CN116452915A - 图像处理方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种图像处理方法、装置、电子设备及存储介质。该方法包括：获取待处理的目标域的影像数据；将所述待处理的目标域的影像数据输入至预先训练完成的跨域分类模型，得到目标域的模型分类结果；其中，所述跨域分类模型用于将所述目标域的影像数据对应特征空间中的影像特征映射到目标特征空间。上述技术方案，通过将待处理的目标域的影像数据输入至预先训练完成的跨域分类模型，进而跨域分类模型将目标域的影像数据对应特征空间中的影像特征映射到目标特征空间，使影像特征在特征空间中的距离更为接近，从而在将源域上训练的人工智能模型迁移到目标域时，解决模型预测准确度降低的问题。

Description

图像处理方法、装置、电子设备及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种图像处理方法、装置、电子设备及存储介质。

背景技术

随着科技的发展，人工智能算法在生活中有着广泛的应用，而这些算法的实现离不开大规模的训练数据集。

现有技术中，源域上训练的人工智能模型迁移到目标域时，存在模型预测准确度降低的问题。

发明内容

本发明提供了一种图像处理方法、装置、电子设备及存储介质，以解决模型迁移后模型预测准确度降低的问题。

根据本发明的一方面，提供了一种图像处理方法，包括：

获取待处理的目标域的影像数据；

将所述待处理的目标域的影像数据输入至预先训练完成的跨域分类模型，得到目标域的模型分类结果；

其中，所述跨域分类模型用于将所述目标域的影像数据对应特征空间中的影像特征映射到目标特征空间。

根据本发明的另一方面，提供了一种图像处理装置，包括：

影像数据获取模块，用于获取待处理的目标域的影像数据；

分类结果预测模块，用于将所述待处理的目标域的影像数据输入至预先训练完成的跨域分类模型，得到目标域的模型分类结果；

其中，所述跨域分类模型用于将所述目标域的影像数据对应特征空间中的影像特征映射到目标特征空间。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；

以及与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的图像处理方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的图像处理方法。

本发明实施例的技术方案，通过将待处理的目标域的影像数据输入至预先训练完成的跨域分类模型，进而跨域分类模型将目标域的影像数据对应特征空间中的影像特征映射到目标特征空间，使影像特征在特征空间中的距离更为接近，从而在将源域上训练的人工智能模型迁移到目标域时，解决模型预测准确度降低的问题。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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是根据本发明实施例一提供的一种图像处理方法的流程图；

图2是根据本发明实施例二提供的一种图像处理方法的流程图；

图3是根据本发明实施例三提供的一种图像处理方法的流程图；

图4是根据本发明实施例三提供的一种跨域分类模型的网络结构示意图；

图5是根据本发明实施例四提供的一种图像处理装置的结构示意图；

图6是实现本发明实施例的图像处理方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一提供的一种图像处理方法的流程图，本实施例可适用于网络预测模型迁移的情况，该方法可以由图像处理装置来执行，该图像处理装置可以采用硬件和/或软件的形式实现，该图像处理装置可配置于计算机终端和/或服务器中。如图1所示，该方法包括：

S110、获取待处理的目标域的影像数据。

本实施例中，目标域的影像数据是指从目标域中获取的图像，可以包括一张、两张或多张图像，在此不做限定。可选的，目标域的影像数据可以为医院或者医学中心的医学影像数据，例如目标域的影像数据可以为核磁影像、CT图像等。

具体的，可以从电子设备预设存储位置中获取待处理的目标域的影像数据，或者，从与电子设备连接的其他电子设备或者云端获取待处理的目标域的影像数据，在此不做限定。

S120、将所述待处理的目标域的影像数据输入至预先训练完成的跨域分类模型，得到目标域的模型分类结果。

本实施例中，跨域分类模型可用于源域与目标域跨域分类，为网络预测模型。具体而言，将待处理的目标域的影像数据，作为输入数据输入至预先训练的跨域分类模型，跨域分类模型将目标域的影像数据对应特征空间中的影像特征映射到目标特征空间，并可以根据转换后的影像特征进行分类，得到目标域的模型分类结果，并加以输出。目标特征空间为预先配置的指定领域的特征空间，可以为源域特征空间等。可选的，模型分类结果可以为病灶类别，病灶类别可以包括但不限于A类别、B类别等。

其中，跨域分类模型可以预先通过大量的样本影像数据进行训练得到。在所训练的跨域分类模型中，会预先对样本影像数据进行特征提取，进而将提取的影像特征映射到目标特征空间，并根据映射后的影像特征进行分类，得到预测分类结果，进而根据预测分类结果与标签之间的损失迭代调整模型参数，直至损失满足模型训练终止条件，得到跨域分类模型。

