(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211166657.6 (22)申请日 2022.09.23 (71)申请人 上海高德威智能交通系统有限公司 地址 201821 上海市嘉定区云谷路59 9弄6 号620室J 1452 (72)发明人 李辛昭　 (74)专利代理 机构 北京博思佳知识产权代理有 限公司 1 1415 专利代理师 杨春香 (51)Int.Cl. G06F 21/60(2013.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种图像处 理方法、 装置及电子设备 (57)摘要 本申请实施例提供一种图像处理方法、 装置 及电子设备。 在本实施例中， 通过对第一损失值 (用于表征待加密图像和已得到的与待加密图像 对应的初始化图像的一致程度)、 第二损失值(以 及基于图像预测结果和图像标注结果确定)进行 梯度反演， 来对待加密图像对应的初始化图像进 行调整， 将调整后的图像作为待加密图像的目标 加密图像(简称为间接生成加密图像的方式)， 这 实现了在对待加密图像进行加密时并非直接利 用神经网络对待加密图像进行加密； 并且， 这种 间接生成加密图像的方式， 保证了原图即待加密 图像和上述目标加密图像 之间关系的复杂性， 进 而提高了图像安全性。 权利要求书3页 说明书10页 附图3页 CN 115495762 A 2022.12.20 CN 115495762 A 1.一种图像处 理方法， 其特 征在于， 该 方法应用于电子设备， 该 方法包括： 获得第一损失值； 所述第 一损失值用于表征待加密图像和已得到的与 所述待加密图像 对应的初始 化图像的一致程度， 所述第一损失值是基于第一类图像特征和 第二类图像特征 确定的， 所述第一类图像特征是通过将待加密图像输入到已训练好的第一神经网络得到 的， 所述第二类图像特 征是通过将所述初始化图像输入到已得到的当前密钥网络得到的； 获得第二损 失值； 所述第二损 失值是基于 图像预测结果和图像标注结果确定的， 所述 图像预测结果是通过将所述第二类图像特征输入到已训练好的第二神经网络得到的， 所述 图像标注结果是所述待加密图像被预先标注的结果； 所述第二损失值用于表征所述图像预 测结果和图像标注结果之间的一 致程度； 根据第一损 失值和第二损 失值， 确定初始化图像中每一像素点对应的更新梯度， 依据 每一像素点对应的更新梯度， 更新初始化图像中的每一像素点的像素值， 得到所述待加密 图像对应的候选加密图像； 依据所述待加密图像对应的候选加密图像， 确定与所述待加密图像对应的目标加密图 像。 2.根据权利要求1所述的方法， 其特征在于， 所述第 一神经网络和所述第 二神经网络是 通过对已训练好的网络模型划分得到的， 所述第一神经网络包含所述网络模型中的前P层， 所述第二神经网络包括所述网络模型中除所述前P层之外的剩余层， P大于或等于1。 3.根据权利要求1所述的方法， 其特 征在于， 所述获得第一损失值， 包括： 将所述第一类图像特征和所述第 二类图像特征输入至已设定的一致性损失函数， 得到 一致性损失值， 将所述 一致性损失值确定为所述第一损失值。 4.根据权利要求1所述的方法， 其特 征在于， 所述获得第二损失值， 包括： 将所述图像预测结果和所述图像标注结果输入至与指定任务类别对应的损失函数， 得 到所述第二损失值； 所述指定任务类别为所述图像预测结果所属的任务类别； 其中， 当所述任务类别为分类任务时， 所述损失函数为交叉熵损失函数； 当所述任务类 别为检测任务时， 所述损失函数为回归损失函数。 5.