图像处理方法、装置、设备、介质及程序产品与流程

1.本公开涉及图像处理技术领域，尤其涉及一种图像处理方法、装置、设备、介质及程序产品。


背景技术：

2.为了保护图像中的隐私信息，现有的做法大部分是对图像中的关键特征部位进行模糊化处理或者扭曲处理，这样处理虽然能够保护图像的隐私，但是会降低图像的真实度，降低图像数据的可用性。


技术实现要素：

3.本公开提供一种图像处理方法、装置、设备、介质及程序产品，以至少解决现有对图像模糊化处理或者扭曲处理造成图像的真实度较低的问题。本公开的技术方案如下：
4.本公开实施例提供了一种图像处理方法，包括：
5.获取多个原始图像；
6.对每个所述原始图像进行关键特征提取，得到每个所述原始图像对应的第一关键特征数据，其中，每个所述第一关键特征数据为从每个所述原始图像提取出的至少一个关键特征的数据；
7.对所述多个原始图像对应的多个所述第一关键特征数据中的相同关键特征的数据进行交换，生成每个所述原始图像对应的第二关键特征数据；
8.将每个所述原始图像对应的所述第一关键特征数据替换为对应的所述第二关键特征数据，得到每个所述原始图像对应的候选图像；
9.将每个所述候选图像进行虚拟化图像处理，得到与每个所述候选图像对应的目标图像。
10.可选地，所述对每个所述原始图像进行关键特征提取，得到每个所述原始图像对应的第一关键特征数据，包括：
11.对每个所述原始图像进行设定区域检测，得到每个所述原始图像对应的设定区域图像；
12.对每个所述原始图像对应的设定区域图像进行关键特征提取，得到每个所述原始图像对应的第一关键特征数据。
13.可选地，所述对所述多个原始图像对应的多个所述第一关键特征数据中的相同关键特征的数据进行交换，生成每个所述原始图像对应的第二关键特征数据，包括：
14.对所述多个原始图像对应的多个所述第一关键特征数据中的相同关键特征的数据进行组合，得到与每个所述关键特征对应的第三关键特征数据；
15.利用预设的随机算法，分别对每个所述关键特征对应的所述第三关键特征数据进行随机交换，得到每个所述原始图像对应的第二关键特征数据。
16.可选地，在将每个所述候选图像进行虚拟化图像处理，得到与每个所述候选图像
对应的目标图像之后，所述方法还包括：
17.对每个所述原始图像进行标注，得到每个所述原始图像的标识；
18.对每个所述原始图像和每个所述原始图像的标识进行取模计算，得到每个所述原始图像与每个所述候选图像对应的目标图像的对应关系；
19.根据所述对应关系，使用每个所述候选图像对应的目标图像对每个所述原始图像的设定区域图像进行替换，得到每个所述原始图像对应的新的图像。
20.可选地，所述将每个所述候选图像进行虚拟化图像处理，得到与每个所述候选图像对应的目标图像，包括：
21.将每个所述候选图像分别输入预设的对抗神经网络中，通过所述对抗神经网络对每个所述候选图像进行虚拟化图像处理，得到与每个所述候选图像对应的目标图像。
22.可选地，在所述将每个所述候选图像进行虚拟化图像处理，得到与每个所述候选图像对应的目标图像之后，所述方法还包括：
23.利用所述目标图像，对待训练的图像处理模型训练，得到训练完成的图像处理模型。
24.本公开实施例还提供一种图像处理装置，包括：
25.获取模块，用于获取多个原始图像；
26.提取模块，用于对每个所述原始图像进行关键特征提取，得到每个所述原始图像对应的第一关键特征数据，其中，每个所述第一关键特征数据为从每个所述原始图像提取出的至少一个关键特征的数据；
27.交换模块，用于对所述多个原始图像对应的多个所述第一关键特征数据中的相同关键特征的数据进行交换，生成每个所述原始图像对应的第二关键特征数据；
28.替换模块，用于将每个所述原始图像对应的所述第一关键特征数据替换为对应的所述第二关键特征数据，得到每个所述原始图像对应的候选图像；
29.图像处理模块，用于将每个所述候选图像进行虚拟化图像处理，得到与每个所述候选图像对应的目标图像。
30.可选地，所述提取模块在对每个所述原始图像进行关键特征提取，得到每个所述原始图像对应的第一关键特征数据时，用于：
31.对每个所述原始图像进行设定区域检测，得到每个所述原始图像对应的设定区域图像；
32.对每个所述原始图像对应的设定区域图像进行关键特征提取，得到每个所述原始图像对应的第一关键特征数据。
33.可选地，所述交换模块在对所述多个原始图像对应的多个所述第一关键特征数据中的相同关键特征的数据进行交换，生成每个所述原始图像对应的第二关键特征数据时，用于：
34.对所述多个原始图像对应的多个所述第一关键特征数据中的相同关键特征的数据进行组合，得到与每个所述关键特征对应的第三关键特征数据；
