CN116563078A - 图像处理方法及装置、设备和介质 - Google Patents

图像处理方法及装置、设备和介质 Download PDF

Info

Publication number
CN116563078A
CN116563078A CN202210100851.8A CN202210100851A CN116563078A CN 116563078 A CN116563078 A CN 116563078A CN 202210100851 A CN202210100851 A CN 202210100851A CN 116563078 A CN116563078 A CN 116563078A
Authority
CN
China
Prior art keywords
image
target
noise
pixel
initial
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
Application number
CN202210100851.8A
Other languages
English (en)
Inventor
吴俊德
许言午
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210100851.8A priority Critical patent/CN116563078A/zh
Publication of CN116563078A publication Critical patent/CN116563078A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioethics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种图像处理方法及装置、设备和介质，涉及图像处理领域，尤其涉及深度学习、计算机视觉领域。实现方案为：生成针对第一初始图像的第一目标噪声图像；以及基于第一目标噪声图像，确定所述第一初始图像相应的第一加密图像，以使得将所述第一加密图像输入多个图像识别模型时，每一个图像识别模型均输出目标预测标签。

Description

图像处理方法及装置、设备和介质
技术领域
本公开涉及图像处理领域，尤其涉及深度学习和计算机视觉领域，具体涉及一种图像处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
基于深度学习的图像识别模型能够自动获取图像中所包含的多种信息。然而，针对此类自动图像识别技术，对于隐私的保护还远远不足，可能导致图像中所包含的隐私信息的泄露。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种图像处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种图像处理方法，包括：生成针对第一初始图像的第一目标噪声图像；以及基于第一目标噪声图像，确定所述第一初始图像相应的第一加密图像，以使得将所述第一加密图像输入多个图像识别模型时，每一个图像识别模型均输出目标预测标签。
根据本公开的另一方面，提供了一种图像处理装置，包括：生成单元，被配置用于生成针对第一初始图像的第一目标噪声图像；确定单元，被配置用于基于第一目标噪声图像，确定所述第一初始图像相应的第一加密图像，以使得将所述第一加密图像输入多个图像识别模型时，每一个图像识别模型均输出目标预测标签。
根据本公开的另一方面，提供了一种电子设备，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指令，所述指令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上述图像处理方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述图像处理方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时能够实现上述图像处理方法。
根据本公开的一个或多个实施例，通过针对初始图像生成相应的噪声图像，进而得到每张初始图像相应的加密图像，并且可以干扰图像识别模型针对加密图像的预测结果为预设预测标签，以保护初始图像中所包含的隐私信息。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开示例性实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开示例性实施例的图像处理方法的流程图；
图3示出了根据本公开示例性实施例的图像处理过程的示意图；
图4示出了根据本公开示例性实施例的图像处理方法的流程图；
图5示出了根据本公开示例性实施例的图像处理过程的示意图；
图6示出了根据本公开示例性实施例的图像处理装置的结构框图；
图7示出了能够用于实现本公开实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
基于深度学习的图像识别模型能够自动获取图像中所包含的多种信息。然而，针对此类自动图像识别技术，对于自然人隐私的保护还远远不足，从而可能导致图像中所包含的隐私信息的泄露。