根据权利要求1所述的方法， 其特征在于， 所述依据所述待加密图像对应的候选加密 图像， 确定与所述待加密图像对应的目标加密图像， 包括： 确定所述待加密图像对应的候选加密图像是否满足预设加密要求； 如果是， 将所述待加密图像对应的候选加密图像确定为所述待加密图像对应的目标加 密图像， 或者， 对所述待加密图像对应的候选加密图像进行指 定截断操作， 将得到的图像确 定为所述待加密图像对应的目标加密图像； 如果否， 基于所述第一损失值和所述第二损失值， 更新当前密钥网络的模型参数， 将更 新后的当前密钥网络作为当前密钥网络， 依据所述待加密图像对应的候选加密图像更新所 述待加密图像对应的初始化图像， 返回获得第一损失值的步骤。 6.根据权利要求5所述的方法， 其特征在于， 所述对所述待加密图像对应的候选加密图 像进行指定截断操作， 包括： 将待加密图像对应的候选加密图像中满足第一条件的像素点的像素值更新为第一像 素值， 将所述待加密图像对应的候选加密图像中满足第二条件的像素点的像素值更新为第 二像素值； 其中， 第一像素值为待加密图像中所有像素点的像素值中取值最大的像素值， 满权　利　要　求　书 1/3 页 2 CN 115495762 A 2足第一条件的像素点是指像素值大于所述第一像素值的像素点； 第二像素值为待加密图像 中所有像素点的像素值中取值最小的像素值， 满足第二条件的像素点是指 像素值小于所述 第二像素值的像素点。 7.根据权利要求5所述的方法， 其特征在于， 所述依据所述待加密图像对应的候选加密 图像更新所述待加密图像对应的初始化图像， 包括： 将所述待加密图像对应的候选加密图像更新为所述待加密图像对应的初始化图像； 或 者， 将所述待加密图像对应的候选加密图像中满足第一条件的像素点的像素值更新为第 一像素值， 将所述待加密图像对应的候选加密图像中满足第二条件的像素点的像素值更新 为第二像素值， 将更新后的候选加密图像更新为所述待加密图像对应的初始 化图像； 其中， 第一像素值为所述待加密图像中所有像素点的像素值中取值最大的像素值， 满足第一条件 的像素点是指 像素值大于所述第一像素值的像素点； 第二像素值为所述待加密图像中所有 像素点的像素值中取值最小的像素值， 满足第二条件的像素点是指 像素值小于所述第二像 素值的像素点。 8.根据权利要求1所述的方法， 其特征在于， 所述根据所述第 一损失值和所述第 二损失 值， 确定所述初始化图像中每一像素点的像素值对应的更新梯度， 包括： 基于所述第 一损失值和所述第 二损失值， 并按照如下梯度反演公式确定所述初始化图 像中每一像素点的像素值对应的更新梯度： 其 中 ，g r a d 表 示 更 新 梯 度 ； 表示第一损失值； 表示第 二损失值； λ为常数； Z表示初始化图像中的各像素点的像素值； X表示待加密图像中的各像 素点的像素值； WR表示当前密钥网络的模型参数； WC包括： 和 表示第一 神经网络的模型参数； 为第二神经网络的模型参数。 9.一种图像处 理装置， 其特 征在于， 该装置包括： 第一损失值获得模块， 用于获得第一损 失值； 所述第一损 失值用于表征待加密图像和 已得到的与所述待加密图像对应的初始 化图像的一致程度， 所述第一损失值是基于第一类 图像特征和第二类图像特征确定的， 所述第一类图像特征是通过将待加密图像输入到已训 练好的第一神经网络得到的， 所述第二类图像特征是通过将所述初始化图像输入到已得到 的当前密钥网络得到的； 第二损失值获得模块， 用于获得第二损 失值； 所述第二损 失值是基于 图像预测结果和 图像标注结果确定的， 所述图像预测结果是通过将所述第二类图像特征输入到已训练好的 第二神经网络得到的， 所述图像标注结果是所述待加密图像被预先标注的结果； 所述第二 损失值用于表征 所述图像预测结果和图像标注结果之间的一 致程度； 更新模块， 用于根据第一损 失值和第二损 失值， 确定初始化图像中每一像素点对应的 更新梯度， 依据每一像素点对应的更新梯度， 更新初始化图像中的每一像素点的像素值， 得权　利　要　求　书 2/3 页 3 CN 115495762 A 3