一像素的原始像素值上附加该背景值，得到干扰像素值；以及
将该第一像素的像素值修改为该干扰像素值；
利用各个具有干扰像素值的第一像素，得到干扰图像。
其中，所述至少两个第一像素包括：
原始图像中的所有像素；或者，
原始图像中部分区域内的至少两个像素。
其中，所述得到该第一像素对应的背景值，包括：
确定该第一像素附近的预设图像窗口内的各像素；
得到该预设图像窗口内的各像素在所有图像通道上的所有通道值；
取所有通道值中的最小值作为该第一像素对应的背景值。
其中，所述预设图像窗口为：以所述第一像素为中心的N*N的图像窗口，其中N为不小于3的奇数。
其中，进一步包括：通过预先执行的训练方法得到图像中每一个像素位置对应的调整权重函数，
所述得到该第一像素对应的调整权重函数，包括：根据该第一像素的像素位置，得到该第一像素对应的调整权重函数；
其中，预先执行的训练方法包括：
对同一个样本原始图像，获取已被标注的至少两个样本干扰图像；其中，在至少两个样本干扰图像中的同一个像素位置上，至少两个样本像素值是利用至少两个不同的待选调整权重函数生成的；
将该至少两个样本干扰图像输入待训练的图像识别模型中；该图像识别模型的损失函数满足：图像识别模型的识别准确率越高，损失函数的值越小，以及样本干扰图像与其对应的原始图像之间的差距越大，损失函数的值越小；
针对样本干扰图像中的每一个像素位置，将使得损失函数的值最小的样本像素值所利用的待选调整权重函数作为该像素位置对应的调整权重函数。
其中，所述根据该调整权重函数在第一像素的原始像素值上附加该背景值得到干扰像素值，包括：
利用如下计算式进行计算：
G(x)＝I(x)*K(x)+N*B(x)*[1-K(x)]；
其中，G(x)表征该第一像素的干扰像素值，I(x)表征第一像素的原始像素值，K(x)为该第一像素对应的调整权重函数；B(x)表征第一像素对应的背景值，N表征背景叠加倍数，为不小于1的正整数。
其中，在所述得到干扰图像之后，进一步包括：
对所述干扰图像进行拉伸和/或旋转处理。
根据第二方面，提供了干扰图像的生成装置，其中，包括：
获取模块，配置为获取原始图像；
背景值计算模块，配置为针对原始图像中的至少两个第一像素中的每一个第一像素，得到该第一像素对应的背景值；
权重函数确定模块，配置为针对原始图像中的至少两个第一像素中的每一个第一像素，得到该第一像素对应的调整权重函数；
干扰图像生成模块，配置为根据第一像素的调整权重函数在第一像素的原始像素值上附加第一像素的背景值，得到干扰像素值；将该第一像素的像素值修改为该干扰像素值；以及利用各个具有干扰像素值的第一像素，得到干扰图像。
其中，所述权重函数确定模块被配置为执行：
得到预先训练出的该第一像素的像素位置对应的调整权重函数；
其中，在预先训练时执行：
获取已被标注的至少两个样本干扰图像；其中，在至少两个样本干扰图像中的第一像素的像素位置上，像素值是利用至少两个不同的待选调整权重函数生成的；
将该至少两个样本干扰图像输入待训练的图像识别模型中；该图像识别模型的损失函数满足：图像识别模型的识别准确率越高，损失函数的值越小，以及样本干扰图像与其对应的原始图像之间的差距越大，损失函数的值越小；
将使得损失函数的值最小的待选调整权重函数作为所述第一像素对应的调整权重函数。
根据第三方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现本说明书任一实施例所述的方法。
本说明书实施例提供的干扰图像的生成方法和装置，对于每一个待干扰的第一像素，都会根据第一像素对应的调整权重函数在第一像素的原始像素值上附加第一像素的背景值，相当于在原始图像的基础上附加上该原始图像的背景图，因为背景图是对于图像识别中相对无用的信息，因此，在原始图像的基础上附加背景图就会对原始图像形成干扰，从而生成干扰图；同时，在附加背景图时，还会根据预先确定的调整权重函数来确定附加的方式，从而通过该调整权重函数来调整干扰图像中所包括的有用信息及无用的背景信息，从而避免现有技术中的干扰不足或者干扰过分所带来的问题，使得干扰图像具有可用的干扰性，能够被使用。
