现场指掌纹图像增强方法、装置及电子设备与流程

1.本发明涉及人工智能技术领域，尤其是涉及一种现场指掌纹图像增强方法、装置及电子设备。


背景技术：

2.指掌纹比对常用现场指掌纹图像(指事发现场采集到的指掌纹图像)与底库中包含的捺印指掌纹图像进行比对来确定现场指掌纹图像对应的人员身份。现场指掌纹图像往往是从介质上采集下来，噪声较多，直接使用现场指掌纹图像与底库中包含的捺印指掌纹图像进行比对通常难以获得高准确率。
3.为了提高比对准确率，需要对现场指掌纹图像进行图像增强后，再和底库中包含的捺印指掌纹图像进行比对。目前一般通过传统的计算方法(相对于基于深度学习的模型而言)将现场指掌纹图像转换为二值化图像来进行图像增强。但是这种计算方法对于一些复杂背景的图像会造成错误的增强，并且对指掌纹中一些细节特征(如小棒或小点)不敏感。若使用深度学习的方法，一方面，现场指掌纹图像的数量远远少于捺印指掌纹图像的数量，导致没有足够训练数据；另一方面，难以通过标注的方式获得用以训练的现场指掌纹图像所对应的真实图像。


技术实现要素：

4.本发明的目的在于提供一种现场指掌纹图像增强方法、装置及电子设备，使用捺印指掌纹图像构建用于训练图像增强模型的样本图像-真实图像对，以提高现场指掌纹图像的增强准确度。
5.第一方面，本发明实施例提供了一种现场指掌纹图像增强方法，包括：
6.对待处理现场指掌纹图像进行预处理，得到预处理后图像；
7.将所述预处理后图像输入训练后的图像增强模型，得到增强后的增强图像；
8.所述图像增强模型是通过如下方法训练的：
9.获取捺印指掌纹图像及其对应的目标图像；所述捺印指掌纹图像对应的目标图像为所述捺印指掌纹图像或所述捺印指掌纹图像对应的二值化图像；
10.对所述捺印指掌纹图像进行现场指掌纹模拟，得到现场样本图像；所述现场指掌纹模拟包括添加背景噪声、添加前景噪声、添加纹线深浅噪声中的至少一种；
11.将所述捺印指掌纹图像对应的多个样本图像作为输入图像，并将所述目标图像作为所述多个样本图像对应的真实图像，对初始图像增强模型进行训练，得到训练后的图像增强模型；其中，所述多个样本图像包括所述现场样本图像。
12.进一步地，所述对所述捺印指掌纹图像进行现场指掌纹模拟，得到现场样本图像，包括以下至少一者：
13.将所述捺印指掌纹图像与去除纹线信息的现场指掌纹图像进行融合，得到添加有背景噪声的现场样本图像；
14.在所述捺印指掌纹图像上添加不规则噪音，得到添加有前景噪声的现场样本图像；其中，所述不规则噪音包括文字、线条和斑点中的一种或多种；
15.对所述捺印指掌纹图像进行纹线深浅变换处理，得到添加有纹线深浅噪声的现场样本图像。
16.进一步地，所述对所述捺印指掌纹图像进行现场指掌纹模拟，得到现场样本图像，包括：
17.对所述捺印指掌纹图像进行与去除纹线信息的现场指掌纹图像的融合处理、不规则噪音的添加处理和纹线深浅变换处理中的多种，得到添加有多种噪声的现场样本图像。
18.进一步地，所述多个样本图像还包括几何样本图像，所述方法还包括：
19.对所述捺印指掌纹图像和所述现场样本图像分别进行几何变换，得到几何样本图像；其中，所述几何变换包括旋转、缩放和镜像中的一种或多种。
20.进一步地，所述多个样本图像还包括所述捺印指掌纹图像，所述将所述捺印指掌纹图像对应的多个样本图像作为输入图像，并将所述目标图像作为所述多个样本图像对应的真实图像，对初始图像增强模型进行训练，得到训练后的图像增强模型，包括：
21.将多个所述样本图像作为输入图像，并将所述目标图像作为所述多个样本图像对应的真实图像，对初始图像增强模型进行第一轮训练，直至所述初始图像增强模型的损失函数收敛；
22.将多个所述样本图像作为输入图像，并将第n-1轮训练结束时所述初始图像增强模型输出的与所述捺印指掌纹图像对应的预测图像作为所述多个样本图像对应的真实图像，对所述初始图像增强模型进行第n轮训练，以得到训练后的图像增强模型；其中，n为大于1的整数。
