CN106454411A - 台标处理方法和装置 - Google Patents

Abstract

本公开是关于一种台标处理方法和装置。其中该方法包括：检测出待处理图像中台标区域；将所述台标区域的图像输入到已训练的卷积自编码模型，以得到去除台标后的图像；采用去除台标后的图像替换所述待处理图像中的台标区域。本公开先对图像中的台标进行自动检测，再采用已训练的卷积自编码模型对图像中的台标进行消除，只需要对台标所占的区域进行处理，再采用去除台标后的图像替换原图像的台标区域，将原图像的画面补充完整，让用户察觉不出来，去除台标的效果更好，更智能，并提高了去除台标后的图像质量。

Description

台标处理方法和装置

技术领域

本公开涉及互联网技术领域，尤其涉及台标处理方法和装置。

背景技术

相关技术中，在电视、电脑等智能终端的播放界面，一般采用固定区域标定台标，然后采用直接马赛克的方法来去除台标。

采用马赛克的方式去除台标，容易出现模糊等现象，影响视频的观看质量。

发明内容

为克服相关技术中存在的问题，本公开提供一种台标处理方法和装置。

根据本公开实施例的第一方面，提供一种台标处理方法，包括：

检测出待处理图像中台标区域；

将所述台标区域的图像输入到已训练的卷积自编码模型，以得到去除台标后的图像；

采用去除台标后的图像替换所述待处理图像中的台标区域。

对于上述方法，在一种可能的实现方式中，检测出待处理图像中台标区域，包括：

收集具有各种待检测类型的台标的多个图像样本；

对各图像样本采用分类算法进行训练，得到用于进行台标检测的分类模型；

采用所述分类模型，从所述待处理图像中检测出所述台标区域。

对于上述方法，在一种可能的实现方式中，将所述台标区域的图像输入到已训练的卷积自编码模型，还包括：

收集多个数据样本，所述数据样本中包括具有台标的第一图像和与所述第一图像对应的去除台标后的第二图像；

将各数据样本输入到所构建的卷积自编码网络中，训练得到所述卷积自编码模型。

对于上述方法，在一种可能的实现方式中，将各数据样本输入到所构建的卷积自编码网络中，训练得到所述卷积自编码模型，包括：

将各所述数据样本中的图像转换为设定尺寸；

采用具有设定尺寸的第一图像的像素值作为所述卷积自编码网络的输入值，对所述卷积自编码网络进行训练；

根据所述卷积自编码网络的输入值和具有设定尺寸的第二图像的像素值，计算所述卷积自编码网络的损失，以得到所述卷积自编码模型。

对于上述方法，在一种可能的实现方式中，根据所述卷积自编码网络的输入值和具有设定尺寸的第二图像的像素值，计算所述卷积自编码网络的损失，包括：

采用计算所述卷积自编码网络的损失；

其中，J(W，b；x，y)表示所述卷积自编码网络的损失；x表示根据各所述第一图像的像素值所得到的所述卷积自编码网络的输入值；表示所述卷积自编码网络的输出值；y表示各所述第二图像对应的像素值；W表示所述卷积自编码网络的权重参数，b表示所述卷积自编码网络的偏置参数。