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，下面描述中的附图是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本说明书一个实施例中干扰图像的生成方法的流程图。
图2是本说明书一个实施例中一种图像窗口的示意图。
图3是本说明书一个实施例中又一种图像窗口的示意图。
图4是本说明书一个实施例中对调整权重函数进行训练的训练方法的流程图。
图5是本说明书一个实施例中对调整权重函数进行训练的示意图。
图6是本说明书一个实施例中干扰图像的生成装置的结构示意图。
具体实施方式
首先说明名词“可用的干扰性”。可用的干扰性是指：面对将原始图像干扰后得到的干扰图像，人眼无法还原出原始图像中表征的信息，但是同时该干扰图像能够被计算机的图像识别模型识别出来，达到去干扰、还原出原始图像中表征的信息的效果。
在业务应用中，为了加密等需求，需要对图像的原图进行干扰生成干扰图像。现有技术中，采用诸如图像拉伸或者旋转等手段生成干扰图像。但是，现有技术的做法很可能会出现干扰不足(比如简单的图像旋转90度，或者简单的拉伸一倍)，此时，干扰图像则无法实现加密的效果。同时，现有技术的做法也很可能会出现干扰过分(比如任意随机改变图像中像素的位置及像素值，利用复杂加密算法加密)，此时，干扰图像失去了原图的特征，连图像识别模型也无法识别出来，也就是说，干扰图像无法被业务使用，丧失了使用价值，使得干扰的处理变成无用的处理。可见，现有技术的干扰图像的生成方法往往会使得该干扰图像不具有可用的干扰性，无法被使用。
下面结合附图，对本说明书提供的方案进行描述。
图1是本说明书一个实施例中干扰图像的生成方法的流程图。该方法的执行主体为干扰图像的生成装置。可以理解，该方法也可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。参见图1，该方法包括：
步骤101：获取原始图像；
针对原始图像中的至少两个第一像素中的每一个第一像素均执行步骤103至步骤109：
步骤103：得到该第一像素对应的背景值；
步骤105：得到该第一像素对应的调整权重函数；
步骤107：根据该调整权重函数在第一像素的原始像素值上附加该背景值，得到干扰像素值；以及
步骤109：将该第一像素的像素值修改为该干扰像素值；
步骤111：利用各个具有干扰像素值的第一像素，得到干扰图像。
根据上述图1所示的流程可以看出，在本说明书实施例提出的干扰图像的生成方法中，对于每一个待干扰的第一像素，都会根据第一像素对应的调整权重函数在第一像素的原始像素值上附加第一像素的背景值，相当于在原始图像的基础上附加上该原始图像的背景图，因为背景图是对于图像识别模型相对无用的信息，因此，在原始图像的基础上附加背景图就会对原始图像形成干扰，从而生成干扰图；同时，在附加背景图时，还会根据预先确定的调整权重函数来确定附加的方式，比如比例，从而通过该调整权重函数来调整干扰图像中所包括的有用信息及无用的背景信息，从而避免现有技术中的干扰不足或者干扰过分所带来的问题，使得干扰图像具有可用的干扰性，能够被使用。
在上述图1所示过程中，第一像素是待干扰的像素，可以根据对干扰程度的要求，来确定待干扰像素的数量。比如，如果需要更大的干扰程度，则可以对更多数量的第一像素进行上述图1所示过程中的相关处理，如果需要更小的干扰程度，则可以对更少数量的第一像素进行上述图1所示过程中的相关处理。比如，在一个实施例中，原始图像中的所有像素都是待干扰的像素，也就是说，原始图像中的所有像素都分别作为上述的第一像素，对原始图像中的所有像素分别进行图1中相关的修改像素值的处理，从而可以达到对原始图像进行加密的效果。
下面结合具体实施例说明图1所示流程中的每一个步骤。
首先对于步骤101获取原始图像。
这里，原始图像是未经过干扰处理的图像，比如摄像头拍摄的人脸图像。该原始图像被认为是清晰图像，比如人眼看到该原始图像，就能知道是哪一个人员的人脸图像。
接下来在步骤103中针对原始图像中的至少两个第一像素中的每一个第一像素得到该第一像素对应的背景值。
在本说明书实施例中，待干扰的至少两个第一像素可以包括：
原始图像中的所有像素；或者，