23.进一步地，所述多个样本图像还包括所述捺印指掌纹图像，所述将所述捺印指掌纹图像对应的多个样本图像作为输入图像，并将所述目标图像作为所述多个样本图像对应的真实图像，对初始图像增强模型进行训练，得到训练后的图像增强模型，包括：
24.将多个所述样本图像作为输入图像，并将所述目标图像作为所述多个样本图像对应的真实图像，对初始图像增强模型进行第一轮训练，直至所述初始图像增强模型的损失函数收敛；
25.第n-1轮训练结束后，对所述捺印指掌纹图像和所述现场样本图像分别进行随机图像几何变换，得到更新后的几何样本图像；其中，n为大于1的整数，所述随机图像几何变换包括随机旋转、随机缩放和随机镜像中的一种或多种；
26.将多个更新后的样本图像作为输入图像，并将第n-1轮训练结束时所述初始图像增强模型输出的与所述捺印指掌纹图像对应的预测图像作为所述多个更新后的样本图像对应的真实图像，对所述初始图像增强模型进行第n轮训练，以得到训练后的图像增强模型；其中，所述多个更新后的样本图像包括所述捺印指掌纹图像、所述现场样本图像和所述更新后的几何样本图像。
27.进一步地，所述初始图像增强模型包括串联的第一网络和第二网络；所述将所述捺印指掌纹图像对应的多个样本图像作为输入图像，并将所述目标图像作为所述多个样本图像对应的真实图像，对初始图像增强模型进行训练，包括：
28.将每个所述样本图像输入所述第一网络，得到第一预测图像；
29.根据所述第一预测图像和所述目标图像，计算得到第一损失值；
30.根据所述第一损失值更新所述第一网络的网络参数，直至所述第一网络的损失值收敛；
31.所述第一网络的损失值收敛后，将每个所述样本图像输入所述第二网络，得到第二预测图像；
32.根据所述第二预测图像和所述目标图像，计算得到第二损失值；
33.根据所述第二损失值更新所述第二网络的网络参数，直至所述第二网络的损失值收敛。
34.进一步地，所述捺印指掌纹图像对应的目标图像为所述捺印指掌纹图像对应的二值化图像，所述获取捺印指掌纹图像及其对应的目标图像，包括：
35.获取捺印指掌纹图像；
36.对所述捺印指掌纹图像进行滤波、方向场计算和二值化处理，得到二值化图像。
37.第二方面，本发明实施例还提供了一种现场指掌纹图像增强装置，包括：
38.处理模块，用于对待处理现场指掌纹图像进行预处理，得到预处理后图像；
39.增强模块，用于将所述预处理后图像输入训练后的图像增强模型，得到增强后的增强图像；
40.训练模块，用于通过如下方法训练得到所述图像增强模型：
41.获取捺印指掌纹图像及其对应的目标图像；所述捺印指掌纹图像对应的目标图像为所述捺印指掌纹图像或所述捺印指掌纹图像对应的二值化图像；
42.对所述捺印指掌纹图像进行现场指掌纹模拟，得到现场样本图像；所述现场指掌纹模拟包括添加背景噪声、添加前景噪声、添加纹线深浅噪声中的至少一种；
43.将所述捺印指掌纹图像对应的多个样本图像作为输入图像，并将所述目标图像作为所述多个样本图像对应的真实图像，对初始图像增强模型进行训练，得到训练后的图像增强模型；其中，所述多个样本图像包括所述现场样本图像。
44.第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述方法。
45.第四方面，本发明实施例还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上存储有计算机程序，所述计算机程序被处理器运行时执行第一方面所述方法。