基于此，本公开提供了一种图像处理方法，通过针对初始图像生成相应的噪声图像，进而得到每张初始图像相应的加密图像，并且干扰图像识别模型对加密图像的预测结果，从而能够保护初始图像中所包含的隐私信息不被泄露。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行本公开所述的图像处理方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来发送待处理的初始图像，接收服务器120所发送的处理后的加密图像。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开示例性实施例的图像处理方法的流程图。如图2所示，所述方法包括：步骤S201、生成针对第一初始图像的第一目标噪声图像；以及步骤S202、基于第一目标噪声图像，确定所述第一初始图像相应的第一加密图像，以使得将所述第一加密图像输入多个图像识别模型时，每一个图像识别模型均输出目标预测标签。由此，能够针对初始图像生成相应的噪声图像，进而得到相应的加密图像，并且干扰多个图像识别模型针对所述加密图像的预测结果为预设的目标预测标签，从而能够保护初始图像中所包含的隐私信息不被泄露。
示例性地，所述目标预测标签可以是预先设定的标签。根据一些实施例，所述第一初始图像具有真实预测标签，可以针对第一初始图像的真实预测标签，将与所述真实预测标签不同的标签定义为目标预测标签，以使得将所述第一加密图像输入多个图像识别模型时，每一个图像识别模型均输出与所述真实预测标签不同的标签，从而达到干扰图像识别模型的输出结果，保护所述第一初始图像中所包含的隐私信息的目的。
示例性地，还可以是将一个特定的预测标签定义为目标预测标签，以使得图像识别模型针对具有不同的真实预测标签的初始图像输出相同的预测标签，此时该目标预测标签可以与初始图像的真实预测标签相同，也可以与初始图像的真实预测标签不同。例如，当所述多个图像识别模型的输出结果能够指示初始图像中所包含的患者的异常病变情况信息，在这种情况下，可以将“无异常”的预测标签定义为目标预测标签，无需获取初始图像的真实预测标签，即可实现对患者隐私的保护。由此，能够进一步简化图像处理流程，更简便地达到干扰图像识别模型的输出结果的目的，保护初始图像中所包含的隐私信息。
根据一些实施例，所述图像处理方法还包括：生成针对第二初始图像的第二目标噪声图像；以及基于第二目标噪声图像，获取所述第二初始图像相应的第二加密图像，以使得将所述第二目标图像输入多个图像识别模型时，每一个图像识别模型均输出目标预测标签。也就是说，针对每张初始图像生成与其适配的目标噪声图像，并进一步得到相应的加密图像，以更好地达到干扰多个图像识别模型的输出结果的效果，从而更好地保护初始图像中所包含的隐私信息不被泄露。
根据一些实施例，所述第一初始图像为眼底图像。由此，能够将所述图像处理方法应用在眼底图像上，以保护眼底图像中所包含的异常情况信息等隐私信息，以充分保护可能的眼底疾病患者的隐私。
根据一些实施例，所述第一目标噪声图像中任意两个像素的像素值之间的差值的绝对值小于第一预设阈值。由此，通过限制所述第一目标噪声图像中任意两个像素的像素值之间的差值的绝对值，能够去除所述第一目标噪声图像的高频特征分量，使得第一目标噪声图像变为一种更具有泛化性的纹理，能够对不同结构的神经网络都起到作用。进而提高基于所述第一目标噪声图像所得到的第一加密图像的泛化性，使其能够干扰多种不同结构的图像识别模型针对第一加密图像的预测结果为预设的目标预测标签，从而更好地保护所述第一初始图像所包含的隐私信息。
应当理解，通常而言，图像的高频特征分量对基于深度学习网络的图像识别模型的网络层数和结构较为敏感，即其仅能干扰具有特定的网络层数和结构的图像识别模型的输出结果。因此，具备高频特征的噪声图像的泛化性能较差，难以同时有效干扰多种不同结构的图像识别模型。例如，当所述第一目标噪声图像具有对ResNet网络结构敏感的高频特征时，其可能对基于ResNet网络结构的图像识别模型有较好的干扰效果，但对基于VGG网络结构的图像识别模型则难以达到较好的效果。
通过去除所述第一目标噪声图像的高频特征分量，能够使其仅具备低频特征，从而具有更好的泛化性能。例如，当所述具备低频特征的第一目标噪声图像对基于ResNet网络结构的图像识别模型有较好的干扰效果时，由于基于VGG网络结构的图像识别同样对低频噪声敏感，则所述第一目标噪声图像对基于VGG网络结构的图像识别模型也能达到较好的干扰效果。通过提高所述第一目标噪声图像的泛化性能，能够更好地保护所述第一初始图像所包含的隐私信息。
根据一些实施例，所述第一目标噪声图像与所述第一初始图像的图像尺寸相同。由此，能够基于简单的对应像素值的叠加计算实现在初始图像上叠加噪声图像，更简捷高效地得到加密图像。
根据一些实施例，所述步骤S201中生成针对第一初始图像的第一目标噪声图像包括：基于待生成的第一目标噪声图像的图像尺寸信息，获取像素坐标图像，所述像素坐标图像中每一像素的像素值为该像素的坐标；以及基于所述像素坐标图像，生成所述第一目标噪声图像。由此，能够基于像素的坐标得到第一目标噪声图像中像素的像素值，从而保证了所述第一目标噪声图像的低频特性，以提高所述加密图像的泛化性。
示例性地，可以是通过预先定义的公式，来基于所述像素坐标图像生成所述第一目标噪声图像。例如，所述预先定义的公式可以是由像素的坐标值映射到像素的像素值的低频非线性函数，从而能够基于所述像素坐标图像得到具有低频特征的第一目标噪声图像，以提高所述加密图像的泛化性。
根据一些实施例，所述基于所述像素坐标图像，生成所述第一目标噪声图像包括：将所述像素坐标图像输入噪声生成模型，并获取所述噪声生成模型所输出的所述第一目标噪声图像。由此，能够利用神经网络模型基于像素的坐标得到第一目标噪声图像中像素的像素值，从而保证了所述第一目标噪声图像的低频特性，以提高所述加密图像的泛化性。
示例性地，所述噪声生成模型的工作机制可以是：针对所述像素坐标图像中的每一个像素，获取其像素值(即该像素的坐标)作为输入，并输出第一目标噪声图像中相应的像素值，进而得到完整的第一目标噪声图像。由于神经网络模型针对相似的输入能够得到相似的输出，因此，利用神经网络模型生成第一目标噪声图像，能够保证所述第一目标噪声图像的低频特性，以提高所述加密图像的泛化性。
根据一些实施例，所述噪声生成模型为卷积神经网络模型。由此，能够利用简单的模型结构实现生成目标噪声图像的目的，提高图像处理的效率。
