CN105427228B - 照片水印处理方法及装置 - Google Patents

Abstract

本公开是关于一种照片水印处理方法及装置，包括：获取带有水印的第一照片中的器官点坐标；根据所述第一照片中的器官点坐标，对所述第一照片进行尺寸归一化处理，获得尺寸为预设的标准尺寸的第二照片；将所述第二照片作为预先建立的模型的输入，获得所述第二照片对应的无水印照片。通过本公开的方案，能够实现快捷便利的去水印处理。

Description

照片水印处理方法及装置

技术领域

本公开涉及软件应用领域，尤其涉及一种照片水印处理方法及装置。

背景技术

水印是向例如图像、声音、视频信号等数据多媒体中添加某些数字信息以达到文件真伪鉴别、版权保护等功能。嵌入的水印信息隐藏于宿主文件中，不影响原始文件的可观性和完整性。

目前为了防止照片泄密，通常会在用户的照片加上一些随机的水印。但在某些需要使用无水印照片的场景下，例如，进行人脸识别时，使用带水印的照片会产生不良影响，例如，会降低人脸识别率。

发明内容

本公开提供一种照片水印处理方法及装置。所述技术方案如下：

根据本公开实施例的第一方面，提供一种照片水印处理方法，该方法包括：获取带有水印的第一照片中的器官点坐标；根据所述第一照片中的器官点坐标，对所述第一照片进行尺寸归一化处理，获得尺寸为预设的标准尺寸的第二照片；将所述第二照片作为预先建立的模型的输入，获得所述第二照片对应的无水印照片。

进一步的，所述方法还包括：获取训练数据，所述训练数据包括多个用户的带水印照片和无水印照片，每个用户的带水印照片是在所述用户的无水印照片上添加水印获得的；针对训练数据中的每个照片，获取所述照片中的器官点坐标，并根据所述照片中的器官点坐标，对所述照片进行尺寸归一化处理，获得尺寸为所述标准尺寸的照片；将尺寸归一化处理后的每个用户的带水印照片作为输入，将尺寸归一化处理后的所述用户的无水印照片作为输出，利用卷积神经网络CNN进行训练，建立所述模型。

进一步的，所述获取带有水印的第一照片中的器官点坐标，包括：利用adaboost算法，获取所述第一照片中的器官点坐标。

进一步的，所述将所述第二照片作为预先建立的模型的输入，获得所述第二照片对应的无水印照片，包括：将所述第二照片作为所述模型的输入，获得输出的维度为标准维度的一维向量数据，所述标准维度与所述标准尺寸匹配；将所述处理子模块获得的所述一维向量数据展开为尺寸为所述标准尺寸的图像，获得所述第二照片对应的无水印照片。

进一步的，所述方法还包括：利用所述第二照片对应的无水印照片，进行人脸识别。

根据本公开实施例的第二方面，提供一种照片水印处理装置，该装置包括：第一获取模块，被配置为获取带有水印的第一照片中的器官点坐标；第一归一化模块，被配置为根据所述第一获取模块获取的所述第一照片中的器官点坐标，对所述第一照片进行尺寸归一化处理，获得尺寸为预设的标准尺寸的第二照片；处理模块，被配置为将所述第一归一化模块获得的所述第二照片作为预先建立的模型的输入，获得所述第二照片对应的无水印照片。

进一步的，所述装置还包括：第二获取模块，被配置为获取训练数据，所述训练数据包括多个用户的带水印照片和无水印照片，每个用户的带水印照片是在所述用户的无水印照片上添加水印获得的；第三获取模块，被配置为针对所述第二获取模块获取的训练数据中的每个照片，获取所述照片中的器官点坐标；第二归一化模块，被配置为根据所述第三获取模块获取的所述照片中的器官点坐标，对所述照片进行尺寸归一化处理，获得尺寸为所述标准尺寸的照片；神经网络模块，被配置为将所述第二归一化模块进行尺寸归一化处理后的每个用户的带水印照片作为输入，将所述第二归一化模块进行尺寸归一化处理后的所述用户的无水印照片作为输出，利用卷积神经网络CNN进行训练，建立所述模型。

