【技术实现步骤摘要】
图像处理方法及装置、电子设备和可读存储介质
本专利技术涉及信息处理
，具体涉及一种图像处理方法及装置、电子设备和可读存储介质。
技术介绍
目前，生物特征识别技术如指纹识别和人脸识别不论是在民用领域还是军用领域都得到了广泛的应用。比如，对于门禁系统来说，很多企业、单位已经采用如指纹识别技术对用户进行身份鉴别，以便进行安全访问、统计考勤等。在进行指纹识别时，一般为利用图像采集设备采集带底纹图像样本，再从带底纹图像样本中分离出有效信息和底纹信息，如图1所示，图1示出现有的一种图像处理装置的结构框图，现有的图像处理装置包括差分模块100，在进行图像处理如底纹去除时，首先预存一个底纹图像，然后对采集图像与预存的底纹图像进行差分运算，得到过滤底纹后的图像，即有效图像，进而获得有效图像中的有效信息。但是由于图像采集设备可能受到各种环境因素的影响，采集到的图像中所包含的底纹信息可能产生一定的变化，进而与预存的底纹图像所包含的信息匹配度降低，使得无法得到理想的有效信息。因此，有必要提供改进的技术方案以克服现有技术...
【技术保护点】
1.一种图像处理方法，其中，包括：/n获取采集图像；/n将所述采集图像输入预先训练的神经网络模型，获得所述采集图像中的底纹图像；/n基于所述采集图像和所述底纹图像，获得过滤底纹后的图像，/n其中所述神经网络模型通过以下方式训练：将带底纹图像样本集中的每个带底纹图像样本输入所述神经网络模型，由所述神经网络模型输出判定的底纹图像，与所述带底纹图像样本已知的底纹图像进行对比，从而对所述神经网络模型各层隐层节点之间的特征系数进行训练，获得训练后的神经网络模型。/n
【技术特征摘要】
1.一种图像处理方法，其中，包括：
获取采集图像；
将所述采集图像输入预先训练的神经网络模型，获得所述采集图像中的底纹图像；
基于所述采集图像和所述底纹图像，获得过滤底纹后的图像，
其中所述神经网络模型通过以下方式训练：将带底纹图像样本集中的每个带底纹图像样本输入所述神经网络模型，由所述神经网络模型输出判定的底纹图像，与所述带底纹图像样本已知的底纹图像进行对比，从而对所述神经网络模型各层隐层节点之间的特征系数进行训练，获得训练后的神经网络模型。
2.根据权利要求1所述的图像处理方法，其中，所述预先训练的神经网络模型为自编码器神经网络模型。
3.根据权利要求2所述的图像处理方法，其中，预先训练自编码器神经网络模型包括：
对于固定位置采集的图像，预先训练具有人工神经网络结构的自编码器神经网络模型；
对于不同位置采集的图像，预先训练具有卷积神经网络结构的自编码器神经网络模型。
4.根据权利要求3所述的图像处理方法，其中，自编码器神经网络模型包括对称的编码器神经网络和解码器神经网络，
所述编码器神经网络用以接收所述带底纹图像样本，压缩并逐层提取所述带底纹图像样本的特征信息；
所述解码器神经网络用以接收所述编码器神经网络提取到的所述特征信息，并根据所述特征信息逐层恢复所述带底纹图像样本。
5.根据权利要求4所述的图像处理方法，其中，预先训练具有人工神经网络结构的自编码器神经网络模型包括：
输入多维的所述带底纹图像样本的像素数据，对所述像素数据进行降维输出；
逐层的对降维输出的所述像素数据进行压缩，并在压缩过程中根据所述人工神经网络的特征系数对所述像素数据中的每个像素数据进行加权输出；
逐层的对压缩后的所述像素数据进行还原，并在还原过程中根据所述人工神经网络的特征系数对所述像素数据中的每个像素数据进行加权输出；
对还原后的所述像素数据进行升维输出，更改所述像素数据的输出形状，以与输入的多维像素数据的形状一致，
其中所述人工神经网络的特征系数为所述人工神经网络中每个神经核针对每个图像像素灰度的加权系数。
6.根据权利要求4所述的图像处理方法，其中，预先训练具有卷积神经网络结构的自编码器神经网络模型包括：
输入所述带底纹图像样本的像素数据，根据所述卷积神经网络的特征系数对所述像素数据进行卷积，逐层提取所述输入带底纹图像样本的图像特征；
对所述像素数据进行卷积的逆运算，逐层还原所述输入带底纹图像样本的图像信息；
其中每提取一次所述输入带底纹图像样本的图像特征后，压缩所述图像特征，
每还原一次所述输入带底纹图像样本的图像信息后，解压所述图像信息，逐层还原图像尺寸，
所述卷积神经网络的特征系数为所述卷积神经网络中每个神经核的卷积核。
7.根据权利...
【专利技术属性】
技术研发人员：陈世林，冯继雄，田志民，王长海，陈子轩，李保梁，宋子明，刘小宁，
申请(专利权)人：北京集创北方科技股份有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。