本实施例的技术方案，通过将待处理的目标域的影像数据输入至预先训练完成的跨域分类模型，进而跨域分类模型将目标域的影像数据对应特征空间中的影像特征映射到目标特征空间，使影像特征在特征空间中的距离更为接近，从而在将源域上训练的人工智能模型迁移到目标域时，解决模型预测准确度降低的问题。

实施例二

图2为本发明实施例二提供的一种图像处理方法的流程图，本实施例的方法与上述实施例中提供的图像处理方法中各个可选方案可以结合。本实施例提供的图像处理方法进行了进一步优化。可选的，所述跨域分类模型包括公共特征提取模块、领域特征变换模块和分类器，所述将所述目标域的影像数据输入至预先训练完成的跨域分类模型，得到目标域的模型分类结果，包括：将所述待处理的目标域的影像数据输入至所述公共特征提取模块，得到公共特征空间的影像特征；将所述公共特征空间的影像特征输入至所述领域特征变换模块，得到目标特征空间的影像特征；将所述目标特征空间的影像特征输入至所述分类器，得到各分类结果的概率；基于各所述分类结果的概率确定目标域的模型分类结果。

如图2所示，该方法包括：

S210、获取待处理的目标域的影像数据。

S220、将所述待处理的目标域的影像数据输入至公共特征提取模块，得到公共特征空间的影像特征。

S230、将所述公共特征空间的影像特征输入至领域特征变换模块，得到目标特征空间的影像特征。

S240、将所述目标特征空间的影像特征输入至分类器，得到各分类结果的概率。

S250、基于各所述分类结果的概率确定目标域的模型分类结果。

本实施例中，跨域分类模型包括公共特征提取模块、领域特征变换模块和分类器。其中，公共特征提取模块用于对图像进行特征提取，提取得到影像特征处于公共特征空间。领域特征变换模块用于将公共特征空间的影像特征映射至目标特征空间的影像特征，使影像特征在特征空间中的距离更为接近。分类器可以根据目标特征空间的影像特征确定各分类结果的概率。

具体的，电子设备获取待处理的目标域的影像数据，进而将待处理的目标域的影像数据输入至公共特征提取模块，得到公共特征空间的影像特征，将公共特征空间的影像特征输入至领域特征变换模块，得到目标特征空间的影像特征，使影像特征在特征空间中的距离更为接近，进而将距离更为接近的目标特征空间的影像特征输入至分类器，得到更为准确的各分类结果的概率，进而基于各分类结果的概率确定更为准确的目标域的模型分类结果，从而在将源域上训练的人工智能模型迁移到目标域时，解决模型预测准确度降低的问题。

在上述各实施例的基础上，可选的，在获取待处理的目标域的影像数据之后，还包括：对待处理的目标域的影像数据进行预处理，得到预处理之后的目标域的影像数据，预处理方法包括以下中的一项或多项：对待处理的目标域的影像数据进行图像重采样；对待处理的目标域的影像数据进行归一化处理。

可以理解的是，通过对待处理的目标域的影像数据进行预处理，可以提升数据质量，以及保证图像符合模型输入尺寸大小和灰度值要求，从而完成模型预测和提升模型的预测准确度。

示例性的，目标特征空间为源域特征空间,具体而言，电子设备获取待处理的目标域的影像数据，进而对待处理的目标域的影像数据进行图像重采样和归一化处理，进而将图像重采样和归一化处理后的目标域的影像数据输入至公共特征提取模块，得到公共特征空间的影像特征，将公共特征空间的影像特征输入至领域特征变换模块，得到目标特征空间的影像特征，使影像特征在特征空间中的距离更为接近，进而将距离更为接近的目标特征空间的影像特征输入至分类器，得到更为准确的各分类结果的概率，进而基于各分类结果的概率确定更为准确的目标域的模型分类结果。

本实施例的技术方案，通过将待处理的目标域的影像数据输入至公共特征提取模块，得到公共特征空间的影像特征，将公共特征空间的影像特征输入至领域特征变换模块，得到目标特征空间的影像特征，使影像特征在特征空间中的距离更为接近，进而将距离更为接近的目标特征空间的影像特征输入至分类器，得到更为准确的各分类结果的概率，进而基于各分类结果的概率确定更为准确的目标域的模型分类结果，从而在将源域上训练的人工智能模型迁移到目标域时，解决模型预测准确度降低的问题。