原始图像中部分区域内的至少两个像素。
在一个实施例中，本步骤103中可以将原始图像中的所有像素都分别作为第一像素，并分别计算所有像素对应的背景值。
图像干扰需要尽可能满足的要求是：让清晰的原始图像变成不清晰的干扰图像，使得人眼无法识别，但是同时又要让干扰图像能够被计算机的图像识别模型识别处理，从而达到去干扰及还原出原始图像的目的。那么，现有技术中的无规律的干扰方法比如随机加密或者任意变形，都会导致无法满足上述的图像干扰的要求。
一个统计规律是：图像的每个局部都有暗对象存在。因此，在本说明书的实施例中，本步骤103中，可以利用该统计规律来计算每一个第一像素的背景值。此时本步骤103中，可以是针对每一个第一像素都执行如下步骤1031至步骤1035的过程：
步骤1031：确定第一像素附近的预设图像窗口内的各像素。
预设图像窗口可以是各种任意形状的图像窗口。在本说明书的一个实施例中，预设图像窗口为：以第一像素为中心的N*N的图像窗口，其中N为不小于3的奇数。比如N为3或者5。比如参见图2，以像素E附近的图像窗口为例，该图像窗口为：以像素E为中心的3*3图像窗口，共包括像素E在内的9个像素，如图2中斜线所表征的9个像素。又如参见图3，当像素F在图像边缘时，可以使用包括像素F在内的2*2图像窗口作为像素F对应的图像窗口，如图3中斜线所表征的4个像素。
因为图像的每个局部都有暗对象存在，因此，通过确定待干扰的第一像素附近的图像窗口，则可以在该第一像素的图像窗口的范围内寻找暗对象。
步骤1033：得到该预设图像窗口内的各像素在所有图像通道上的所有通道值。
比如，参见图2，以像素E为中心的3*3图像窗口，共包括像素E在内的9个像素，每一个像素有R、G、B三个通道，因此总共27个通道值，在本步骤1033中从该27个通道值中选取出最小的通道值。
步骤1035：取所有通道值中的最小值作为该第一像素对应的背景值。
因为最小的通道值表征的就是暗对象，因此，可以用该最小的通道值作为待干扰的第一像素的背景值。
如果是针对原始图像中的所有像素点均进行干扰处理，即均进行加雾处理，那么，可以针对每一个像素点分别执行步骤1031至步骤1035，从而得到了所有像素分别对应的各自的背景值。
接下来在步骤105中得到该第一像素对应的调整权重函数。
如前所述，调整权重函数用于调整图像中所包括的“有用信息”(原始图像中的像素值)及“无用的背景信息”(需要后续附加的背景值)的比例，从而避免现有技术中的干扰不足或者干扰过分所带来的问题。
在本说明书一个实施例中，可以通过预先执行的训练方法得到图像中每一个像素位置对应的调整权重函数，那么，本步骤105中，就可以根据该第一像素的像素位置，得到该第一像素对应的预先训练出的调整权重函数。
如前所述，图像干扰需要尽可能满足的要求是：让清晰的原始图像变成不清晰的干扰图像，使得人眼无法识别，但是同时又要让干扰图像能够被计算机的图像识别模型去干扰，从而还原出原始图像。为了满足该要求，可以让调整权重函数的训练跟图像识别模型的训练一起进行，两者联合训练。也就是说，在训练图像识别模型的过程中同时训练图像中每一个像素位置对应的调整权重函数。
在本说明书一个实施例中，在该联合训练中，参见图4，对于每一个像素位置对应的调整权重函数的训练方法包括：
步骤401：对同一个样本原始图像，获取已被标注的至少两个样本干扰图像；其中，在至少两个样本干扰图像中的同一个像素位置上，至少两个样本像素值是利用至少两个不同的待选调整权重函数生成的；
本步骤401中，每一个样本像素值利用如下公式进行计算：
g(x)＝i(x)*k(x)+n*b(x)*[1-k(x)]；
其中，g(x)表征像素位置x上的样本像素值，i(x)表征样本原始图像在像素位置x上的原始像素值，k(x)为该像素位置x对应的一个待选调整权重函数；b(x)表征样本原始图像在像素位置x上的像素对应的背景值，n表征背景叠加倍数，为不小于1的正整数。
其中，可以利用上述对步骤103的相关描述中的计算背景值的方法来得到b(x)。
步骤403：将该至少两个样本干扰图像输入待训练的图像识别模型中；该图像识别模型的损失函数满足：图像识别模型的识别准确率越高，损失函数的值越小，以及样本干扰图像与其对应的原始图像之间的差距越大，损失函数的值越小；