示例性地，所述噪声生成模型也可以是深度神经网络模型，只要其能够实现针对相似的输入得到相似的输出的效果，对具体的噪声生成模型的类型不作限制。
根据一些实施例，所述将所述像素坐标图像输入噪声生成模型，并获取所述噪声生成模型所输出的所述第一目标噪声图像包括：将所述像素坐标图像输入噪声生成模型，并获取所述噪声生成模型所输出的预测噪声图像；基于所述预测噪声图像，确定所述第一初始图像相应的中间图像；将所述中间图像输入任一图像识别模型，并获取该图像识别模型所输出的所述中间图像的第一预测标签；至少基于所述目标预测标签和所述第一预测标签，计算第一损失值；以及基于所述第一损失值调整所述噪声生成模型的参数。由此，能够基于所述第一初始图像和图像识别模型训练噪声生成模型，通过调整所述噪声生成模型的参数，能够实现调整预测噪声图像，以获取针对该初始图像的具有低频特征的第一目标噪声图像，从而能够高效快捷地得到相应的加密图像，更好地保护初始图像中所包含的隐私信息。
示例性地，所述图像识别模型可以是利用如下方式构建和训练的：获取标准的基于卷积神经网络的图像识别模型；获取训练样本集，所述训练样本集中包含至少一个训练样本，每个训练样本中包含至少一个待识别图像；获取所述每个训练样本对应的真实图像信息；将所述至少一个待识别图像输入所述图像识别模型，并获取所述图像识别模型所输出的预测图像信息；基于所述真实图像信息和所述预测图像信息计算损失值，所述损失值例如可以是基于交叉熵损失函数计算得到的；基于所述损失值调整所述图像识别模型的参数，直到所述损失值小于预设的损失值阈值。示例性地，所述图像识别模型也可以是二元图像分类模型。相应地，可以是获取所述每个训练样本对应的真实图像分类标签，并将所述至少一个待识别图像输入所述图像分类模型，并获取所述图像分类模型所输出的图像标签预测概率值，以及基于所述真实图像分类标签和所述图像标签预测概率值计算损失值，并基于所述损失值训练所述图像分类模型。
根据一些实施例，所述步骤S201中生成针对第一初始图像的第一目标噪声图像还包括：至少响应于该图像识别模型所输出的所述中间图像的第一预测标签为目标预测标签，将所述噪声生成模型当前所输出的预测噪声图像确定为所述第一目标噪声图像。由此，能够利用图像识别模型的输出结果，确定噪声生成模型的训练结束标志，高效地达到利用噪声图像干扰图像识别模型的输出结果的目的。
示例性地，也可以是响应于调整所述噪声生成模型的参数的次数达到预设阈值，将所述噪声生成模型当前所输出的预测噪声图像确定为所述第一目标噪声图像。
根据一些实施例，所述第一目标噪声图像中任意一个像素的像素值小于第二预设阈值。由此，能够通过限定噪声图像的像素值来约束所述加密图像中噪声图像的大小，以避免噪声图像对初始图像所包含的信息造成的干扰过大，影响对图像中有效信息的识别。
示例性地，当所述第一目标噪声图像是由噪声生成模型基于像素坐标图像生成的，则可以通过预先定义所述噪声生成模型中的超参数，来限制所述第一目标噪声图像中任意一个像素的像素值小于第二预设阈值。
根据一些实施例，当所述第一目标噪声图像中任意一个像素的像素值小于第二预设阈值时，所述步骤S202中基于第一目标噪声图像，确定所述第一初始图像相应的第一加密图像包括：针对所述第一目标噪声图像中的每一个像素，基于预设权重，将该像素的像素值与所述第一初始图像中相应像素的像素值进行加权计算，以得到所述第一加密图像。由此，能够通过预设权重进一步约束所述加密图像中噪声图像的大小，限制噪声图像对图像视觉效果的影响，例如可以将所述加密图像中的噪声限定在人眼看不到的范围，在干扰图像识别模型的输出结果的同时不影响人眼的判断，从而能够在保护图像中所包含的隐私信息的同时不影响对图像中有效信息的识别。
示例性地，所述预设权重可以是远小于1的数值。例如，当所述第一初始图像中的像素值范围为0-1，所述第一目标噪声图像中的像素值范围为0-1，可以将预设权重设置为0.03，针对所述第一初始图像中的每一个像素，利用以下公式得到第一加密图像中相应像素的像素值，从而得到第一加密图像：
Venc＝Vorig+0.03×Vnois
式中，Venc为所述第一加密图像中相应像素的像素值，Vorig为所述第一初始图像中相应像素的像素值，Vnois为所述第一目标噪声图像中相应像素的像素值。由此，能够将所述第一目标噪声图像对所述第一初始图像的视觉干扰限定在较小的范围内，以达到不影响人眼识别的效果。
以下将结合示例，进一步描述本公开示例性实施例。
图3示出了根据本公开示例性实施例的图像处理过程的示意图。其中，箭头示出了信号流的方向，实线箭头示出了信号的前向传播过程，虚线箭头示出了信号的反向传播过程。图3中所示的图像识别模型可以是根据前文所述的图像识别模型的构建和训练方式得到的，在此不再赘述。
图4示出了根据本公开示例性实施例的图像处理方法的流程图。
如图4所示，所述方法包括：
步骤S401：基于待生成的第一目标噪声图像的图像尺寸信息，获取像素坐标图像，所述像素坐标图像中每一像素的像素值为该像素的坐标。其中，所述第一目标噪声图像的图像尺寸信息例如可以是基于第一初始图像的图像尺寸信息得到的，二者的图像尺寸相同。
步骤S402：将所述像素坐标图像输入噪声生成模型，并获取所述噪声生成模型所输出的预测噪声图像。其中，所述噪声生成模型例如可以是一个2-3层的卷积神经网络模型，从而能够更高效简捷地得到所述预测噪声图像。并且其中，所述噪声生成模型可以包含预先定义的超参数，以限制模型所输出的预测噪声图像的像素值的大小，避免噪声图像对初始图像所包含的信息造成的干扰过大。
步骤S403：基于所述预测噪声图像，确定所述第一初始图像相应的中间图像。所述确定所述第一初始图像相应的中间图像可以包括：针对所述预测噪声图像中的每一个像素，基于预设权重，将该像素的像素值与所述第一初始图像中相应像素的像素值进行加权计算，以得到所述第一中间图像。