46.本发明实施例提供的现场指掌纹图像增强方法、装置及电子设备，在进行现场指掌纹图像增强时，先对待处理现场指掌纹图像进行预处理，得到预处理后图像；然后将预处理后图像输入训练后的图像增强模型，得到增强后的增强图像；该图像增强模型是通过如下方法训练的：先获取捺印指掌纹图像及其对应的目标图像；捺印指掌纹图像对应的目标图像为该捺印指掌纹图像或该捺印指掌纹图像对应的二值化图像；然后对捺印指掌纹图像进行现场指掌纹模拟，得到现场样本图像；该现场指掌纹模拟包括添加背景噪声、添加前景噪声、添加纹线深浅噪声中的至少一种；进而将捺印指掌纹图像对应的多个样本图像作为输入图像，并将目标图像作为多个样本图像对应的真实图像，对初始图像增强模型进行训练，得到训练后的图像增强模型；其中，多个样本图像包括现场样本图像。由于捺印指掌纹图像是比较清晰的，因此可以将其对应的目标图像作为模型训练的真实图像；通过在捺印
指掌纹图像上添加噪声等方式进行现场指掌纹模拟，可以得到模拟现场指掌纹图像的现场样本图像，从而基于目标图像和包括现场样本图像的多个样本图像训练得到的图像增强模型，能够较好地适用于复杂场景下的现场指掌纹图像的图像增强。因此本发明实施例提供的现场指掌纹图像增强方法、装置及电子设备，采用自动化的方式由捺印指掌纹图像生成训练图像增强模型所用的样本图像-真实图像对，利用该图像增强模型进行现场指掌纹图像增强，避免了样本图像数据量不够、标注难的问题，提高了现场指掌纹图像的增强准确度。
附图说明
47.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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。
48.图1为本发明实施例提供的一种图像增强模型的应用场景；
49.图2为本发明实施例提供的一种现场指掌纹图像增强方法的流程示意图；
50.图3为本发明实施例提供的一种图像增强模型训练方法的流程示意图；
51.图4为本发明实施例提供的一种图像增强模型的训练原理示意图；
52.图5为本发明实施例提供的一种现场指掌纹图像增强装置的结构示意图；
53.图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
54.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
55.目前对现场指掌纹图像进行图像增强的方法包括传统的计算方法和深度学习的方法两类，其中传统的计算方法在复杂场景下的增强准确度较低；若使用深度学习的方法，则需要有gt(ground truth)，gt可以理解为含标注数据的真实图像，但无法通过人工标注得到gt。基于此，本发明实施例提供的一种现场指掌纹图像增强方法、装置及电子设备，采用自动化的方式由捺印指掌纹图像生成训练图像增强模型所用的样本图像-真实图像对，利用该图像增强模型进行现场指掌纹图像增强，可以提高复杂场景下的现场指掌纹图像的增强准确度。
56.本发明实施例提供的现场指掌纹图像增强方法、装置及电子设备，通过采用无人工标注数据的神经网络学习策略，可以得到训练好的图像增强模型，参见图1所示一种图像增强模型的应用场景，该图像增强模型的应用场景如下：p1为原始现场指掌纹图像经过dct(discrete cosine transform，离散余弦变换)/lcn(local contrast normalization，局部对比度归一化)(lcn可选)对纹线进行增强得到的，训练好的图像增强模型对p1进行图像增强得到二值化的图像p2，进一步经过特征提取网络得到指掌纹图像中细节点的特征：x,y,theta,t，其中，x,y表示坐标，theta表示角度，t表示类别。
57.为便于对本实施例进行理解，下面对本发明实施例所公开的一种现场指掌纹图像增强方法进行详细介绍。
58.本发明实施例提供了一种现场指掌纹图像增强方法，该方法可以由具有图像处理能力的电子设备执行。参见图2所示的一种现场指掌纹图像增强方法的流程示意图，该方法主要包括如下步骤s202～步骤s204：
59.步骤s202，对待处理现场指掌纹图像进行预处理，得到预处理后图像。