步骤405：针对样本干扰图像中的每一个像素位置，将使得损失函数的值最小的样本像素值所利用的待选调整权重函数作为该像素位置对应的调整权重函数。
通过一个例子来说明上述图4所示过程。参见图4和图5，比如存在一张样本原始图像，如一张清晰的人脸图像，利用预先设置的不同的调整权重函数，得到对应于该同一张清晰人脸图像的2张样本干扰图像，具体过程可以包括：在生成样本干扰图像1时，比如像素位置A上的样本像素值1是利用预先设置的调整权重函数1生成的，而在生成样本干扰图像2时，同一个像素位置A上的样本像素值2是利用预先设置的调整权重函数2生成的，再如像素位置B上的样本像素值3是利用预先设置的调整权重函数3生成的，而在生成样本干扰图像2时，同一个像素位置B上的样本像素值4是利用预先设置的调整权重函数4生成的，等等，如此执行，在针对同一个样本人脸图像得到了样本干扰图像1及样本干扰图像2之后，将其输入待训练的人脸图像识别模型；针对像素位置A，样本像素值1(而不是样本像素值2)使得人脸图像识别模型的损失函数的值最小，那么因为样本像素值1是利用调整权重函数1生成的，因此，像素位置A对应的调整权重函数就是调整权重函数1，针对像素位置B，样本像素值4(而不是样本像素值3)使得人脸图像识别模型的损失函数的值最小，那么因为样本像素值4是利用调整权重函数4生成的，因此，像素位置B对应的调整权重函数就是调整权重函数4。
接下来在步骤107中，根据该调整权重函数在第一像素的原始像素值上附加该背景值，得到干扰像素值。
因为原始图像是待干扰的图像，即“清晰图像”，因此，第一像素的原始像素值可以认为是图像中的有用信息，在该有用信息的基础上附加第一像素对应的背景值(即上述步骤中得到的相对无用的信息)，则产生了干扰。
在本说明书一个实施例中，本步骤107的一种实现过程包括：利用如下计算式进行计算：
G(x)＝I(x)*K(x)+N*B(x)*[1-K(x)]；
其中，G(x)表征该第一像素的干扰像素值，I(x)表征第一像素的原始像素值，K(x)为该第一像素对应的调整权重函数；B(x)表征第一像素对应的背景值，N表征背景叠加倍数，为不小于1的正整数。
在一个实施例中，N的值为1。当然也可以根据干扰程度的需要，设置N的大小，比如需要更强的干扰，那么，N值可以更大。
上述计算式只是在原始像素值上附加背景值的一种方式。可以理解，在本说明书的其他实施例中，也可以有其他多种方式实现在原始像素值上附加背景值。比如，对上述计算式进行变形，比如G(x)＝I(x)*K(x)+{B(x)*[1-K(x)]}n；其中n为不小于1的正数等。
接下来在步骤109中，将该第一像素的像素值修改为该干扰像素值。
接下来在步骤111中，利用各个具有干扰像素值的第一像素，得到干扰图像。
对于原始图像中待干扰的各第一像素(比如原始图像中的所有像素)均分别执行上述步骤103至步骤109的处理之后，原始图像中的像素的像素值被修改了，因此，原始图像则变成了干扰图像。
在本说明书一个实施例中，为了进一步增加干扰效果，也可以对步骤111得到的干扰图像进一步进行诸如拉伸和/或旋转等处理。
在本说明书的一个实施例中，提供了一种干扰图像的生成装置，参见图4，该装置600包括：
获取模块601，配置为获取原始图像；
背景值计算模块602，配置为针对原始图像中的至少两个第一像素中的每一个第一像素，得到该第一像素对应的背景值；
权重函数确定模块603，配置为针对原始图像中的至少两个第一像素中的每一个第一像素，得到该第一像素对应的调整权重函数；
干扰图像生成模块604，配置为根据第一像素的调整权重函数在第一像素的原始像素值上附加第一像素的背景值，得到干扰像素值；将该第一像素的像素值修改为该干扰像素值；以及利用各个具有干扰像素值的第一像素，得到干扰图像。
在本说明书装置的一个实施例中，所述至少两个第一像素包括：
原始图像中的所有像素；或者，
原始图像中部分区域内的至少两个像素。
在本说明书装置的一个实施例中，背景值计算模块602被配置为执行：
确定该第一像素附近的预设图像窗口内的各像素；
得到该预设图像窗口内的各像素在所有图像通道上的所有通道值；