实施例三

图3为本发明实施例三提供的一种图像处理方法的流程图，本实施例的方法与上述实施例中提供的图像处理方法中各个可选方案可以结合。本实施例提供的图像处理方法进行了进一步优化。可选的，所述跨域分类模型的训练过程包括：获取源域的样本影像数据和所述源域的样本影像数据对应的标签，以及目标域的样本影像数据和所述目标域的样本影像数据对应的标签；对所述源域的样本影像数据和所述目标域的样本影像数据进行预处理，得到预处理后的源域的样本影像数据和预处理后的目标域的样本影像数据；基于所述预处理后的源域的样本影像数据和预处理后的目标域的样本影像数据对初始建立的神经网络模型进行训练，得到跨域分类模型。

如图3所示，该方法包括：

S310、获取源域的样本影像数据和所述源域的样本影像数据对应的标签，以及目标域的样本影像数据和所述目标域的样本影像数据对应的标签。

S320、对所述源域的样本影像数据和所述目标域的样本影像数据进行预处理，得到预处理后的源域的样本影像数据和预处理后的目标域的样本影像数据。

S330、基于所述预处理后的源域的样本影像数据和预处理后的目标域的样本影像数据对初始建立的神经网络模型进行训练，得到跨域分类模型。

S340、获取待处理的目标域的影像数据。

S350、将所述待处理的目标域的影像数据输入至预先训练完成的跨域分类模型，得到目标域的模型分类结果。

本实施例中，初始建立的神经网络模型包括公共特征提取模块、领域特征变换模块、分类器和损失建模模块；其中，公共特征提取模块，用于对预处理后的源域的样本影像数据和预处理后的目标域的样本影像数据进行特征提取，得到公共特征空间的样本影像特征；领域特征变换模块，用于对公共特征空间的样本影像特征进行空间变换，得到源域特征空间的样本影像特征；分类器，用于对源域特征空间的样本影像特征进行分类，得到分类结果；损失建模模块，用于基于源域特征空间的样本影像特征确定分布损失，基于分类结果、源域的样本影像数据对应的标签和目标域的样本影像数据对应的标签确定交叉熵损失和一致性损失，基于分布损失、交叉熵损失和一致性损失反向传播调整神经网络模型中待学习的网络参数，直至损失趋于满足训练停止条件，得到训练完成的跨域分类模型。

其中，目标域的样本影像数据可以包括一个或多个目标域的样本影像数据。分布损失可以为最大均值化差异(Maximum Mean Discrepancy，MMD)损失。一致性损失可以是指源域数据的一致性损失。

在上述实施例的基础上，可选的，目标域的样本影像数据包括至少一个目标域的样本影像数据；相应的，公共特征提取模块，还用于对所述预处理后的源域的样本影像数据和预处理后的多个目标域的样本影像数据进行特征提取，得到各目标域对应的公共特征空间的样本影像特征；领域特征变换模块，还用于对各所述目标域对应的公共特征空间的样本影像特征进行空间变换，得到各所述目标域对应的源域特征空间的样本影像特征；分类器，还用于各所述目标域对应的源域特征空间的样本影像特征进行分类，得到分类结果。

示例性的，图4是根据本实施例提供的一种跨域分类模型的网络结构示意图。以医学领域为例，将任一一家医院或医学中心的乳腺癌核磁影像作为源域的样本影像数据，剩余的医院或医学中心的乳腺癌核磁影像作为目标域的样本影像数据，源域的样本影像数据的标签量远大于目标域的样本影像数据的标签量。具体而言，对目标域A、目标域B和源域的乳腺癌核磁影像进行图像重采样和归一化处理，得到符合模型输入尺寸大小和灰度值要求的预处理乳腺癌核磁影像。进一步的，将预处理乳腺癌核磁影像输入至公共特征提取模块，公共特征提取模块对预处理乳腺癌核磁影像进行特征提取，得到目标域A、目标域B分别对应的公共特征空间的样本影像特征；进一步的，领域特征变换模块对目标域A、目标域B分别对应的公共特征空间的样本影像特征进行空间变换，得到目标域A、目标域B分别对应的源域特征空间的样本影像特征；进一步的，分类器根据目标域A、目标域B分别对应的源域特征空间的样本影像特征进行分类，得到分类结果。进一步的，损失建模模块根据源域特征空间的样本影像特征确定MMD分布损失，以及基于分类结果、源域的样本影像数据对应的标签和目标域的样本影像数据对应的标签确定分类损失，即交叉熵损失；以及源域数据的一致性损失，基于分布损失、交叉熵损失和一致性损失反向传播调整神经网络模型中待学习的网络参数，直至损失趋于稳定，得到训练完成的跨域分类模型。在模型推理阶段，将预处理后的目标域的影像数据输入至预先训练完成的跨域分类模型，得到目标域的模型分类结果。