对于上述方法，在一种可能的实现方式中，将所述台标区域的图像输入到已训练的卷积自编码模型，以得到去除台标后的图像，还包括：

将所述台标区域的图像从原始尺寸转换为设定尺寸；

将转换后的台标区域的图像输入到所述卷积自编码模型中，得到具有所述设定尺寸的去除台标后的图像；

将具有所述设定尺寸的去除台标后的图像，从所述设定尺寸转换为所述原始尺寸。

根据本公开实施例的第二方面，提供一种台标处理装置，包括：

检测模块，用于检测出待处理图像中台标区域；

去除模块，用于将所述台标区域的图像输入到已训练的卷积自编码模型，以得到去除台标后的图像；

替换模块，用于采用去除台标后的图像替换所述待处理图像中的台标区域。

对于上述装置，在一种可能的实现方式中，所述检测模块包括：

第一收集子模块，用于收集具有各种待检测类型的台标的多个图像样本；

第一训练子模块，用于对各图像样本采用分类算法进行训练，得到用于进行台标检测的分类模型；

第一检测子模块，用于采用所述分类模型，从所述待处理图像中检测出所述台标区域。

对于上述装置，在一种可能的实现方式中，还包括：

收集模块，用于收集多个数据样本，所述数据样本中包括具有台标的第一图像和与所述第一图像对应的去除台标后的第二图像；

训练模块，用于将各数据样本输入到所构建的卷积自编码网络中，训练得到所述卷积自编码模型。

对于上述装置，在一种可能的实现方式中，所述训练模块包括：

第一转换子模块，用于将各所述数据样本中的图像转换为设定尺寸；

第二训练子模块，用于采用具有设定尺寸的第一图像的像素值作为所述卷积自编码网络的输入值，对所述卷积自编码网络进行训练；

计算子模块，用于根据所述卷积自编码网络的输入值和具有设定尺寸的第二图像的像素值，计算所述卷积自编码网络的损失，以得到所述卷积自编码模型。

对于上述装置，在一种可能的实现方式中，所述计算子模块还用于采用计算所述卷积自编码网络的损失；

其中，J(W，b；x，y)表示所述卷积自编码网络的损失；x表示根据各所述第一图像的像素值所得到的所述卷积自编码网络的输入值；表示所述卷积自编码网络的输出值；y表示各所述第二图像对应的像素值；W表示所述卷积自编码网络的权重参数，b表示所述卷积自编码网络的偏置参数。

对于上述装置，在一种可能的实现方式中，所述去除模块包括：

第二转换子模块，用于将所述台标区域的图像从原始尺寸转换为设定尺寸；

去除子模块，用于将转换后的台标区域的图像输入到所述卷积自编码模型中，得到具有所述设定尺寸的去除台标后的图像；

第三转换子模块，用于将具有所述设定尺寸的去除台标后的图像，从所述设定尺寸转换为所述原始尺寸。

根据本公开实施例的第三方面，提供一种台标处理装置，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：

检测出待处理图像中台标区域；

将所述台标区域的图像输入到已训练的卷积自编码模型，以得到去除台标后的图像；

采用去除台标后的图像替换所述待处理图像中的台标区域。

本公开的实施例提供的技术方案可以包括以下有益效果：先对图像中的台标进行自动检测，再采用已训练的卷积自编码模型对图像中的台标进行消除，只需要对台标所占的区域进行处理，再采用去除台标后的图像替换原图像的台标区域，将原图像的画面补充完整，让用户察觉不出来，去除台标的效果更好，更智能，并提高了去除台标后的图像质量。

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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种台标处理方法的流程图。

图2是根据另一示例性实施例示出的一种台标处理方法的流程图。

图3是根据另一示例性实施例示出的一种台标处理方法的流程图。

图4是根据另一示例性实施例示出的一种台标处理方法的卷积自编码网络的示例图。

图5是根据一示例性实施例示出的一种台标处理装置的框图。

图6是根据另一示例性实施例示出的一种台标处理装置的框图。

图7是根据另一示例性实施例示出的一种台标处理装置的框图。

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1是根据一示例性实施例示出的一种台标处理方法的流程图，如图1所示，该台标处理方法用于终端中，可以包括以下步骤。

在步骤101中，检测出待处理图像中台标区域。

在步骤102中，将所述台标区域的图像输入到已训练的卷积自编码模型，以得到去除台标后的图像。

在步骤103中，采用去除台标后的图像替换所述待处理图像中的台标区域。

本公开的待处理图像可以是具有台标的视频例如电视剧等的帧图像。台标可以包括电视台的各种标志。台标的类型有多种，通常由文字、字符、图案等组成。台标可能位于所播放的视频的右上角、左上角或其他位置，会对遮挡当前播放的视频的部分内容。

采用卷积自编码(Convolutional Auto-Encode)对采用有台标和无台标的图像样本进行学习，训练得到的CNN(Convolutional Neural Network,卷积神经网络)模型即卷积自编码模型。然后，在采用该模型对所检测出的台标区域的图像进行去除台标的处理，得到去除台标后的图像。再采用去除台标后的图像插入待处理图像的台标区域，替换掉待处理图像的台标区域的台标图案。这样就可以使得处理后的完整图像不再显示台标。