60.待处理现场指掌纹图像可以为事发现场采集到的，可以是指纹图像，或掌纹图像，或包括指纹和掌纹的图像。
61.预处理方法可以为纹线增强、提高对比度等方式，在此不做限制。在一些可能的实施例中，可以对待处理现场指掌纹图像进行dct，得到预处理后图像。在另一些可能的实施例中，可以对待处理现场指掌纹图像进行dct和lcn，得到预处理后图像。
62.步骤s204，将预处理后图像输入训练后的图像增强模型，得到增强后的增强图像。
63.训练后的图像增强模型对预处理后图像进行图像增强处理，输出增强后的增强图像。
64.上述图像增强模型是通过如图3所示的方法训练的，如图3所示，通过如下步骤s302～步骤s306进行图像增强模型的训练：
65.步骤s302，获取捺印指掌纹图像及其对应的目标图像；捺印指掌纹图像对应的目标图像为该捺印指掌纹图像或该捺印指掌纹图像对应的二值化图像。
66.捺印指掌纹图像大多数是相对比较清晰、噪音少的，可以通过传统的计算方法，根据大量捺印指掌纹图像得到其对应的目标图像gt1，gt1可以是捺印指掌纹图像本身，也可以是其对应的二值化图像(与捺印指掌纹图像相比，其二值化图像更加清晰，噪音更少)；gt1可以作为训练中使用的gt。
67.在一些可能的实施例中，捺印指掌纹图像对应的目标图像为该捺印指掌纹图像对应的二值化图像，上述步骤s302可以通过如下过程实现：获取捺印指掌纹图像；对捺印指掌纹图像进行滤波、方向场计算和二值化处理，得到二值化图像。例如，对获取的捺印指掌纹图像进行gabor滤波、方向场计算和二值化处理，得到二值化图像。
68.步骤s304，对捺印指掌纹图像进行现场指掌纹模拟，得到现场样本图像；该现场指掌纹模拟包括添加背景噪声、添加前景噪声、添加纹线深浅噪声中的至少一种。
69.考虑到现场指掌纹图像与捺印指掌纹图像基本上做不到像素级别的对应，为了实现现场指掌纹图像的准确增强，可以通过添加噪音的方式制造模拟现场指掌纹图像的现场样本图像。添加噪音的方式可以包括如下三种：
70.1.在捺印指掌纹图像上添加文字、长线条、斑点等各种不规则噪音(即添加前景和/或背景噪声)；
71.2.采用诸如gan(generative adversarial networks，生成式对抗网络)的方法，基于捺印指掌纹图像生成纹线深浅不均匀的图像(即添加纹线深浅噪声)；
72.3.现场指掌纹图像去除指掌纹的纹线信息后与捺印指掌纹图像融合(保留现场指掌纹的背景，将该背景和捺印指掌纹图像结合，即添加背景噪声)。
73.在捺印指掌纹图像上添加三种类型之一的噪声，可得到近似现场指掌纹图像效果的现场指掌纹模拟图像。
74.基于此，在一些可能的实施例中，对捺印指掌纹图像进行现场指掌纹模拟，得到现场样本图像，包括以下至少一者：
75.将捺印指掌纹图像与去除纹线信息的现场指掌纹图像进行融合，得到添加有背景噪声的现场样本图像；
76.本噪声添加方式中，去除现场指掌纹图像中的前景、保留背景，将捺印指掌纹图像的前景与现场指掌纹图像的背景融合，得到添加有背景噪声的现场样本图像。
77.在捺印指掌纹图像上添加不规则噪音，得到添加有前景噪声的现场样本图像；其中，不规则噪音包括文字、线条和斑点中的一种或多种；
78.本噪声添加方式中，可以在捺印指掌纹图像上的前景添加不规则噪音，也可以在在捺印指掌纹图像上的前景和背景均添加不规则噪音。
79.对捺印指掌纹图像进行纹线深浅变换处理，得到添加有纹线深浅噪声的现场样本图像。
80.相比于捺印指掌纹图像，现场指掌纹图像中的纹线常常是深浅不一致程度更高的。对捺印指掌纹图像进行纹线深浅变换处理有助于模拟现场指掌纹图像。
81.进一步地，可以将捺印指掌纹图像输入gan，通过gan对捺印指掌纹图像进行纹线深浅变换处理，得到添加有纹线深浅噪声的现场样本图像。用于进行深浅变化处理的gan可通过如下方式训练：准备捺印指掌纹图像样本集和纹线深浅不一的指掌纹图像样本集(例如可以由现场指掌纹图像组成，两个图像样本集中的图像不需要有对应关系)，将捺印指掌纹图像样本集中的图像输入gan中的生成器，生成器输出的图像输入gan的判别器，判别器判断该图像属于两个图像样本集中的哪个，根据判断结果生成损失值，根据损失值更新gan，直至损失函数收敛。