进一步的，所述第一获取模块，包括：获取子模块，被配置为利用adaboost算法，获取所述第一照片中的器官点坐标。

进一步的，所述处理模块包括：处理子模块，被配置为将所述第二照片作为所述模型的输入，获得输出的维度为标准维度的一维向量数据，所述标准维度与所述标准尺寸匹配；展开子模块，被配置为将所述处理子模块获得的所述一维向量数据展开为尺寸为所述标准尺寸的图像，获得所述第二照片对应的无水印照片。

进一步的，所述装置还包括：识别模块，被配置为利用所述第二照片对应的无水印照片，进行人脸识别。

根据本公开实施例的第三方面，提供一种照片水印处理装置，该装置包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取带有水印的第一照片中的器官点坐标；根据所述第一照片中的器官点坐标，对所述第一照片进行尺寸归一化处理，获得尺寸为预设的标准尺寸的第二照片；将所述第二照片作为预先建立的模型的输入，获得所述第二照片对应的无水印照片。

本公开实施例提供的技术方案可以包括以下有益效果：

当需要对去除某带水印照片中的水印时，可根据带水印照片中的器官点坐标，将带水印照片的尺寸归一化为标准尺寸，并将尺寸归一化后的照片作为预先建立的去水印模型的输入，获得相应的无水印照片，实现快捷便利的去水印处理。

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

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1A是根据一示例性实施例示出的一种照片水印处理方法的流程图；

图1B是根据另一示例性实施例示出的一种照片水印处理方法的流程图；

图2是根据另一示例性实施例示出的一种照片水印处理方法的流程图；

图3是根据另一示例性实施例示出的一种照片水印处理方法的流程图；

图4是根据另一示例性实施例示出的一种照片水印处理方法的流程图；

图5A是根据一示例性实施例示出的一种照片水印处理装置的结构图；

图5B是根据另一示例性实施例示出的一种照片水印处理装置的结构图

图6是根据另一示例性实施例示出的一种照片水印处理装置的结构图；

图7是根据另一示例性实施例示出的一种照片水印处理装置的结构图；

图8是根据另一示例性实施例示出的一种照片水印处理装置的结构图；

图9是根据一示例性实施例示出的一种照片水印处理装置的框图；

图10是根据一示例性实施例示出的一种照片水印处理装置1000的框图。

此处的附图被并入说明书中并构成说明书的一部分，示出了符合本公开的实施例，并与说明书仪器用于解释本发明的原理。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。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。

图1A是根据一示例性实施例示出的一种照片水印处理方法的流程图，如图1A所示，本实施例以该照片水印处理方法应用于照片水印处理装置中来举例说明，该照片水印处理方法可以包括如下几个步骤：

在步骤101中，获取带有水印的第一照片中的器官点坐标。

其中，所述器官点坐标用于表征用户的某个器官在照片中的位置坐标，例如，所述器官点坐标可以为眼睛坐标，或者鼻子坐标等，本实施例在此不对其进行限制。

具体的，本实施例的执行主体可以为照片水印处理装置。以实际应用场景来进行举例说明：

照片水印处理装置识别出第一照片中的器官点，例如，人眼，并获取器官点的位置坐标，以执行后续方案。

实际应用中，获取照片中的器官点坐标可以通过多种方法实现，例如，可以利用adaboost算法实现，相应的，如图1B所示，图1B是根据另一示例性实施例示出的一种照片水印处理方法的流程图，在图1A所示实施方式的基础上，步骤101具体可以包括如下步骤：

104、利用adaboost算法，获取第一照片中的器官点坐标。

其中，adaboost算法是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器，即弱分类器，然后把这些弱分类器集合起来，构成一个更强的最终分类器，即强分类器。

应用在人眼检测领域，对于一幅待检测的图像，为了获取人眼坐标，可以首先使用adaboost人脸检测算法找出人脸区域，然后利用人脸区域信息得到归一化人脸图像，再使用左右眼检测器得到双眼的坐标。

本实施方式中，利用adaboost算法，准确获取所述第一照片中的器官点坐标，以在后续对照片进行尺寸归一化处理，获得标准尺寸的照片作为模型的输入，提高水印处理的准确度。