本实施例中，先对图像中的台标进行自动检测，再采用已训练的卷积自编码模型对图像中的台标进行消除，只需要对台标所占的区域进行处理，再采用去除台标后的图像替换原图像的台标区域，例如对原图像中消除后的台标区域进行插值，将原图像的画面补充完整，让用户察觉不出来，去除台标的效果更好，更智能，并提高了去除台标后的图像质量。

图2是根据另一示例性实施例示出的一种台标处理方法的流程图，图2与图1相同的步骤具有相同的含义，在此不再赘述。

如图2所示，该台标处理方法的在步骤101可以包括以下自动检测台标区域的步骤：

在步骤201中，收集具有各种待检测类型的台标的多个图像样本。

在步骤202中，对各图像样本采用分类算法进行训练，得到用于进行台标检测的分类模型。

在步骤203中，采用所述分类模型，从所述待处理图像中检测出所述台标区域。

采用本公开中上述自动检测台标区域的方法，可以支持多种台标的检测。

在一种可能的实现方式中，该方法中，将所述台标区域的图像输入到已训练的卷积自编码模型(步骤102)，还包括以下预先训练卷积自编码模型的步骤：

在步骤204中，收集多个数据样本，所述数据样本中包括具有台标的第一图像和与所述第一图像对应的去除台标后的第二图像；

在步骤205中，将各数据样本输入到所构建的卷积自编码网络中，训练得到所述卷积自编码模型。

在一种可能的实现方式中，步骤205可以包括：将各所述数据样本中的图像转换为设定尺寸；采用具有设定尺寸的第一图像的像素值作为所述卷积自编码网络的输入值，对所述卷积自编码网络进行训练；根据所述卷积自编码网络的输入值和具有设定尺寸的第二图像的像素值，计算所述卷积自编码网络的损失，以得到所述卷积自编码模型。

在一种可能的实现方式中，根据所述卷积自编码网络的输入值和具有设定尺寸的第二图像的像素值，计算所述卷积自编码网络的损失，可以包括：

采用损失函数计算所述卷积自编码网络的损失。

其中，J(W，b；x，y)表示所述卷积自编码网络的损失；x表示根据各所述第一图像的像素值所得到的所述卷积自编码网络的输入值；表示所述卷积自编码网络的输出值；y表示各所述第二图像对应的像素值；W表示所述卷积自编码网络的权重参数，b表示所述卷积自编码网络的偏置参数。

在一种可能的实现方式中，在步骤102还可以包括：

在步骤206中，将所述台标区域的图像从原始尺寸转换为设定尺寸。

在步骤207中，将转换后的台标区域的图像输入到所述卷积自编码模型中，得到具有所述设定尺寸的去除台标后的图像。

在步骤208中，将具有所述设定尺寸的去除台标后的图像，从所述设定尺寸转换为所述原始尺寸。

本实施例中，可以采用分类模型对各种类型的台标进行自动检测，再采用已训练的卷积自编码模型对图像中的台标进行消除，只需要对台标所占的区域进行处理，再采用去除台标后的图像替换原图像的台标区域，将原图像的画面补充完整，让用户察觉不出来，去除台标的效果更好，更智能，并能够提高去除台标后的图像质量。

图3是根据另一示例性实施例示出的一种台标处理方法的流程图，如图3所示，本公开采用深度学习的方法来填充台标区域。首先采用卷积自编码对有台标和无台标的图像样本进行学习，训练出一个CNN模型。然后通过训练出来的模型对目标台标区域进行自动去除，效果更好，更智能。

以去除视频中的台标为例，一种示例性的方法流程如下：

步骤301、自动检测视频台标区域。

采用模式识别的方法对台标进行检测，收集要检测类型的台标的图像样本，然后采用分类算法(如ADABOOST、SVM、CNN等)，训练出一个用于进行台标检测的分类模型。检测时，采用该分类模型检测出台的区域。采用该方法可以支持多种台标的检测。

步骤302、采用深度学习的卷积自编码的方式去除台标。

卷积自编码大部分是用来做图像压缩的，是一种无监督学习方法。本公开将卷积自编码应用于去除台标算法。在该应用中，自编码变成有监督算法。以下以一种台标去除为例。

步骤3021、首先收集数据样本。收集图像，有台标图像P和去除台标后的图像P1的样本。每个样本是一一对应的，如P1-P，图像P1<-->P的大小也是一样的。实际训练的过程中，可以收集至少1万张图像。