步骤S404：将所述中间图像输入图像识别模型，并获取该图像识别模型所输出的所述中间图像的第一预测标签。
步骤S405：至少基于所述目标预测标签和所述第一预测标签，计算第一损失值。所述目标预测标签可以是事先由人工定义的，例如可以是将一个预设的预测标签定义为目标预测标签，以简化图像处理流程，提高图像处理效率。
步骤S406：基于所述第一损失值调整所述噪声生成模型的参数。通过调整所述噪声生成模型的参数，能够实现调整预测噪声图像，以获取针对该初始图像的具有低频特征的第一目标噪声图像。
步骤S407：至少响应于该图像识别模型所输出的所述中间图像的第一预测标签为目标预测标签，将所述噪声生成模型当前所输出的预测噪声图像确定为所述第一目标噪声图像。由此，能够利用图像识别模型的输出结果，确定噪声生成模型的训练结束标志，在保证达到利用噪声图像干扰图像识别模型的输出结果的目的的同时，提高图像处理的效率。
图5示出了根据本公开示例性实施例的图像处理过程的示意图，如图5所示，待处理的初始图像501例如可以是眼底图像。在通过步骤S401-步骤S407所述的方法得到目标噪声图像502后，则可基于目标噪声图像502，确定初始图像501相应的加密图像503。例如，可以是针对目标噪声图像502中的每一个像素，基于预设的权重0.03，将该像素的像素值乘以0.03后与初始图像501中相应像素的像素值相加，从而得到加密图像503。可以看出，相比于初始图像501，基于目标噪声图像502所生成的加密图像503的视觉效果扰动较小，能够达到不影响人眼判断的效果，在保护眼底图像中所包含的隐私信息的同时不影响对其中有效信息的识别。
根据本公开的另一方面，提供了一种图像处理装置。图6示出了根据本公开示例性实施例的图像处理装置的结构框图。如图6所示，所述图像处理装置600包括：生成单元601，被配置用于生成针对第一初始图像的第一目标噪声图像；确定单元602，被配置用于基于第一目标噪声图像，确定所述第一初始图像相应的第一加密图像，以使得将所述第一加密图像输入多个图像识别模型时，每一个图像识别模型均输出目标预测标签。图像处理装置600的单元601-单元602的操作与前面描述的步骤S201-步骤S202的操作类似，在此不作赘述。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的另一方面，还提供一种电子设备，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指令，所述指令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上述的图像处理方法。
根据本公开的另一方面，还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述的图像处理方法。
根据本公开的另一方面，还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序再被处理器执行时实现上述的图像处理方法。
参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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，个人数字处理、蜂窝电话、智能电话、可穿戴设备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/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许设备700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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701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。计算单元701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计算单元、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。计算单元701执行上文所描述的各个方法和处理，例如图像处理方法。例如，在一些实施例中，图像处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701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，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述的图像处理方法。
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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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，可以在计算机上实施此处描述的系统和技术，该计算机具有：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计算机。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)和互联网。
计算机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，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性地实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (17)