在步骤102中，根据第一照片中的器官点坐标，对第一照片进行尺寸归一化处理，获得尺寸为预设的标准尺寸的第二照片。

仍以前述的实际应用场景进行举例说明：

照片水印处理装置获取器官点的位置坐标之后，根据器官点坐标对第一照片进行尺寸归一化处理，经处理后获得的第二照片的尺寸为标准尺寸，以执行后续方案。

这里的尺寸指的是图像的像素，即水平像素和垂直像素。其中，所述标准尺寸的大小可以根据实际情况确定，例如250*250，在此不对其进行限制。

在步骤103中，将所述第二照片作为预先建立的模型的输入，获得所述第二照片对应的无水印照片。

仍以前述的实际应用场景进行举例说明：

照片水印处理装置获得标准尺寸的第二照片后，将该第二照片作为预先建立的模型的输入，经过模型的处理，最终获得去除水印后的照片，即第二照片对应的无水印照片。

其中，所述模型用于进行去水印处理。实际应用中，实现该模型的方式可以有多种，本实施例在此不对其进行限制。

综上所述，本实施例提供的照片水印处理方法，当需要对去除某带水印照片中的水印时，可根据带水印照片中的器官点坐标，将带水印照片的尺寸归一化为标准尺寸，并将尺寸归一化后的照片作为预先建立的去水印模型的输入，获得相应的无水印照片，实现快捷便利的去水印处理。

图2是根据另一示例性实施例示出的一种照片水印处理方法的流程图，如图2所示，本实施例以该照片水印处理方法应用于照片水印处理装置中来举例说明，在图1A或图1B所示实施方式的基础上，该照片水印处理方法还可以包括如下几个步骤：

在步骤201中，获取训练数据，训练数据包括多个用户的带水印照片和无水印照片，每个用户的带水印照片是在所述用户的无水印照片上添加水印获得的；

在步骤202中，针对训练数据中的每个照片，获取照片中的器官点坐标，并根据照片中的器官点坐标，对照片进行尺寸归一化处理，获得尺寸为标准尺寸的照片；

在步骤203中，将尺寸归一化处理后的每个用户的带水印照片作为输入，将尺寸归一化处理后的用户的无水印照片作为输出，利用卷积神经网络CNN进行训练，建立模型。

具体的，本实施例的执行主体可以为照片水印处理装置。本实施例的方案可以用于建立去水印模型，以实际应用场景来进行举例说明：

首先，准备大量的训练数据，该训练数据包括多个用户的带水印照片和无水印照片，针对训练数据中所有的照片，获取照片中的器官点坐标，并根据器官点坐标对这些照片进行尺寸归一化处理，同样的，处理后的照片的尺寸为标准尺寸，获得这些统一尺寸的照片后，按照其中每个用户的带水印照片和无水印照片，将带水印的照片作为输入，将无水印的照片作为输出，利用卷积神经网络(Convolutional Neural Networks，简称CNN)进行训练，即可获得具备去水印处理功能的模型。后续的，当需要去除第一照片中的水印时，照片水印处理装置识别出第一照片中的器官点，并获取器官点的位置坐标，根据器官点坐标对第一照片进行尺寸归一化处理，经处理后获得的第二照片的尺寸为标准尺寸，将该第二照片作为预先建立的模型的输入，获得标准尺寸的无水印照片，即第二照片对应的无水印照片。

其中，训练数据的数量可以根据实际情况确定，例如，十万个用户，每个用户对应有2张照片，一张加水印的照片，一张未加水印的照片。其中，每个用户的带水印照片是在该用户的无水印照片的基础上添加水印后获得的。

具体的，卷积神经网络是人工神经网络的一种，可应用于语音分析和图像识别领域。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。

利用CNN通过深度学习，能够训练获得去水印模型。深度学习属于机器学习中的一个领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。基于深信度网(Deep_Belief_Nets，简称DBN)提出非监督贪心逐层训练算法，以实现深层结构相关的优化，实现多层自动编码器深层结构。此外，卷积神经网络能够利用空间相对关系减少参数数目以提高训练性能。

综上所述，本实施例提供的照片水印处理方法，利用CNN网络通过深度学习多个用户的带水印照片和无水印照片，训练一套自动去水印的深度学习模型，当需要对去除某带水印照片中的水印时，则可根据带水印照片中的器官点坐标，将带水印照片的尺寸归一化为标准尺寸，并将尺寸归一化后的照片作为该模型的输入，获得相应的无水印照片，实现快捷便利的去水印处理。并且，通过本实施例建立的去水印模型，能够实现对随机添加的水印达到较好的去除效果。

图3是根据另一示例性实施例示出的一种照片水印处理方法的流程图，如图3所示，本实施例以该照片水印处理方法应用于照片水印处理装置中来举例说明，在前述任一实施方式的基础上，步骤103具体可以包括如下几个步骤：