步骤3022、设计一个深度学习的网络结构。如图4所示，为一种简单的卷积自编码网络。在本公开中，输入值X为有台标图像P上的像素(例如按行)，为经过网络运算后的输出值。

步骤3023、训练过程：

首先，在步骤3023a中，将样本图像全部缩放到固定的同一个尺寸S。

然后，在步骤3023b中，按照卷积神经网络的训练过程进行训练。在计算整个网络的损失(loss)时，可以采用公式

其中，J(W，b；x，y)表示卷积自编码网络的损失，x表示卷积自编码网络的输入值(例如各有台标的图像P的像素值)，是当前卷积自编码网络的输出值，为预测的结果。y为各去除台标的图像P1对应的像素值，W表示所述卷积自编码网络的权重参数，b表示所述卷积自编码网络的偏置参数。

步骤3024、当整个网络的损失(loss)收敛到一定程度时，表示深度学习网络已经训练完成。生成一个自编码(Autoencoders)模型A。在已经训练处的模型A中可以得到W、b的值。

步骤303、采用与步骤301类似的方法，从待处理视频中检测出有台标的区域。

步骤304、如果该区域的图像P的大小为M，则可以缩放到一个固定尺寸S。

步骤305、然后，将该缩放后的图像输入到步骤302中训练好的Autoencoders模型A。

其中，模型A可以输出一个去除台标后的尺寸大小为S的图像。

步骤306、然后，将该图像的尺寸放大到M，则最终的图像为所求图像。

最后，采用去除台标后且尺寸为M的图像插入原始视频的台标区域，可以得到完整的视频。

本实施例中，采用深度学习的方法去除视频台标，先采用分类模型对各种类型的台标进行自动检测，再采用已训练的卷积自编码模型对图像中的台标进行消除，只需要对台标所占的区域进行处理，再采用去除台标后的图像替换原图像的台标区域，将原图像的画面补充完整，让用户察觉不出来，去除台标的效果更好，更智能，并有利于提高视频的质量。

图5是根据一示例性实施例示出的一种台标处理装置的框图。参照图5，该装置包括检测模块51、去除模块53和替换模块54。

其中，检测模块51，用于检测出待处理图像中台标区域。去除模块53，用于将所述台标区域的图像输入到已训练的卷积自编码模型，以得到去除台标后的图像。替换模块54，用于采用去除台标后的图像替换所述待处理图像中的台标区域。

本实施例中，可以采用分类模型对各种类型的台标进行自动检测，再采用已训练的卷积自编码模型对图像中的台标进行消除，只需要对台标所占的区域进行处理，再采用去除台标后的图像替换原图像的台标区域，将原图像的画面补充完整，让用户察觉不出来，去除台标的效果更好，更智能，并能够提高去除台标后的图像质量。

图6是根据另一示例性实施例示出的一种台标处理装置的框图。图6与图5相同的组件具有相同的含义，在此不再赘述。

其中，所述检测模块51可以包括：第一收集子模块61、第一训练子模块63和第一检测子模块65。

第一收集子模块61，用于收集具有各种待检测类型的台标的多个图像样本。第一训练子模块63，用于对各图像样本采用分类算法进行训练，得到用于进行台标检测的分类模型。第一检测子模块65，用于采用所述分类模型，从所述待处理图像中检测出所述台标区域。

在一种可能的实现方式中，该装置还包括：收集模块55和训练模块57。

收集模块55，用于收集多个数据样本，所述数据样本中包括具有台标的第一图像和与所述第一图像对应的去除台标后的第二图像。训练模块57，用于将各数据样本输入到所构建的卷积自编码网络中，训练得到所述卷积自编码模型。

在一种可能的实现方式中，所述训练模块55包括：第一转换子模块67、第二训练子模块68和计算子模块69。

第一转换子模块67，用于将各所述数据样本中的图像转换为设定尺寸。第二训练子模块68，用于采用具有设定尺寸的第一图像的像素值作为所述卷积自编码网络的输入值，对所述卷积自编码网络进行训练。计算子模块69，用于根据所述卷积自编码网络的输入值和具有设定尺寸的第二图像的像素值，计算所述卷积自编码网络的损失，以得到所述卷积自编码模型。