取所有通道值中的最小值作为该第一像素对应的背景值。
在本说明书装置的一个实施例中，背景值计算模块602所使用的预设图像窗口为：以所述第一像素为中心的N*N的图像窗口，其中N为不小于3的奇数。
在本说明书装置的一个实施例中，权重函数确定模块603被配置为执行：通过预先执行的训练方法得到图像中每一个像素位置对应的调整权重函数，根据第一像素的像素位置，得到该第一像素对应的调整权重函数；
其中，预先执行的训练方法包括：
对同一个样本原始图像，获取已被标注的至少两个样本干扰图像；其中，在至少两个样本干扰图像中的同一个像素位置上，至少两个样本像素值是利用至少两个不同的待选调整权重函数生成的；
将该至少两个样本干扰图像输入待训练的图像识别模型中；该图像识别模型的损失函数满足：图像识别模型的识别准确率越高，损失函数的值越小，以及样本干扰图像与其对应的原始图像之间的差距越大，损失函数的值越小；
针对样本干扰图像中的每一个像素位置，将使得损失函数的值最小的样本像素值所利用的待选调整权重函数作为该像素位置对应的调整权重函数。
在本说明书装置的一个实施例中，干扰图像生成模块604被配置为执行：
利用如下计算式进行计算：
G(x)＝I(x)*K(x)+N*B(x)*[1-K(x)]；
其中，G(x)表征该第一像素的干扰像素值，I(x)表征第一像素的原始像素值，K(x)为该第一像素对应的调整权重函数；B(x)表征第一像素对应的背景值，N表征背景叠加倍数，为不小于1的正整数。
在本说明书装置的一个实施例中，干扰图像生成模块604进一步被配置为执行：对所述干扰图像进行拉伸和/或旋转处理。
本说明书一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行说明书中任一个实施例中的方法。
本说明书一个实施例提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现执行说明书中任一个实施例中的方法。
可以理解的是，本说明书实施例示意的结构并不构成对本说明书实施例的装置的具体限定。在说明书的另一些实施例中，上述装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置、系统内的各模块之间的信息交互、执行过程等内容，由于与本说明书方法实施例基于同一构思，具体内容可参见本说明书方法实施例中的叙述，此处不再赘述。
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，对于装置实施例而言，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。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、挂件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (10)
1.干扰图像的生成方法，其中，包括：
获取原始图像；
针对原始图像中的至少两个第一像素中的每一个第一像素均执行：
得到该第一像素对应的背景值；
得到该第一像素对应的调整权重函数；
根据该调整权重函数在第一像素的原始像素值上附加该背景值，得到干扰像素值；以及
将该第一像素的像素值修改为该干扰像素值；
利用具有各干扰像素值的各第一像素，得到干扰图像。
2.根据权利要求1所述的方法，其中，所述至少两个第一像素包括：
原始图像中的所有像素；或者，
原始图像中部分区域内的至少两个像素。
3.根据权利要求1所述的方法，其中，所述得到该第一像素对应的背景值，包括：
确定该第一像素附近的预设图像窗口内的各像素；
得到该预设图像窗口内的各像素在所有图像通道上的所有通道值；
取所有通道值中的最小值作为该第一像素对应的背景值。
4.根据权利要求3所述的方法，其中，所述预设图像窗口为：以所述第一像素为中心的N*N的图像窗口，其中N为不小于3的奇数。
5.根据权利要求1所述的方法，其中，进一步包括：通过预先执行的训练方法得到图像中每一个像素位置对应的调整权重函数，
所述得到该第一像素对应的调整权重函数，包括：根据该第一像素的像素位置，得到该第一像素对应的调整权重函数；