35.利用预设的随机算法，分别对每个所述关键特征对应的所述第三关键特征数据进行随机交换，得到每个所述原始图像对应的第二关键特征数据。
36.可选地，还可用于：
37.对每个所述原始图像进行标注，得到每个所述原始图像的标识；
38.对每个所述原始图像和每个所述原始图像的标识进行取模计算，得到每个所述原始图像与每个所述候选图像对应的目标图像的对应关系；
39.根据所述对应关系，使用每个所述候选图像对应的目标图像对每个所述原始图像的设定区域图像进行替换，得到每个所述原始图像对应的新的图像。
40.可选地，所述图像处理模块在将每个所述候选图像进行虚拟化图像处理，得到与每个所述候选图像对应的目标图像时，用于：
41.将每个所述候选图像分别输入预设的对抗神经网络中，通过所述对抗神经网络对每个所述候选图像进行虚拟化图像处理，得到与每个所述候选图像对应的目标图像。
42.可选地，所述图像处理模块在所述将每个所述候选图像进行虚拟化图像处理，得到与每个所述候选图像对应的目标图像之后，还可用于：
43.利用所述目标图像，对待训练的图像处理模型训练，得到训练完成的图像处理模型。
44.本公开实施例还提供一种电子设备，包括：
45.处理器；
46.用于存储所述处理器可执行指令的存储器；
47.其中，所述处理器被配置为执行所述指令，以实现上述的方法中的各步骤。
48.本公开实施例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，其特征在于，所述计算机指令用于使所述计算机执行上述的方法中的各步骤。
49.本公开实施例还提供一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令在被处理器执行时实现上述的方法中的步骤。
50.本公开的实施例提供的技术方案至少带来以下有益效果：
51.在本公开的一些实施例中，获取多个原始图像，对每个原始图像进行关键特征提取，得到每个原始图像对应的第一关键特征数据；对多个原始图像对应的多个第一关键特征数据中的相同关键特征的数据进行交换，生成每个原始图像对应的第二关键特征数据，将每个原始图像对应的第一关键特征数据替换为对应的第二关键特征数据，得到每个原始图像对应的候选图像，候选图像并非真实图像，从而保护图像中的信息隐私，而候选图像中的关键特征为真实的图像特征，在一定程度上保证了图像的真实度，提升图像数据的可用性；再对候选图像进行虚拟化处理，进一步保护图像信息隐私。
52.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
53.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
54.图1为本公开示例性实施例提供的一种图像处理方法的流程示意图；
55.图2为本公开示例性实施例提供的另一种图像处理方法的流程示意图；
56.图3为本公开示例性实施例提供的另一种图像处理方法的流程示意图；
57.图4为本公开示例性实施例提供的一种图像处理装置的结构框图；
58.图5为本公开示例性实施例提供的一种电子设备的结构示意图。
具体实施方式
59.为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
60.需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
61.现有的人脸识别做法大部分利用以下两种方式：
62.方式一：对图像中的关键部位进行模糊化处理或者遮挡处理。模糊化处理方法包括对图像中的像素点进行加密运算或者其他运算以改变图像中的像素点值，进而达到图像模糊的目的，但是对像素点进行各种数学运算，操作复杂，时间复杂度高。除此之外，还可以对关键部位进行遮挡来进行遮挡处理；对关键部位进行遮挡后的图片，这样处理虽然能够保护图像信息的隐私，但是会降低图像的真实度，从视觉上很难辨别伪图像，降低图像的真实度和图像数据的可用性，后续如果将模糊化处理或者遮挡处理后的图像用做模型训练会降低模型的训练精度。
63.方式二：对图像中的关键部位进行扭曲处理。对图像中的关键部位进行检测，并确定关键部位，同时，针对关键部位的图像进行变形处理，变形处理过程由控制参数进行控制，扭曲越大，隐私保护程度越高。但是此方法中隐私保护和数据可用性之间的平衡是由参数进行控制，很难做出平衡；并且扭曲后的图片从视觉上也很难辨别伪图像，降低图像的真实度和图像数据的可用性，同样地，后续如果采用扭曲处理后的图像用做模型训练会降低模型的训练精度。