1.一种图像处理方法，包括：
生成针对第一初始图像的第一目标噪声图像；以及
基于第一目标噪声图像，确定所述第一初始图像相应的第一加密图像，以使得将所述第一加密图像输入多个图像识别模型时，每一个图像识别模型均输出目标预测标签。
2.根据权利要求1所述的方法，其中，所述第一目标噪声图像中任意两个像素的像素值之间的差值的绝对值小于第一预设阈值。
3.根据权利要求2所述的方法，其中，所述生成针对第一初始图像的第一目标噪声图像包括：
基于待生成的第一目标噪声图像的图像尺寸信息，获取像素坐标图像，所述像素坐标图像中每一像素的像素值为该像素的坐标；以及
基于所述像素坐标图像，生成所述第一目标噪声图像。
4.根据权利要求3所述的方法，其中，所述基于所述像素坐标图像，生成所述第一目标噪声图像包括：
将所述像素坐标图像输入噪声生成模型，并获取所述噪声生成模型所输出的所述第一目标噪声图像。
5.根据权利要求4所述的方法，其中，所述将所述像素坐标图像输入噪声生成模型，并获取所述噪声生成模型所输出的所述第一目标噪声图像包括：
将所述像素坐标图像输入噪声生成模型，并获取所述噪声生成模型所输出的预测噪声图像；
基于所述预测噪声图像，确定所述第一初始图像相应的中间图像；
将所述中间图像输入任一图像识别模型，并获取该图像识别模型所输出的所述中间图像的第一预测标签；
至少基于所述目标预测标签和所述第一预测标签，计算第一损失值；以及
基于所述第一损失值调整所述噪声生成模型的参数。
6.根据权利要求5所述的方法，其中，所述生成针对第一初始图像的第一目标噪声图像还包括：
至少响应于该图像识别模型所输出的所述中间图像的第一预测标签为目标预测标签，将所述噪声生成模型当前所输出的预测噪声图像确定为所述第一目标噪声图像。
7.根据权利要求4-6中任一项所述的方法，其中，所述噪声生成模型为卷积神经网络模型。
8.根据权利要求1-7中任一项所述的方法，还包括：
生成针对第二初始图像的第二目标噪声图像；以及
基于第二目标噪声图像，获取所述第二初始图像相应的第二加密图像，以使得将所述第二目标图像输入多个图像识别模型时，每一个图像识别模型均输出目标预测标签。
9.根据权利要求1-8中任一项所述的方法，其中，所述第一目标噪声图像中任意一个像素的像素值小于第二预设阈值。
10.根据权利要求9所述的方法，其中，所述基于第一目标噪声图像，确定所述第一初始图像相应的第一加密图像包括：
针对所述第一目标噪声图像中的每一个像素，基于预设权重，将该像素的像素值与所述第一初始图像中相应像素的像素值进行加权计算，以得到所述第一加密图像。
11.根据权利要求1-10中任一项所述的方法，其中，所述第一目标噪声图像与所述第一初始图像的图像尺寸相同。
12.根据权利要求1-11中任一项所述的方法，其中，所述第一初始图像为眼底图像。
13.根据权利要求1-12中任一项所述的方法，其中，所述第一初始图像具有真实预测标签，并且其中，所述目标预测标签不同于所述真实预测标签。
14.一种图像处理装置，包括：
生成单元，被配置用于生成针对第一初始图像的第一目标噪声图像；
确定单元，被配置用于基于第一目标噪声图像，确定所述第一初始图像相应的第一加密图像，以使得将所述第一加密图像输入多个图像识别模型时，每一个图像识别模型均输出目标预测标签。
15.一种电子设备，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指令，所述指令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至13中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1至13中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据权利要求1至13中任一项所述的方法。
CN202210100851.8A 2022-01-27 2022-01-27 图像处理方法及装置、设备和介质 Pending CN116563078A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210100851.8A CN116563078A (zh) 2022-01-27 2022-01-27 图像处理方法及装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210100851.8A CN116563078A (zh) 2022-01-27 2022-01-27 图像处理方法及装置、设备和介质