在步骤301中，将第二照片作为模型的输入，获得输出的维度为标准维度的一维向量数据，标准维度与标准尺寸匹配；

在步骤302中，将一维向量数据展开为尺寸为标准尺寸的图像，获得第二照片对应的无水印照片。

仍以前述的实际应用场景进行举例说明：

照片水印处理装置识别出第一照片中的器官点，并获取器官点的位置坐标，根据器官点坐标对第一照片进行尺寸归一化处理，经处理后获得的第二照片的尺寸为标准尺寸，将该第二照片作为预先建立的模型的输入，经过模型的处理，输出维度与标准尺寸匹配的一维向量数据，进一步的，通过将该一维向量数据展开为二维数据，获得标准尺寸的照片，即第二照片对应的无水印照片。

其中，所述标准维度与标准尺寸匹配，仍以标准尺寸为250*250举例，与标准尺寸匹配的标准维度为250×250，即62500维。进一步的，基于该62500维的一维数据，展开即可获得尺寸为250*250的图像。

综上所述，本实施例提供的照片水印处理方法中，根据带水印照片中的器官点坐标，将带水印照片的尺寸归一化为标准尺寸，并将尺寸归一化后的照片作为去水印模型的输入，获得输出的一维数据，并将该一维数据展开获得无水印照片，实现快捷便利的去水印处理。

图4是根据另一示例性实施例示出的一种照片水印处理方法的流程图，如图4所示，本实施例以该照片水印处理方法应用于照片水印处理装置中来举例说明，在前述任一实施方式的基础上，所述方法还包括：

在步骤401中，利用第二照片对应的无水印照片，进行人脸识别。

以实际应用场景来进行举例说明：

当需要对第一照片进行人脸识别时，需要先对第一照片进行去水印处理，以提高人脸识别率，具体的，照片水印处理装置识别出第一照片中的器官点，并获取器官点的位置坐标，根据器官点坐标对第一照片进行尺寸归一化处理，经处理后获得的第二照片的尺寸为标准尺寸，将该第二照片作为预先建立的模型的输入，经过模型的处理，获得标准尺寸的照片，即第二照片对应的无水印照片，进而基于该无水印照片，进行人脸识别。

综上所述，本实施例提供的照片水印处理方法中，在对带水印照片进行人脸识别前，先根据带水印照片中的器官点坐标，将带水印照片的尺寸归一化为标准尺寸，并将尺寸归一化后的照片作为去水印模型的输入，获得无水印照片，实现快捷便利的去水印处理。并且，基于无水印照片进行人脸识别，能够有效提高人脸识别率。

图5A是根据一示例性实施例示出的一种照片水印处理装置的结构图，如图5A所示，该照片水印处理装置可以包括：

第一获取模块51，被配置为获取带有水印的第一照片中的器官点坐标；

第一归一化模块52，被配置为根据第一获取模块51获取的第一照片中的器官点坐标，对第一照片进行尺寸归一化处理，获得尺寸为预设的标准尺寸的第二照片；

处理模块53，被配置为将第一归一化模块52获得的第二照片作为预先建立的模型的输入，获得第二照片对应的无水印照片。

以实际应用场景来进行举例说明：

第一获取模块51识别出第一照片中的器官点，并获取器官点的位置坐标，第一归一化模块52根据器官点坐标对第一照片进行尺寸归一化处理，经处理后获得的第二照片的尺寸为标准尺寸，处理模块53将该第二照片作为预先建立的模型的输入，获得标准尺寸的无水印照片，即第二照片对应的无水印照片。

实际应用中，第一获取模块51获取照片中的器官点坐标可以通过多种方法实现，例如，可以利用adaboost算法实现，相应的，如图5B所示，图5B是根据另一示例性实施例示出的一种照片水印处理装置的结构图，在图5A所示实施方式的基础上，第一获取模块51，包括：

获取子模块511，被配置为利用adaboost算法，获取第一照片中的器官点坐标。

本实施方式中，利用adaboost算法，准确获取所述第一照片中的器官点坐标，以在后续对照片进行尺寸归一化处理，获得标准尺寸的照片作为模型的输入，提高水印处理的准确度。