64.因此，如何既能保护图像中的信息隐私，又能保证图像的真实度，成为目前至关重要的问题。
65.针对上述存在的技术问题，在本公开的一些实施例中，获取多个原始图像，对每个原始图像进行关键特征提取，得到每个原始图像对应的第一关键特征数据；对多个原始图像对应的多个第一关键特征数据中的相同关键特征的数据进行交换，生成每个原始图像对应的第二关键特征数据，将每个原始图像对应的第一关键特征数据替换为对应的第二关键特征数据，得到每个原始图像对应的候选图像，候选图像并非真实图像，从而保护图像中的信息隐私，而候选图像中的关键特征为真实的图像特征，在一定程度上保证了图像的真实度，提升图像数据的可用性；再对候选图像进行虚拟化处理，进一步保护图像信息隐私。
66.以下结合附图，详细说明本公开各实施例提供的技术方案。
67.图1为本公开示例性实施例提供的一种图像处理方法的流程示意图。如图1所示，该方法包括：
68.s101：获取多个原始图像；
69.s102：对每个原始图像进行关键特征提取，得到每个原始图像对应的第一关键特
征数据，其中，每个第一关键特征数据为从每个原始图像提取出的至少一个关键特征的数据；
70.s103：对多个原始图像对应的多个第一关键特征数据中的相同关键特征的数据进行交换，生成每个原始图像对应的第二关键特征数据；
71.s104：将每个原始图像对应的第一关键特征数据替换为对应的第二关键特征数据，得到每个原始图像对应的候选图像；
72.s105：将每个候选图像进行虚拟化图像处理，得到与每个候选图像对应的目标图像。
73.在本实施例中，上述图像处理方法为图像处理装置，图像处理装置可以为一个或者多个电子设备，电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
74.需要说明的是，电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)、游戏机、交互式网络电视(internet protocol television，iptv)、智能穿戴式设备等。
75.电子设备可以包括网络设备和/或用户设备。其中，网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(cloud computing)的由大量主机或网络电子设备构成的云。
76.电子设备所处的网络包括，但不限于：广域网、城域网、局域网、虚拟专用网络(virtual private network，vpn)。
77.需要说明的是，原始图像指的是视频或者图片。其中，视频为多个视频或者单个视频；在视频为多个视频时，每个视频可以包含不同的多张图片；在视频为单个视频时，每个图像视频包括多张图片。
78.本公开实施例中的多个原始图像可以存在于一张原始图像或者多张原始图像中。其中，一张原始图像包括多个图像；多张原始图像中的每张原始图像分别包括一个图像，或者，多张原始图像中的每张原始图像分别包括多个图像，或者，多张原始图像中的部分原始包括一个图像，剩余部分原始图像中包括多个图像。
79.需要说明的是，虚拟化图像处理是指对真实的图像进行虚拟化处理，得到非真实的图像，且人眼从视觉上不能辨别非真实图像。其中，本技术实施例对虚拟化图像处理的方式不作限定，可以采用虚拟化图像处理算法或者虚拟化图像处理模型进行虚拟化处理，得到非真实的图像。在一种可实现的方式中，可以采用生成对抗神经网络对本技术的第二关键特征数据进行虚拟化图像处理，得到多个原始图像对应的第三关键特征数据。
80.在本实施例中，获取多个原始图像，对每个原始图像进行关键特征提取，得到每个原始图像对应的第一关键特征数据；对多个原始图像对应的多个第一关键特征数据中的相同关键特征的数据进行交换，生成每个原始图像对应的第二关键特征数据，将每个原始图像对应的第一关键特征数据替换为对应的第二关键特征数据，得到每个原始图像对应的候选图像，候选图像并非真实图像，从而保护图像中的信息隐私，而候选图像中的关键特征为
真实的图像特征，在一定程度上保证了图像的真实度，提升图像数据的可用性；再对候选图像进行虚拟化处理，进一步保护图像信息隐私。
81.以下结合应用场景对本技术实施例图像处理方法作出说明，需要说明的是，本技术实施例图像处理方法不限于以下应用场景。
82.在上述实施例中，对每个原始图像进行关键特征提取，得到每个原始图像对应的第一关键特征数据。包括但不限于以下几种关键特征提取方式：
83.关键特征提取方式一，对每个原始图像进行设定区域检测，得到每个原始图像对应的设定区域图像；对每个原始图像对应的设定区域图像进行关键特征提取，得到每个原始图像对应的第一关键特征数据。