其中，预先执行的训练方法包括：
对同一个样本原始图像，获取已被标注的至少两个样本干扰图像；其中，在至少两个样本干扰图像中的同一个像素位置上，至少两个样本像素值是利用至少两个不同的待选调整权重函数生成的；
将该至少两个样本干扰图像输入待训练的图像识别模型中；该图像识别模型的损失函数满足：图像识别模型的识别准确率越高，损失函数的值越小，以及，样本干扰图像与其对应的样本原始图像之间的差距越大，损失函数的值越小；
针对样本干扰图像中的每一个像素位置，将使得损失函数的值最小的样本像素值所利用的待选调整权重函数作为该像素位置对应的调整权重函数。
6.根据权利要求1所述的方法，其中，所述根据该调整权重函数在第一像素的原始像素值上附加该背景值得到干扰像素值，包括：
利用如下计算式进行计算：
G(x)＝I(x)*K(x)+N*B(x)*[1-K(x)]；
其中，G(x)表征该第一像素的干扰像素值，I(x)表征第一像素的原始像素值，K(x)为该第一像素对应的调整权重函数；B(x)表征第一像素对应的背景值，N表征背景叠加倍数，为不小于1的正整数。
7.根据权利要求1至6中任一所述的方法，其中，在所述得到干扰图像之后，进一步包括：
对所述干扰图像进行拉伸和/或旋转处理。
8.干扰图像的生成装置，其中，包括：
获取模块，配置为获取原始图像；
背景值计算模块，配置为针对原始图像中的至少两个第一像素中的每一个第一像素，得到该第一像素对应的背景值；
权重函数确定模块，配置为针对原始图像中的至少两个第一像素中的每一个第一像素，得到该第一像素对应的调整权重函数；
干扰图像生成模块，配置为根据第一像素的调整权重函数在第一像素的原始像素值上附加第一像素的背景值，得到干扰像素值；将该第一像素的像素值修改为该干扰像素值；以及利用具有各干扰像素值的各第一像素，得到干扰图像。
9.根据权利要求8所述装置，其中，所述权重函数确定模块被配置为执行：
得到预先训练出的该第一像素的像素位置对应的调整权重函数；
其中，在预先训练时执行：
获取已被标注的至少两个样本干扰图像；其中，在至少两个样本干扰图像中的第一像素的像素位置上，像素值是利用至少两个不同的待选调整权重函数生成的；
将该至少两个样本干扰图像输入待训练的图像识别模型中；该图像识别模型的损失函数满足：图像识别模型的识别准确率越高，损失函数的值越小，以及样本干扰图像与其对应的原始图像之间的差距越大，损失函数的值越小；
将使得损失函数的值最小的待选调整权重函数作为所述第一像素对应的调整权重函数。
10.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111402709.0A CN114140349A (zh) | 2021-11-24 | 2021-11-24 | 干扰图像的生成方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111402709.0A CN114140349A (zh) | 2021-11-24 | 2021-11-24 | 干扰图像的生成方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114140349A true CN114140349A (zh) | 2022-03-04 |
Family
ID=80391493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111402709.0A Pending CN114140349A (zh) | 2021-11-24 | 2021-11-24 | 干扰图像的生成方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114140349A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116665851A (zh) * | 2023-05-23 | 2023-08-29 | 星空数据(广州)有限公司 | 医疗影像管理方法、装置、计算机设备及存储介质 |