其中，所述模型用于进行去水印处理。实际应用中，实现该模型的方式可以有多种，本实施例在此不对其进行限制。

综上所述，本实施例提供的照片水印处理装置，当需要对去除某带水印照片中的水印时，可根据带水印照片中的器官点坐标，将带水印照片的尺寸归一化为标准尺寸，并将尺寸归一化后的照片作为预先建立的去水印模型的输入，获得相应的无水印照片，实现快捷便利的去水印处理。

图6是根据另一示例性实施例示出的一种照片水印处理装置的结构图，如图6所示，在图5A或图5B所示实施方式的基础上，该照片水印处理装置还可以包括：

第二获取模块61，被配置为获取训练数据，训练数据包括多个用户的带水印照片和无水印照片，每个用户的带水印照片是在所述用户的无水印照片上添加水印获得的；

第三获取模块62，被配置为针对第二获取模块61获取的训练数据中的每个照片，获取照片中的器官点坐标；

第二归一化模块63，被配置为根据第三获取模块62获取的照片中的器官点坐标，对照片进行尺寸归一化处理，获得尺寸为标准尺寸的照片；

神经网络模块64，被配置为将第二归一化模块63进行尺寸归一化处理后的每个用户的带水印照片作为输入，将第二归一化模块进行尺寸归一化处理后的用户的无水印照片作为输出，利用卷积神经网络CNN进行训练，建立模型。

以实际应用场景来进行举例说明：

首先，第二获取模块61获取大量的训练数据，该训练数据包括多个用户的带水印照片和无水印照片，每个用户的带水印照片是在所述用户的无水印照片上添加水印获得的，第三获取模块62针对训练数据中所有的照片，获取照片中的器官点坐标，第二归一化模块63根据第三获取模块62获得的器官点坐标对这些照片进行尺寸归一化处理，同样的，处理后的照片的尺寸为标准尺寸，第二归一化模块63获得这些统一尺寸的照片后，神经网络模块64按照其中每个用户的带水印照片和无水印照片，将带水印的照片作为输入，将无水印的照片作为输出，利用CNN进行训练，即可获得具备去水印处理功能的模型。

其中，训练数据的数量可以根据实际情况确定。

综上所述，本实施例提供的照片水印处理装置，利用CNN网络通过深度学习多个用户的带水印照片和无水印照片，训练一套自动去水印的深度学习模型，当需要对去除某带水印照片中的水印时，则可根据带水印照片中的器官点坐标，将带水印照片的尺寸归一化为标准尺寸，并将尺寸归一化后的照片作为该模型的输入，获得相应的无水印照片，实现快捷便利的去水印处理。并且，本实施例建立的去水印模型，能够实现对随机添加的水印达到较好的去除效果。

图7是根据另一示例性实施例示出的一种照片水印处理装置的结构图，如图7所示，在前述任一实施方式的基础上，处理模块53包括：

处理子模块531，被配置为将第二照片作为模型的输入，获得输出的维度为标准维度的一维向量数据，标准维度与标准尺寸匹配；

展开子模块532，被配置为将处理子模块531获得的一维向量数据展开为尺寸为标准尺寸的图像，获得第二照片对应的无水印照片。

仍以前述的实际应用场景进行举例说明：

第一获取模块51识别出第一照片中的器官点，并获取器官点的位置坐标，第一归一化模块52根据器官点坐标对第一照片进行尺寸归一化处理，经处理后获得的第二照片的尺寸为标准尺寸，处理子模块531将该第二照片作为预先建立的模型的输入，经过模型的处理，处理子模块531获得输出的维度与标准尺寸匹配的一维向量数据，展开子模块532通过将该一维向量数据展开为二维数据，获得标准尺寸的照片，即第二照片对应的无水印照片。

综上所述，本实施例提供的照片水印处理装置，根据带水印照片中的器官点坐标，将带水印照片的尺寸归一化为标准尺寸，并将尺寸归一化后的照片作为去水印模型的输入，获得输出的一维数据，并将该一维数据展开获得无水印照片，实现快捷便利的去水印处理。

图8是根据另一示例性实施例示出的一种照片水印处理装置的结构图，如图8所示，在前述任一实施方式的基础上，该照片水印处理装置还可以包括：

识别模块81，被配置为利用第二照片对应的无水印照片，进行人脸识别。

以实际应用场景来进行举例说明：

当需要对第一照片进行人脸识别时，第一获取模块51识别出第一照片中的器官点，并获取器官点的位置坐标，第一归一化模块52根据器官点坐标对第一照片进行尺寸归一化处理，经处理后获得的第二照片的尺寸为标准尺寸，处理模块53将该第二照片作为预先建立的模型的输入，经过模型的处理，获得标准尺寸的照片，即第二照片对应的无水印照片，识别模块81基于该无水印照片，进行人脸识别。