84.关键特征提取方式二，从多个原始图像中直接提取关键特征，得到每个原始图像对应的第一关键特征数据。
85.需要说明的是，每个第一关键特征数据为从每个原始图像提取出的至少一个关键特征的数据。
86.在上述关键特征提取方式一中，利用设定区域提取模型对多个原始图像进行设定区域提取，得到多张设定区域图像；利用关键特征检测模型分别对多张设定区域图像分别进行关键特征检测，得到每个原始图像对应的第一关键特征数据。
87.在上述关键特征提取方式二中，从多个原始图像中直接提取关键特征，得到每个原始图像对应的第一关键特征数据。
88.在上述实施例中，对多个原始图像对应的多个第一关键特征数据中的相同关键特征的数据进行交换，生成每个原始图像对应的第二关键特征数据，一种可实现的方式为，对多个原始图像对应的多个第一关键特征数据中的相同关键特征的数据进行组合，得到与每个关键特征对应的第三关键特征数据；利用预设的随机算法，分别对每个关键特征对应的第三关键特征数据进行随机交换，得到每个原始图像对应的第二关键特征数据。利用随机算法，对每个关键特征对应的第三关键特征数据进行随机交换，原始图像对应的第二关键特征数据并非真实特征，保护图像信息隐私。
89.需要说明的是，每个第三关键特征数据为多个原始图像中同一关键特征的数据，随机算法也可以是提前自定义预设的规则。
90.通过上述实施方式，由于将多个原始图像之间相应的多个第一关键特征数据进行交换，成每个原始图像对应的第二关键特征数据，多个原始图片都经过了关键特征图像的交换，保护了图像信息隐私，此外，由于使用真实关键特征进行交换，也更能保证后续图像的真实度。
91.在一些实施例中，将每个原始图像对应的第一关键特征数据替换为对应的第二关键特征数据，得到每个原始图像对应的候选图像。候选图像并非真实图像，从而保护用图像隐私，而候选图像中的关键特征为真实的特征，在一定程度上保证了图像的真实度，提升图像数据的可用性。
92.在上述实施例中，将每个候选图像进行虚拟化图像处理，得到与每个候选图像对应的目标图像。一种可实现的方式为，将每个候选图像分别输入预设的对抗神经网络中，通过对抗神经网络对每个候选图像进行虚拟化图像处理，得到与每个候选图像对应的目标图像。
93.需要说明的是，将每个候选图像分别输入已有的对抗神经网络中，生成对抗神经网络gans是机器学习中生成模型的问题，即给定一些无标签的真实数据，利用gans可以得到一个生成模型，该模型生成的数据和真实数据分布一致，并且，gans不需要mcmc或者是变分贝叶斯等复杂的手段，只需要在对应的多层感知机中运行反向传播或者是梯度下降算法即可。两个模型通过对抗性过程同时训练，生成器学会创建看起来真实的图像，而判别器学会区分真实图像和赝品。在训练过程中，生成器逐渐变得更擅长创建看起来真实的图像，而判别器则变得更擅长区分它们。当判别器无法分辨图像真伪时，该过程达到平衡。
94.在本公开一些实施例中，对每个原始图像进行标注，得到每个原始图像的标识；对每个原始图像和每个原始图像的标识进行取模计算，得到每个原始图像与每个候选图像对应的目标图像的对应关系；根据对应关系，使用每个候选图像对应的目标图像对每个原始图像的设定区域图像进行替换，得到每个原始图像对应的新的图像。需要说明的是，标识可以为图像编号，本公开对取模计算的类型不作限定，取模计算，例如，哈希取模计算。
95.例如，对每个原始图像进行标注，得到每个原始图像的图像编号；对任意一个原始图像和该原始图像的标识进行取模计算，计算结果为2，则该原始图像对应序号为2的目标图像，依次重复上述取模计算过程，得到每个原始图像与每个候选图像对应的目标图像的对应关系；使用每个候选图像对应的目标图像对每个原始图像的设定区域图像进行替换，得到每个原始图像对应的新的图像。
96.在得到多张目标图像之后，多张目标图像可应用至模型训练。一种可实现的方式为，利用目标图像，对待训练的图像处理模型训练，得到训练完成的图像处理模型。
97.基于上述各实施例的描述，图2为本公开示例性实施例提供的另一种图像处理方法的流程示意图。如图2所示，该方法包括：
98.s201：获取多个原始图像；
99.s202：对每个原始图像进行设定区域检测，得到每个原始图像对应的设定区域图像；
100.s203：对每个原始图像对应的设定区域图像进行关键特征提取，得到每个原始图像对应的第一关键特征数据；
101.s204：对多个原始图像对应的多个第一关键特征数据中的相同关键特征的数据进行交换，生成每个原始图像对应的第二关键特征数据；