Publications (1)

Publication Number Publication Date
CN116563078A true CN116563078A (zh) 2023-08-08

Family

ID=87496988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210100851.8A Pending CN116563078A (zh) 2022-01-27 2022-01-27 图像处理方法及装置、设备和介质

Country Status (1)

Country Link
CN (1) CN116563078A (zh)

Similar Documents

Publication Publication Date Title
CN114004985B (zh) 人物交互检测方法、神经网络及其训练方法、设备和介质
US20230052389A1 (en) Human-object interaction detection
US20230047628A1 (en) Human-object interaction detection
CN114445667A (zh) 图像检测方法和用于训练图像检测模型的方法
CN116228867B (zh) 位姿确定方法、装置、电子设备、介质
CN115601555A (zh) 图像处理方法及装置、设备和介质
CN114550313B (zh) 图像处理方法、神经网络及其训练方法、设备和介质
CN115600646B (zh) 语言模型的训练方法、装置、介质及设备
CN114881170B (zh) 用于对话任务的神经网络的训练方法和对话任务处理方法
CN113722594B (zh) 推荐模型的训练方法、推荐方法、装置、电子设备及介质
CN113839944B (zh) 应对网络攻击的方法、装置、电子设备和介质
CN115393514A (zh) 三维重建模型的训练方法、三维重建方法、装置、设备
CN116563078A (zh) 图像处理方法及装置、设备和介质
CN114550269A (zh) 口罩佩戴检测方法、设备和介质
CN114693977A (zh) 图像处理方法、模型训练方法、装置、设备及介质
CN114494797A (zh) 用于训练图像检测模型的方法和装置
CN117671430A (zh) 模型训练方法、图像处理方法、装置及设备
CN117218499B (zh) 面部表情捕捉模型的训练方法、面部表情驱动方法和装置
CN114140851B (zh) 图像检测方法和用于训练图像检测模型的方法
CN114120420B (zh) 图像检测方法和装置
CN113627330B (zh) 识别目标类型动态图像的方法、装置及电子设备
CN114118379B (zh) 神经网络的训练方法、图像处理方法、装置、设备和介质
CN117218297B (zh) 人体重建参数生成方法、装置、设备和介质
CN115512131B (zh) 图像检测方法和图像检测模型的训练方法
CN115578451B (zh) 图像处理方法、图像处理模型的训练方法和装置

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