82.可选地，现场样本图像还可以通过如下方式得到：对捺印指掌纹图像进行与去除纹线信息的现场指掌纹图像的融合处理、不规则噪音的添加处理和纹线深浅变换处理中的多种，得到添加有多种噪声的现场样本图像。
83.可以理解的是，可将上述三种噪声添加方式叠加来生成现场样本图像。
84.步骤s306，将捺印指掌纹图像对应的多个样本图像作为输入图像，并将目标图像作为多个样本图像对应的真实图像，对初始图像增强模型进行训练，得到训练后的图像增强模型；其中，多个样本图像包括现场样本图像。
85.在一些可能的实施例中，为了提高图像增强模型的训练效果，可以对初始图像增强模型进行多轮训练，训练的轮数可以根据实际需求设置，轮数越多，效果越好，但时间成本越大。并且考虑到gt1(捺印指掌纹图像对应的目标图像)是有系统性错误的，比如会丢失细小细节特征，纹线方向变化剧烈区域增强不准确等，本实施例中，上述多个样本图像包括捺印指掌纹图像和现场样本图像，第一轮训练中，初始图像增强模型使用的gt(即多个样本图像对应的真实图像)为gt1；第n轮训练中，初始图像增强模型使用的gt为第n-1轮结束时初始图像增强模型输出的与捺印指掌纹图像对应的预测图像，n为大于1的整数。例如，对初始图像增强模型进行3轮训练，第二轮训练中，初始图像增强模型使用的gt为第一轮结束时初始图像增强模型输出的与捺印指掌纹图像对应的预测图像；第三轮训练中，初始图像增强模型使用的gt为第二轮训练结束时初始图像增强模型输出的与捺印指掌纹图像对应的预测图像。
86.基于此，上述步骤s306可以通过如下过程实现：将多个样本图像作为输入图像，并将目标图像作为多个样本图像对应的真实图像(即gt)，对初始图像增强模型进行第一轮训练，直至初始图像增强模型的损失函数收敛；将多个样本图像作为输入图像，并将第n-1轮训练结束时初始图像增强模型输出的与捺印指掌纹图像对应的预测图像作为多个样本图像对应的真实图像，对初始图像增强模型进行第n轮训练，以得到训练后的图像增强模型；其中，n为大于1的整数。
87.在另一些可能的实施例中，上述多个样本图像包括捺印指掌纹图像、现场样本图像和经数据增广得到的几何样本图像，几何样本图像是对捺印指掌纹图像和现场样本图像分别进行几何变换得到的，几何变换包括旋转、缩放和镜像中的一种或多种。基于此，为了进一步提高图像增强模型的训练效果，可以对初始图像增强模型进行多轮训练，且每轮训练所使用的几何样本图像是捺印指掌纹图像和现场样本图像经过随机图像几何变换得到的，也即每轮训练所使用的几何样本图像对应的数据增广方式(即几何变换)是随机的。
88.基于此，上述步骤s306可以通过如下过程实现：将多个样本图像作为输入图像，并将目标图像作为多个样本图像对应的真实图像，对初始图像增强模型进行第一轮训练，直至初始图像增强模型的损失函数收敛；第n-1轮训练结束后，对捺印指掌纹图像和现场样本图像分别进行随机图像几何变换，得到更新后的几何样本图像；其中，n为大于1的整数，随机图像几何变换包括随机旋转、随机缩放和随机镜像中的一种或多种；将多个更新后的样本图像作为输入图像，并将第n-1轮训练结束时初始图像增强模型输出的与捺印指掌纹图像对应的预测图像作为多个更新后的样本图像对应的真实图像，对初始图像增强模型进行第n轮训练，以得到训练后的图像增强模型；其中，多个更新后的样本图像包括捺印指掌纹图像、现场样本图像和更新后的几何样本图像。