102.s205：将每个原始图像对应的第一关键特征数据替换为对应的第二关键特征数据，得到每个原始图像对应的候选图像；
103.s206：将每个候选图像进行虚拟化图像处理，得到与每个候选图像对应的目标图像。
104.在本实施例中，上述图像处理方法为图像处理装置，图像处理装置可以为一个或者多个电子设备，电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
105.需要说明的是，电子设备可以是任何一种可与用户进行人机交互的电子产品，例
如，个人计算机、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)、游戏机、交互式网络电视(internet protocol television，iptv)、智能穿戴式设备等。
106.电子设备可以包括网络设备和/或用户设备。其中，网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(cloud computing)的由大量主机或网络电子设备构成的云。
107.电子设备所处的网络包括，但不限于：广域网、城域网、局域网、虚拟专用网络(virtual private network，vpn)。
108.在本实施例中，上述实施例中的各步骤的实现方式可参见前述各实施例的描述，本实施例不再赘述。
109.基于上述各实施例的描述，图3为本公开示例性实施例提供的另一种图像处理方法的流程示意图。如图3所示，将多个原始图像对应的多个第一关键特征数据替换为第三关键特征数据，得到多张目标图像之后，方法还包括：
110.s301：获取多个原始图像；
111.s302：对多个原始图像进行关键特征提取，得到多个原始图像对应的多个第一关键特征数据；
112.s303：对多个原始图像对应的多个第一关键特征数据中的相同关键特征的数据进行组合，得到与每个关键特征对应的第三关键特征数据；
113.s304：利用预设的随机算法，分别对每个关键特征对应的第三关键特征数据进行随机交换，得到每个原始图像对应的第二关键特征数据；
114.s305：将每个原始图像对应的第一关键特征数据替换为对应的第二关键特征数据，得到每个原始图像对应的候选图像；
115.s306：将每个候选图像进行虚拟化图像处理，得到与每个候选图像对应的目标图像；
116.s307：对每个原始图像进行标注，得到每个原始图像的标识；
117.s308：对每个原始图像和每个原始图像的标识进行取模计算，得到每个原始图像与每个候选图像对应的目标图像的对应关系；
118.s309：根据对应关系，使用每个候选图像对应的目标图像对每个原始图像的设定区域图像进行替换，得到每个原始图像对应的新的图像。
119.在本实施例中，上述图像处理方法为图像处理装置，图像处理装置可以为一个或者多个电子设备，电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
120.需要说明的是，电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)、游戏机、交互式网络电视(internet protocol television，iptv)、智能穿戴式设备等。
121.电子设备可以包括网络设备和/或用户设备。其中，网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(cloud computing)的
由大量主机或网络电子设备构成的云。
122.电子设备所处的网络包括，但不限于：广域网、城域网、局域网、虚拟专用网络(virtual private network，vpn)。
123.在本实施例中，上述实施例中的各步骤的实现方式可参见前述各实施例的描述，本实施例不再赘述。
124.在本公开上述方法实施例中，获取多个原始图像，对每个原始图像进行关键特征提取，得到每个原始图像对应的第一关键特征数据；对多个原始图像对应的多个第一关键特征数据中的相同关键特征的数据进行交换，生成每个原始图像对应的第二关键特征数据，将每个原始图像对应的第一关键特征数据替换为对应的第二关键特征数据，得到每个原始图像对应的候选图像，候选图像并非真实图像，从而保护图像中的信息隐私，而候选图像中的关键特征为真实的图像特征，在一定程度上保证了图像的真实度，提升图像数据的可用性；再对候选图像进行虚拟化处理，进一步保护图像信息隐私。
125.图4为本公开示例性实施例提供的一种图像处理装置40的结构框图。如图4所示，该图像处理装置40包括：获取模块41，提取模块42，交换模块43，替换模块44和图像处理模块45。