-
2021
- 2021-11-24 CN CN202111402709.0A patent/CN114140349A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116665851A (zh) * | 2023-05-23 | 2023-08-29 | 星空数据(广州)有限公司 | 医疗影像管理方法、装置、计算机设备及存储介质 |
| CN116665851B (zh) * | 2023-05-23 | 2024-04-05 | 江苏康医通科技有限公司 | 医疗影像管理方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340008B (zh) | 对抗补丁生成、检测模型训练、对抗补丁防御方法及系统 | |
| CN111242088B (zh) | 一种目标检测方法、装置、电子设备及存储介质 | |
| CN111738217B (zh) | 生成人脸对抗补丁的方法和装置 | |
| CN111626925B (zh) | 一种对抗补丁的生成方法及装置 | |
| US9042609B2 (en) | Face authentication system, face authentication method, and face authentication program | |
| CN110222573B (zh) | 人脸识别方法、装置、计算机设备及存储介质 | |
| CN111788572A (zh) | 用于面部识别的方法和系统 | |
| WO2011156143A2 (en) | Distinguishing live faces from flat surfaces | |
| JP6773061B2 (ja) | 評価システム、評価装置、評価方法、評価プログラム、及び記録媒体 | |
| CN112214773B (zh) | 基于隐私保护的图像处理方法、装置和电子设备 | |
| CN110874571A (zh) | 人脸识别模型的训练方法及装置 | |
| CN110705353A (zh) | 基于注意力机制的遮挡人脸的识别方法和装置 | |
| CN111310512B (zh) | 用户身份鉴权方法及装置 | |
| CN112257123A (zh) | 图像的处理方法及系统 | |
| CN114140349A (zh) | 干扰图像的生成方法和装置 | |
| JP6542819B2 (ja) | 画像監視システム | |
| CN112001285B (zh) | 一种美颜图像的处理方法、装置、终端和介质 | |
| Jasmine et al. | A privacy preserving based multi-biometric system for secure identification in cloud environment | |
| JP2020035290A (ja) | 検出器生成装置、モニタリング装置、検出器生成方法及び検出器生成プログラム | |
| CN112561076B (zh) | 模型处理方法和装置 | |
| CN111488592B (zh) | 数据加解密方法、装置及网络设备 | |
| US11783440B2 (en) | System and method for generating a photographic police lineup | |
| CN108921036B (zh) | 基于人脸图像识别的随机数产生方法及产生系统 | |
| Qian et al. | Web Photo Source Identification based on Neural Enhanced Camera Fingerprint | |
| JP2010044588A (ja) | 認証装置、認証システム、認証方法、そのプログラムおよび記録媒体 |
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 |