89.进一步地，通过实验确定将图像增强模型分成两个子网络，比用一个网络效果更好，基于此，上述初始图像增强模型包括串联的第一网络和第二网络，第一网络和第二网络在训练时使用的gt相同。需要说明的是，可以同时训练第一网络和第二网络，也可以先训练第一网络，第一网络的损失函数收敛后再训练第二网络；可以对第一网络和第二网络只进行一轮训练，也可以对第一网络和第二网络进行多轮训练；当对第一网络和第二网络进行多轮训练时，每轮训练所使用的样本图像可以相同，也可以不完全相同(例如，每轮训练所使用的几何样本图像是通过随机图像几何变换得到的)。
90.为了节约算力，先训练第一网络，第一网络的损失函数收敛后再训练第二网络。基于此，可以通过如下过程对初始图像增强模型进行训练：将每个样本图像输入第一网络，得到第一预测图像；根据第一预测图像和目标图像，计算得到第一损失值；根据第一损失值更新第一网络的网络参数，直至第一网络的损失值收敛；第一网络的损失值收敛后，将每个样本图像输入第二网络，得到第二预测图像；根据第二预测图像和目标图像，计算得到第二损失值；根据第二损失值更新第二网络的网络参数，直至第二网络的损失值收敛。
91.在一种可能的实现方式中，参见图4所示的一种图像增强模型的训练原理示意图，可以对第一网络n1和第二网络n2进行3轮训练，经实验发现3轮训练的效果较好，性价比较高。具体地，第一轮训练中，n1和n2使用的gt都为gt1；第二轮训练中，n1和n2使用的gt都为第一轮结束时n2输出的与捺印指掌纹图像对应的预测图像；第三轮训练中，n1和n2使用的gt都为第二轮训练结束时n2输出的与捺印指掌纹图像对应的预测图像。
92.例如，对n1和n2进行3轮训练，每轮训练均先训练n1，n1的损失函数收敛后再训练n2，每轮训练所使用的样本图像是相同的：捺印指纹图像a分别用上述三种噪声添加方式生成现场样本图像a1、a2、a3，图像a、a1、a2和a3都通过随机旋转的方式进行了一次增广后，共得到8张样本图像(通过随机旋转得到的4张图像为几何样本图像)，每轮训练所使用的样本图像均为这8张样本图像，a为目标图像gt1；在n1和n2的第一轮训练中，这8张样本图像作为输入图像，gt1作为这8张样本图像对应的gt；在n1和n2的第二轮训练中，这8张样本图像作为输入图像，第一轮结束时n2输出的与a对应的预测图像作为这8张样本图像对应的gt；在n1和n2的第三轮训练中，这8张样本图像作为输入图像，第二轮训练结束时n2输出的与a对应的预测图像作为这8张样本图像对应的gt。
93.又如，对n1和n2进行3轮训练，每轮训练均先训练n1，n1的损失函数收敛后再训练n2，每轮训练所使用的几何样本图像是通过随机图像几何变换得到的：捺印指纹图像a分别用上述三种噪声添加方式生成现场样本图像a1、a2、a3，对图像a、a1、a2和a3分别进行随机旋转，得到几何样本图像a4、a5、a6、a7，因此共得到8张样本图像(即a、a1、a2、a3、a4、a5、a6、a7)，a对应的二值化图像为目标图像gt1，在n1和n2的第一轮训练中，这8张样本图像作为输入图像，gt1作为这8张样本图像对应的gt；在第一轮训练结束后，对图像a、a1、a2和a3分别进行随机缩放，得到更新后的几何样本图像a8、a9、a10、a11，因此共得到8张更新后的样本图像(即a、a1、a2、a3、a8、a9、a10、a11)，在n1和n2的第二轮训练中，这8张更新后的样本图像作为输入图像，第一轮结束时n2输出的与a对应的预测图像作为这8张更新后的样本图像对应的gt；在第二轮训练结束后，对图像a、a1、a2和a3分别进行随机镜像，得到更新后的几何样本图像a12、a13、a14、a15，因此共得到8张更新后的样本图像(即a、a1、a2、a3、a12、a13、a14、a15)，在n1和n2的第三轮训练中，这8张更新后的样本图像作为输入图像，第二轮训练结束时n2输出的与a对应的预测图像作为这8张更新后的样本图像对应的gt。