本实施例的技术方案，通过获取源域的样本影像数据和源域的样本影像数据对应的标签，以及目标域的样本影像数据和目标域的样本影像数据对应的标签，进而对源域的样本影像数据和目标域的样本影像数据进行预处理，得到预处理后的源域的样本影像数据和预处理后的目标域的样本影像数据；进而基于预处理后的源域的样本影像数据和预处理后的目标域的样本影像数据对初始建立的神经网络模型进行训练，得到跨域分类模型，已完善神经网络模型的训练机制，提升模型的可迁移性，从而在将源域上训练的人工智能模型迁移到目标域时，解决模型预测准确度降低的问题。

实施例四

图5为本发明实施例四提供的一种图像处理装置的结构示意图。如图5所示，该装置包括：

影像数据获取模块410，用于获取待处理的目标域的影像数据；

分类结果预测模块420，用于将所述待处理的目标域的影像数据输入至预先训练完成的跨域分类模型，得到目标域的模型分类结果；

其中，所述跨域分类模型用于将所述目标域的影像数据对应特征空间中的影像特征映射到目标特征空间。

本实施例的技术方案，通过将待处理的目标域的影像数据输入至预先训练完成的跨域分类模型，进而跨域分类模型将目标域的影像数据对应特征空间中的影像特征映射到目标特征空间，使影像特征在特征空间中的距离更为接近，从而在将源域上训练的人工智能模型迁移到目标域时，解决模型预测准确度降低的问题。

在一些可选的实施方式中，所述跨域分类模型包括公共特征提取模块、领域特征变换模块和分类器，分类结果预测模块420，还用于：

将所述待处理的目标域的影像数据输入至所述公共特征提取模块，得到公共特征空间的影像特征；

将所述公共特征空间的影像特征输入至所述领域特征变换模块，得到目标特征空间的影像特征；

将所述目标特征空间的影像特征输入至所述分类器，得到各分类结果的概率；

基于各所述分类结果的概率确定目标域的模型分类结果。

在一些可选的实施方式中，所述目标特征空间为源域特征空间。

在一些可选的实施方式中，装置还包括：

数据预处理模块，用于对所述待处理的目标域的影像数据进行预处理，得到预处理之后的目标域的影像数据，所述预处理方法包括以下中的一项或多项：

对所述待处理的目标域的影像数据进行图像重采样；

对所述待处理的目标域的影像数据进行归一化处理。

在一些可选的实施方式中，所述跨域分类模型的训练过程包括：

获取源域的样本影像数据和所述源域的样本影像数据对应的标签，以及目标域的样本影像数据和所述目标域的样本影像数据对应的标签；

对所述源域的样本影像数据和所述目标域的样本影像数据进行预处理，得到预处理后的源域的样本影像数据和预处理后的目标域的样本影像数据；

基于所述预处理后的源域的样本影像数据和预处理后的目标域的样本影像数据对初始建立的神经网络模型进行训练，得到跨域分类模型。

在一些可选的实施方式中，所述初始建立的神经网络模型包括公共特征提取模块、领域特征变换模块、分类器和损失建模模块；其中，

所述公共特征提取模块，用于对所述预处理后的源域的样本影像数据和预处理后的目标域的样本影像数据进行特征提取，得到公共特征空间的样本影像特征；

所述领域特征变换模块，用于对所述公共特征空间的样本影像特征进行空间变换，得到源域特征空间的样本影像特征；

所述分类器，用于对源域特征空间的样本影像特征进行分类，得到分类结果；

所述损失建模模块，用于基于所述源域特征空间的样本影像特征确定分布损失，基于所述分类结果、所述源域的样本影像数据对应的标签和所述目标域的样本影像数据对应的标签确定交叉熵损失和一致性损失，基于所述分布损失、所述交叉熵损失和一致性损失调整神经网络模型中待学习的网络参数。

在一些可选的实施方式中，所述目标域的样本影像数据包括至少一个目标域的样本影像数据；

相应的，所述公共特征提取模块，还用于对所述预处理后的源域的样本影像数据和预处理后的多个目标域的样本影像数据进行特征提取，得到各目标域对应的公共特征空间的样本影像特征；

