[发明专利]图像处理方法、装置、电子设备及计算机可读存储介质

权利要求书

1.一种图像处理方法，包括：

获取待处理图像和水印图像；

对所述待处理图像添加扰动量，并将已添加所述扰动量的待处理图像输入卷积神经网络模型进行N次预测，直至所述卷积神经网络模型输出的目标图像与所述水印图像之间的损失函数满足预设条件，其中，每次预测对所述待处理图像添加的所述扰动量不同，N为正整数；

在所述卷积神经网络模型输出的目标图像与所述水印图像之间的损失函数满足预设条件的情况下，所述方法还包括：

获取所述卷积神经网络模型基于对已添加目标扰动量的待处理图像进行预测后输出的所述目标图像；

基于结构相似性获取所述目标图像与所述水印图像之间的相似度值；

在所述相似度值大于预设阈值的情况下，确定所述目标图像与所述水印图像之间的损失函数满足所述预设条件，并将添加所述目标扰动量的待处理图像确定为水印添加完成的图像。

2.根据权利要求1所述的方法，所述方法还包括：

获取所述扰动量的学习率及所述损失函数对所述卷积神经网络模型输入图像的梯度；

基于所述学习率及所述梯度对所述扰动量进行更新。

3.根据权利要求2所述的方法，其中，所述基于所述学习率及所述梯度对所述扰动量进行更新，包括：

获取所述扰动量的初始学习率；

基于所述初始学习率、迭代次数及超参数进行学习率衰减，以获得目标学习率；

基于所述目标学习率及所述梯度对所述扰动量进行更新。

4.根据权利要求1所述的方法，所述方法还包括：

对所述损失函数添加所述扰动量的约束项，以限制更新后的扰动量趋近于目标数值。

5.一种图像处理装置，包括：

第一获取模块，用于获取待处理图像和水印图像；

处理模块，用于对所述待处理图像添加扰动量，并将已添加所述扰动量的待处理图像输入卷积神经网络模型进行N次预测，直至所述卷积神经网络模型输出的目标图像与所述水印图像之间的损失函数满足预设条件，其中，每次预测对所述待处理图像添加的所述扰动量不同，N为正整数；

所述装置还包括：

第三获取模块，用于在所述卷积神经网络模型输出的目标图像与所述水印图像之间的损失函数满足预设条件的情况下，获取所述卷积神经网络模型基于对已添加目标扰动量的待处理图像进行预测后输出的所述目标图像；

第四获取模块，用于基于结构相似性获取所述目标图像与所述水印图像之间的相似度值；

确定模块，用于在所述相似度值大于预设阈值的情况下，确定所述目标图像与所述水印图像之间的损失函数满足所述预设条件，并将添加所述目标扰动量的待处理图像确定为水印添加完成的图像。

6.根据权利要求5所述的装置，所述装置还包括：

第二获取模块，用于获取所述扰动量的学习率及所述损失函数对所述卷积神经网络模型输入图像的梯度；

更新模块，用于基于所述学习率及所述梯度对所述扰动量进行更新。

7.根据权利要求6所述的装置，其中，所述更新模块还用于：

获取所述扰动量的初始学习率；

基于所述初始学习率、迭代次数及超参数进行学习率衰减，以获得目标学习率；

基于所述目标学习率及所述梯度对所述扰动量进行更新。

8.根据权利要求5所述的装置，所述装置还包括：

添加模块，用于对所述损失函数添加所述扰动量的约束项，以限制更新后的扰动量趋近于目标数值。

9.一种电子设备，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1-4中任一项所述的方法。

10.一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根据权利要求1-4中任一项所述的方法。