94.每一轮训练都包含多个epoch(时期)，每个epoch例如包含1万次迭代(每个epoch中，所有的样本图像都被用到1次，有24万个样本图像，24张图像为1个batch，训练一个batch就是一次iteration迭代，则每个epoch中包含1万次迭代)，每次迭代后根据计算得到的损失值，更新1次网络参数(网络权重)。其中，损失值可以但不限于采用均方误差公式来计算。
95.本发明实施例中，由于捺印指掌纹图像是比较清晰、噪音少的，因此可以将其对应的目标图像作为模型训练的真实图像；通过在捺印指掌纹图像上添加噪声等方式进行现场指掌纹模拟，可以得到模拟现场指掌纹图像的现场样本图像，从而基于目标图像和包括现场样本图像的多个样本图像训练得到的图像增强模型，能够较好地适用于复杂场景下的现场指掌纹图像的图像增强。因此本发明实施例提供的现场指掌纹图像增强方法，采用自动化的方式由捺印指掌纹图像生成训练图像增强模型所用的样本图像-真实图像对，避免了样本图像数据量不够、标注难的问题，实现了在没有人工标注的情况下训练得到图像增强模型，利用该图像增强模型进行现场指掌纹图像增强，能够得到准确的增强图像，并且信息丢失和错误较少，因此提高了复杂场景下的现场指掌纹图像的增强准确度。
96.对应于上述的现场指掌纹图像增强方法，本发明实施例还提供了一种现场指掌纹图像增强装置，参见图5所示的一种现场指掌纹图像增强装置的结构示意图，该装置包括：
97.处理模块51，用于对待处理现场指掌纹图像进行预处理，得到预处理后图像；
98.增强模块52，用于将预处理后图像输入训练后的图像增强模型，得到增强后的增强图像；
99.训练模块53，用于通过如下方法训练得到图像增强模型：
100.获取捺印指掌纹图像及其对应的目标图像；捺印指掌纹图像对应的目标图像为该捺印指掌纹图像或该捺印指掌纹图像对应的二值化图像；
101.对捺印指掌纹图像进行现场指掌纹模拟，得到现场样本图像；该现场指掌纹模拟包括添加背景噪声、添加前景噪声、添加纹线深浅噪声中的至少一种；
102.将捺印指掌纹图像对应的多个样本图像作为输入图像，并将目标图像作为多个样本图像对应的真实图像，对初始图像增强模型进行训练，得到训练后的图像增强模型；其中，多个样本图像包括现场样本图像。
103.由于捺印指掌纹图像是比较清晰的，因此可以将其对应的目标图像作为模型训练的真实图像；通过在捺印指掌纹图像上添加噪声等方式进行现场指掌纹模拟，可以得到模拟现场指掌纹图像的现场样本图像，从而基于目标图像和包括现场样本图像的多个样本图像训练得到的图像增强模型，能够较好地适用于复杂场景下的现场指掌纹图像的图像增强。因此本发明实施例提供的现场指掌纹图像增强装置，采用自动化的方式由捺印指掌纹图像生成训练图像增强模型所用的样本图像-真实图像对，利用该图像增强模型进行现场指掌纹图像增强，避免了样本图像数据量不够、标注难的问题，提高了现场指掌纹图像的增强准确度。
104.进一步地，上述训练模块53具体用于执行以下步骤中的至少一者：将捺印指掌纹图像与去除纹线信息的现场指掌纹图像进行融合，得到添加有背景噪声的现场样本图像；在捺印指掌纹图像上添加不规则噪音，得到添加有前景噪声的现场样本图像；其中，不规则噪音包括文字、线条和斑点中的一种或多种；对捺印指掌纹图像进行纹线深浅变换处理，得到添加有纹线深浅噪声的现场样本图像。
105.进一步地，上述训练模块53还用于：对捺印指掌纹图像进行与去除纹线信息的现场指掌纹图像的融合处理、不规则噪音的添加处理和纹线深浅变换处理中的多种，得到添加有多种噪声的现场样本图像。
106.进一步地，上述多个样本图像还包括几何样本图像，上述训练模块53还用于：对捺印指掌纹图像和现场样本图像分别进行几何变换，得到几何样本图像；其中，几何变换包括旋转、缩放和镜像中的一种或多种。