所述领域特征变换模块，还用于对各所述目标域对应的公共特征空间的样本影像特征进行空间变换，得到各所述目标域对应的源域特征空间的样本影像特征；

所述分类器，还用于各所述目标域对应的源域特征空间的样本影像特征进行分类，得到分类结果。

本发明实施例所提供的图像处理装置可执行本发明任意实施例所提供的图像处理方法，具备执行方法相应的功能模块和有益效果。

实施例五

图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。I/O接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如图像处理方法，该方法包括：

获取待处理的目标域的影像数据；

将所述待处理的目标域的影像数据输入至预先训练完成的跨域分类模型，得到目标域的模型分类结果；

其中，所述跨域分类模型用于将所述目标域的影像数据对应特征空间中的影像特征映射到目标特征空间。

在一些实施例中，图像处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的图像处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种图像处理方法，其特征在于，包括：

获取待处理的目标域的影像数据；

将所述待处理的目标域的影像数据输入至预先训练完成的跨域分类模型，得到目标域的模型分类结果；

其中，所述跨域分类模型用于将所述目标域的影像数据对应特征空间中的影像特征映射到目标特征空间。

2.根据权利要求1所述的方法，其特征在于，所述跨域分类模型包括公共特征提取模块、领域特征变换模块和分类器，所述将所述目标域的影像数据输入至预先训练完成的跨域分类模型，得到目标域的模型分类结果，包括：

将所述待处理的目标域的影像数据输入至所述公共特征提取模块，得到公共特征空间的影像特征；

将所述公共特征空间的影像特征输入至所述领域特征变换模块，得到目标特征空间的影像特征；

将所述目标特征空间的影像特征输入至所述分类器，得到各分类结果的概率；

基于各所述分类结果的概率确定目标域的模型分类结果。

3.根据权利要求1所述的方法，其特征在于，所述目标特征空间为源域特征空间。

4.根据权利要求1所述的方法，其特征在于，在所述获取待处理的目标域的影像数据之后，还包括：

对所述待处理的目标域的影像数据进行预处理，得到预处理之后的目标域的影像数据，所述预处理方法包括以下中的一项或多项：

对所述待处理的目标域的影像数据进行图像重采样；

对所述待处理的目标域的影像数据进行归一化处理。

5.根据权利要求1所述的方法，其特征在于，所述跨域分类模型的训练过程包括：

获取源域的样本影像数据和所述源域的样本影像数据对应的标签，以及目标域的样本影像数据和所述目标域的样本影像数据对应的标签；

对所述源域的样本影像数据和所述目标域的样本影像数据进行预处理，得到预处理后的源域的样本影像数据和预处理后的目标域的样本影像数据；

基于所述预处理后的源域的样本影像数据和预处理后的目标域的样本影像数据对初始建立的神经网络模型进行训练，得到跨域分类模型。

6.根据权利要求5所述的方法，其特征在于，所述初始建立的神经网络模型包括公共特征提取模块、领域特征变换模块、分类器和损失建模模块；其中，

所述公共特征提取模块，用于对所述预处理后的源域的样本影像数据和预处理后的目标域的样本影像数据进行特征提取，得到公共特征空间的样本影像特征；

所述领域特征变换模块，用于对所述公共特征空间的样本影像特征进行空间变换，得到源域特征空间的样本影像特征；

所述分类器，用于对源域特征空间的样本影像特征进行分类，得到分类结果；

所述损失建模模块，用于基于所述源域特征空间的样本影像特征确定分布损失，基于所述分类结果、所述源域的样本影像数据对应的标签和所述目标域的样本影像数据对应的标签确定交叉熵损失和一致性损失，基于所述分布损失、所述交叉熵损失和一致性损失调整神经网络模型中待学习的网络参数。

7.根据权利要求6所述的方法，其特征在于，所述目标域的样本影像数据包括至少一个目标域的样本影像数据；

相应的，所述公共特征提取模块，还用于对所述预处理后的源域的样本影像数据和预处理后的多个目标域的样本影像数据进行特征提取，得到各目标域对应的公共特征空间的样本影像特征；

所述领域特征变换模块，还用于对各所述目标域对应的公共特征空间的样本影像特征进行空间变换，得到各所述目标域对应的源域特征空间的样本影像特征；

所述分类器，还用于根据各所述目标域对应的源域特征空间的样本影像特征进行分类，得到分类结果。

8.一种图像处理装置，其特征在于，包括：

影像数据获取模块，用于获取待处理的目标域的影像数据；

分类结果预测模块，用于将所述待处理的目标域的影像数据输入至预先训练完成的跨域分类模型，得到目标域的模型分类结果；

其中，所述跨域分类模型用于将所述目标域的影像数据对应特征空间中的影像特征映射到目标特征空间。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；

以及与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的图像处理方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的图像处理方法。