综上所述，本实施例提供的照片水印处理装置，在对带水印照片进行人脸识别前，先根据带水印照片中的器官点坐标，将带水印照片的尺寸归一化为标准尺寸，并将尺寸归一化后的照片作为去水印模型的输入，获得无水印照片，实现快捷便利的去水印处理。并且，基于无水印照片进行人脸识别，能够有效提高人脸识别率。

以上描述了照片水印处理装置的内部功能和结构。

图9是根据一示例性实施例示出的一种照片水印处理装置的框图，如图9所示，该照片水印处理装置可实现为：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：获取带有水印的第一照片中的器官点坐标；根据第一照片中的器官点坐标，对第一照片进行尺寸归一化处理，获得尺寸为预设的标准尺寸的第二照片；将第二照片作为预先建立的模型的输入，获得第二照片对应的无水印照片。

本实施例提供的照片水印处理装置，当需要对去除某带水印照片中的水印时，可根据带水印照片中的器官点坐标，将带水印照片的尺寸归一化为标准尺寸，并将尺寸归一化后的照片作为预先建立的去水印模型的输入，获得相应的无水印照片，实现快捷便利的去水印处理。

图10是根据一示例性实施例示出的一种照片水印处理装置1000的框图。例如，照片水印处理装置1000可以是计算机，终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图10，照片水印处理装置1000可以包括以下一个或组件：处理组件1002，存储器1004，电力组件1006，多媒体组件1008，音频组件1010，输入/输出(I/O)的接口1012，传感器组件1014，以及通信组件1016。

处理组件1002通常控制照片水印处理装置1000的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1002可以包括一个或处理器1020来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1002可以包括一个或模块，便于处理组件1002和其他组件之间的交互。例如，处理组件1002可以包括多媒体模块，以方便多媒体组件1008和处理组件1002之间的交互。

存储器1004被配置为存储各种类型的数据以支持在照片水印处理装置1000的操作。这些数据的示例包括用于在照片水印处理装置1000上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1004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。

电力组件1006为照片水印处理装置1000的各种组件提供电力。电力组件1006可以包括电源管理系统，一个或电源，及其他与为照片水印处理装置1000生成、管理和分配电力相关联的组件。

多媒体组件1008包括在所述照片水印处理装置1000和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(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触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1008包括一个前置摄像头和/或后置摄像头。当照片水印处理装置1000处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件1010被配置为输出和/或输入音频信号。例如，音频组件1010包括一个麦克风(MIC)，当照片水印处理装置1000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1004或经由通信组件1016发送。在一些实施例中，音频组件1010还包括一个扬声器，用于输出音频信号。

I/O接口1012为处理组件1002和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件1014包括一个或传感器，用于为照片水印处理装置1000提供各个方面的状态评估。例如，传感器组件1014可以检测到照片水印处理装置1000的打开/关闭状态，组件的相对定位，例如所述组件为照片水印处理装置1000的显示器和小键盘，传感器组件1014还可以检测照片水印处理装置1000或照片水印处理装置1000一个组件的位置改变，用户与照片水印处理装置1000接触的存在或不存在，照片水印处理装置1000方位或加速/减速和照片水印处理装置1000的温度变化。传感器组件1014可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1014还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1014还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件1016被配置为便于照片水印处理装置1000和其他设备之间有线或无线方式的通信。照片水印处理装置1000可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1016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，所述通信组件1016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。

在示例性实施例中，照片水印处理装置1000可以被一个或应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1004，上述指令可由照片水印处理装置1000的处理器1020执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由照片水印处理装置的处理器执行时，使得照片水印处理装置能够执行一种照片水印处理方法，所述方法包括：

获取带有水印的第一照片中的器官点坐标；根据所述第一照片中的器官点坐标，对所述第一照片进行尺寸归一化处理，获得尺寸为预设的标准尺寸的第二照片；将所述第二照片作为预先建立的模型的输入，获得所述第二照片对应的无水印照片。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置的具体工作过程，可以参考前述方法实施例中的对应过程。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (9)