107.进一步地，在一些可能的实施例中，上述多个样本图像还包括捺印指掌纹图像，上述训练模块53还用于：将多个样本图像作为输入图像，并将目标图像作为多个样本图像对应的真实图像，对初始图像增强模型进行第一轮训练，直至初始图像增强模型的损失函数收敛；将多个样本图像作为输入图像，并将第n-1轮训练结束时初始图像增强模型输出的与捺印指掌纹图像对应的预测图像作为多个样本图像对应的真实图像，对初始图像增强模型进行第n轮训练，以得到训练后的图像增强模型；其中，n为大于1的整数。
108.进一步地，在另一些可能的实施例中，上述多个样本图像还包括捺印指掌纹图像，上述训练模块53还用于：将多个样本图像作为输入图像，并将目标图像作为多个样本图像对应的真实图像，对初始图像增强模型进行第一轮训练，直至初始图像增强模型的损失函数收敛；第n-1轮训练结束后，对捺印指掌纹图像和现场样本图像分别进行随机图像几何变
换，得到更新后的几何样本图像；其中，n为大于1的整数，随机图像几何变换包括随机旋转、随机缩放和随机镜像中的一种或多种；将多个更新后的样本图像作为输入图像，并将第n-1轮训练结束时初始图像增强模型输出的与捺印指掌纹图像对应的预测图像作为多个更新后的样本图像对应的真实图像，对初始图像增强模型进行第n轮训练，以得到训练后的图像增强模型；其中，多个更新后的样本图像包括捺印指掌纹图像、现场样本图像和更新后的几何样本图像。
109.进一步地，上述初始图像增强模型包括串联的第一网络和第二网络；上述训练模块53还用于：将每个样本图像输入第一网络，得到第一预测图像；根据第一预测图像和目标图像，计算得到第一损失值；根据第一损失值更新第一网络的网络参数，直至第一网络的损失值收敛；第一网络的损失值收敛后，将每个样本图像输入第二网络，得到第二预测图像；根据第二预测图像和目标图像，计算得到第二损失值；根据第二损失值更新第二网络的网络参数，直至第二网络的损失值收敛。
110.进一步地，上述捺印指掌纹图像对应的目标图像为该捺印指掌纹图像对应的二值化图像，上述训练模块53还用于：获取捺印指掌纹图像；对捺印指掌纹图像进行滤波、方向场计算和二值化处理，得到二值化图像。
111.本实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
112.如图6所示，本发明实施例提供的一种电子设备600，包括：处理器601、存储器602和总线，存储器602中存储有可在处理器601上运行的计算机程序，当电子设备600运行时，处理器601与存储器602之间通过总线通信，处理器601执行计算机程序时实现上述现场指掌纹图像增强方法的步骤。
113.具体地，上述存储器602和处理器601能够为通用的存储器和处理器，这里不做具体限定。
114.本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前面方法实施例中所述的现场指掌纹图像增强方法。该计算机可读存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、ram、磁碟或者光盘等各种可以存储程序代码的介质。
115.在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
116.附图中的流程图和框图显示了根据本发明的多个实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
117.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其
它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
118.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
119.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
120.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。