126.其中，获取模块41，用于获取多个原始图像；
127.提取模块42，用于对每个原始图像进行关键特征提取，得到每个原始图像对应的第一关键特征数据，其中，每个第一关键特征数据为从每个原始图像提取出的至少一个关键特征的数据；
128.交换模块43，用于对多个原始图像对应的多个第一关键特征数据中的相同关键特征的数据进行交换，生成每个原始图像对应的第二关键特征数据；
129.替换模块44，用于将每个原始图像对应的第一关键特征数据替换为对应的第二关键特征数据，得到每个原始图像对应的候选图像；
130.图像处理模块45，用于将每个候选图像进行虚拟化图像处理，得到与每个候选图像对应的目标图像。
131.可选地，提取模块42在对每个原始图像进行关键特征提取，得到每个原始图像对应的第一关键特征数据时，用于：
132.对每个原始图像进行设定区域检测，得到每个原始图像对应的设定区域图像；
133.对每个原始图像对应的设定区域图像进行关键特征提取，得到每个原始图像对应的第一关键特征数据。
134.可选地，交换模块43在对多个原始图像对应的多个第一关键特征数据中的相同关键特征的数据进行交换，生成每个原始图像对应的第二关键特征数据时，用于：
135.对多个原始图像对应的多个第一关键特征数据中的相同关键特征的数据进行组合，得到与每个关键特征对应的第三关键特征数据；
136.利用预设的随机算法，分别对每个关键特征对应的第三关键特征数据进行随机交换，得到每个原始图像对应的第二关键特征数据。
137.可选地，图像处理模块45在将每个候选图像进行虚拟化图像处理，得到与每个候选图像对应的目标图像之后，还可用于：
138.对每个原始图像进行标注，得到每个原始图像的标识；
139.对每个原始图像和每个原始图像的标识进行取模计算，得到每个原始图像与每个候选图像对应的目标图像的对应关系；
140.根据对应关系，使用每个候选图像对应的目标图像对每个原始图像的设定区域图像进行替换，得到每个原始图像对应的新的图像。
141.可选地，图像处理模块45在将每个候选图像进行虚拟化图像处理，得到与每个候选图像对应的目标图像时，用于：
142.将每个候选图像分别输入预设的对抗神经网络中，通过对抗神经网络对每个候选图像进行虚拟化图像处理，得到与每个候选图像对应的目标图像。
143.可选地，图像处理模块45在将每个候选图像进行虚拟化图像处理，得到与每个候选图像对应的目标图像之后，还可用于：
144.利用目标图像，对待训练的图像处理模型训练，得到训练完成的图像处理模型。
145.图5为本公开示例性实施例提供的一种电子设备的结构示意图。如图5所示，该电子设备包括：存储器501和处理器502。另外，该电子设备还包括电源组件503、通信组件504和显示屏505等必要组件。
146.存储器501，用于存储计算机程序，并可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于电子设备上操作的任何应用程序或方法的指令。
147.存储器501，可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
148.通信组件504，用于与其他设备进行数据传输。
149.处理器502，可执行存储器501中存储的计算机指令，以用于：获取多个原始图像；对每个原始图像进行关键特征提取，得到每个原始图像对应的第一关键特征数据，其中，每个第一关键特征数据为从每个原始图像提取出的至少一个关键特征的数据；对多个原始图像对应的多个第一关键特征数据中的相同关键特征的数据进行交换，生成每个原始图像对应的第二关键特征数据；将每个原始图像对应的第一关键特征数据替换为对应的第二关键特征数据，得到每个原始图像对应的候选图像；将每个候选图像进行虚拟化图像处理，得到与每个候选图像对应的目标图像。
150.可选地，处理器502在对每个原始图像进行关键特征提取，得到每个原始图像对应的第一关键特征数据时，用于：对每个原始图像进行设定区域检测，得到每个原始图像对应的设定区域图像；对每个原始图像对应的设定区域图像进行关键特征提取，得到每个原始图像对应的第一关键特征数据。
151.可选地，处理器502在对多个原始图像对应的多个第一关键特征数据中的相同关键特征的数据进行交换，生成每个原始图像对应的第二关键特征数据时，用于：对多个原始图像对应的多个第一关键特征数据中的相同关键特征的数据进行组合，得到与每个关键特征对应的第三关键特征数据；利用预设的随机算法，分别对每个关键特征对应的第三关键特征数据进行随机交换，得到每个原始图像对应的第二关键特征数据。