1.一种照片水印处理方法，其特征在于，包括：

获取训练数据，所述训练数据包括多个用户的带水印照片和无水印照片，每个用户的带水印照片是在所述用户的无水印照片上添加水印获得的；

针对训练数据中的每个照片，获取照片中的器官点坐标，并根据所述照片中的器官点坐标，对所述照片进行尺寸归一化处理，获得尺寸为标准尺寸的照片；

将尺寸归一化处理后的每个用户的带水印照片作为输入，将尺寸归一化处理后的所述用户的无水印照片作为输出，利用卷积神经网络CNN进行训练，建立模型；

获取带有水印的第一照片中的器官点坐标；

根据所述第一照片中的器官点坐标，对所述第一照片进行尺寸归一化处理，获得尺寸为所述标准尺寸的第二照片；

将所述第二照片作为所述模型的输入，获得所述第二照片对应的无水印照片。

2.根据权利要求1所述的方法，其特征在于，所述获取带有水印的第一照片中的器官点坐标，包括：

利用adaboost算法，获取所述第一照片中的器官点坐标。

3.根据权利要求1所述的方法，其特征在于，所述将所述第二照片作为所述模型的输入，获得所述第二照片对应的无水印照片，包括：

将所述第二照片作为所述模型的输入，获得输出的维度为标准维度的一维向量数据，所述标准维度与所述标准尺寸匹配；

将所述一维向量数据展开为尺寸为所述标准尺寸的图像，获得所述第二照片对应的无水印照片。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述方法还包括：

利用所述第二照片对应的无水印照片，进行人脸识别。

5.一种照片水印处理装置，其特征在于，包括：

第二获取模块，被配置为获取训练数据，所述训练数据包括多个用户的带水印照片和无水印照片，每个用户的带水印照片是在所述用户的无水印照片上添加水印获得的；

第三获取模块，被配置为针对训练数据中的每个照片，获取照片中的器官点坐标；

第二归一化模块，被配置为根据所述第三获取模块获取的所述照片中的器官点坐标，对所述照片进行尺寸归一化处理，获得尺寸为标准尺寸的照片；

神经网络模块，被配置为将所述第二归一化模块进行尺寸归一化处理后的每个用户的带水印照片作为输入，将所述第二归一化模块进行尺寸归一化处理后的所述用户的无水印照片作为输出，利用卷积神经网络CNN进行训练，建立模型；

第一获取模块，被配置为获取带有水印的第一照片中的器官点坐标；

第一归一化模块，被配置为根据所述第一获取模块获取的所述第一照片中的器官点坐标，对所述第一照片进行尺寸归一化处理，获得尺寸为所述标准尺寸的第二照片；

处理模块，被配置为将所述第一归一化模块获得的所述第二照片作为所述模型的输入，获得所述第二照片对应的无水印照片。

6.根据权利要求5所述的装置，其特征在于，所述第一获取模块，包括：

获取子模块，被配置为利用adaboost算法，获取所述第一照片中的器官点坐标。

7.根据权利要求5所述的装置，其特征在于，所述处理模块包括：

处理子模块，被配置为将所述第二照片作为所述模型的输入，获得输出的维度为标准维度的一维向量数据，所述标准维度与所述标准尺寸匹配；

展开子模块，被配置为将所述处理子模块获得的所述一维向量数据展开为尺寸为所述标准尺寸的图像，获得所述第二照片对应的无水印照片。

8.根据权利要求5-7中任一项所述的装置，其特征在于，所述装置还包括：

识别模块，被配置为利用所述第二照片对应的无水印照片，进行人脸识别。

9.一种照片水印处理装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：获取训练数据，所述训练数据包括多个用户的带水印照片和无水印照片，每个用户的带水印照片是在所述用户的无水印照片上添加水印获得的；针对训练数据中的每个照片，获取照片中的器官点坐标，并根据所述照片中的器官点坐标，对所述照片进行尺寸归一化处理，获得尺寸为标准尺寸的照片；将尺寸归一化处理后的每个用户的带水印照片作为输入，将尺寸归一化处理后的所述用户的无水印照片作为输出，利用卷积神经网络CNN进行训练，建立模型；获取带有水印的第一照片中的器官点坐标；根据所述第一照片中的器官点坐标，对所述第一照片进行尺寸归一化处理，获得尺寸为所述标准尺寸的第二照片；将所述第二照片作为所述模型的输入，获得所述第二照片对应的无水印照片。