152.可选地，处理器502，还可用于：
153.对每个原始图像进行标注，得到每个原始图像的标识；
154.对每个原始图像和每个原始图像的标识进行取模计算，得到每个原始图像与每个候选图像对应的目标图像的对应关系；
155.根据对应关系，使用每个候选图像对应的目标图像对每个原始图像的设定区域图像进行替换，得到每个原始图像对应的新的图像。
156.可选地，处理器502在将每个候选图像进行虚拟化图像处理，得到与每个候选图像对应的目标图像时，用于：
157.将每个候选图像分别输入预设的对抗神经网络中，通过对抗神经网络对每个候选图像进行虚拟化图像处理，得到与每个候选图像对应的目标图像。
158.可选地，处理器502在将每个候选图像进行虚拟化图像处理，得到与每个候选图像对应的目标图像之后，还可用于：
159.利用目标图像，对待训练的图像处理模型训练，得到训练完成的图像处理模型。
160.相应地，本技术实施例还提供一种存储有计算机程序的计算机可读存储介质。当计算机可读存储介质存储计算机程序，且计算机程序被一个或多个处理器执行时，致使一个或多个处理器执行图1的方法实施例中的各步骤。
161.相应地，本技术实施例还提供一种计算机程序产品，计算机程序产品包括计算机程序/指令，计算机程序/指令被处理器执行图1的方法实施例中的各步骤。
162.上述图5中的通信组件被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如wifi，2g、3g、4g/lte、5g等移动通信网络，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
163.上述图5中的电源组件，为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
164.上述图5中的显示屏包括屏幕，其屏幕可以包括液晶显示屏(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。
165.上述电子设备还包括音频组件。
166.音频组件，可被配置为输出和/或输入音频信号。例如，音频组件包括一个麦克风(mic)，当音频组件所在设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中，音频组件还包括一个扬声器，用于输出音频信号。
167.在本公开的上述装置、设备、存储介质和程序产品实施例中，获取多个原始图像，对每个原始图像进行关键特征提取，得到每个原始图像对应的第一关键特征数据；对多个原始图像对应的多个第一关键特征数据中的相同关键特征的数据进行交换，生成每个原始图像对应的第二关键特征数据，将每个原始图像对应的第一关键特征数据替换为对应的第
二关键特征数据，得到每个原始图像对应的候选图像，候选图像并非真实图像，从而保护图像中的信息隐私，而候选图像中的关键特征为真实的图像特征，在一定程度上保证了图像的真实度，提升图像数据的可用性；再对候选图像进行虚拟化处理，进一步保护图像信息隐私。
168.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
169.本公开是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
170.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
171.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
172.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
173.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
174.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
175.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在
涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
176.以上仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本技术。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。