在一种可能的实现方式中，所述计算子模块69还用于采用计算所述卷积自编码网络的损失；

其中，J(W，b；x，y)表示所述卷积自编码网络的损失；x表示根据各所述第一图像的像素值所得到的所述卷积自编码网络的输入值；表示所述卷积自编码网络的输出值；y表示各所述第二图像对应的像素值；W表示所述卷积自编码网络的权重参数，b表示所述卷积自编码网络的偏置参数。

在一种可能的实现方式中，所述去除模块53包括：第二转换子模块70、去除子模块71和第三转换子模块72。

第二转换子模块70，用于将所述台标区域的图像从原始尺寸转换为设定尺寸；

去除子模块71，用于将转换后的台标区域的图像输入到所述卷积自编码模型中，得到具有所述设定尺寸的去除台标后的图像；

第三转换子模块72，用于将具有所述设定尺寸的去除台标后的图像，从所述设定尺寸转换为所述原始尺寸。

本实施例中，可以采用分类模型对各种类型的台标进行自动检测，再采用已训练的卷积自编码模型对图像中的台标进行消除，只需要对台标所占的区域进行处理，再采用去除台标后的图像替换原图像的台标区域，将原图像的画面补充完整，让用户察觉不出来，去除台标的效果更好，更智能，并能够提高去除台标后的图像质量。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图7是根据另一示例性实施例示出的一种台标处理装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，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7，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800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802可以包括一个或多个处理器820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802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800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804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。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800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多个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808包括一个前置摄像头和/或后置摄像头。当装置800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810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800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804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802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814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814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814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814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816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800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816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816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，装置800可以被一个或多个应用专用集成电路(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，用于执行上述台标处理方法。

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804，上述指令可由装置800的处理器820执行以完成上述台标处理方法。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。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、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公开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，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限制。

Claims (13)

1.一种台标处理方法，其特征在于，包括：

检测出待处理图像中台标区域；

将所述台标区域的图像输入到已训练的卷积自编码模型，以得到去除台标后的图像；

采用去除台标后的图像替换所述待处理图像中的台标区域。

2.根据权利要求1所述的方法，其特征在于，检测出待处理图像中台标区域，包括：

收集具有各种待检测类型的台标的多个图像样本；

对各图像样本采用分类算法进行训练，得到用于进行台标检测的分类模型；

采用所述分类模型，从所述待处理图像中检测出所述台标区域。

3.根据权利要求1或2所述的方法，其特征在于，将所述台标区域的图像输入到已训练的卷积自编码模型，还包括：

收集多个数据样本，所述数据样本中包括具有台标的第一图像和与所述第一图像对应的去除台标后的第二图像；

将各数据样本输入到所构建的卷积自编码网络中，训练得到所述卷积自编码模型。

4.根据权利要求3所述的方法，其特征在于，将各数据样本输入到所构建的卷积自编码网络中，训练得到所述卷积自编码模型，包括：

将各所述数据样本中的图像转换为设定尺寸；

采用具有设定尺寸的第一图像的像素值作为所述卷积自编码网络的输入值，对所述卷积自编码网络进行训练；

根据所述卷积自编码网络的输入值和具有设定尺寸的第二图像的像素值，计算所述卷积自编码网络的损失，以得到所述卷积自编码模型。

5.根据权利要4所述的方法，其特征在于，根据所述卷积自编码网络的输入值和具有设定尺寸的第二图像的像素值，计算所述卷积自编码网络的损失，包括：

采用计算所述卷积自编码网络的损失；

其中，J(W，b；x，y)表示所述卷积自编码网络的损失；x表示根据各所述第一图像的像素值所得到的所述卷积自编码网络的输入值；表示所述卷积自编码网络的输出值；y表示各所述第二图像对应的像素值；W表示所述卷积自编码网络的权重参数，b表示所述卷积自编码网络的偏置参数。

6.根据权利要4所述的方法，其特征在于，将所述台标区域的图像输入到已训练的卷积自编码模型，以得到去除台标后的图像，还包括：

将所述台标区域的图像从原始尺寸转换为设定尺寸；

将转换后的台标区域的图像输入到所述卷积自编码模型中，得到具有所述设定尺寸的去除台标后的图像；

将具有所述设定尺寸的去除台标后的图像，从所述设定尺寸转换为所述原始尺寸。

7.一种台标处理装置，其特征在于，包括：

检测模块，用于检测出待处理图像中台标区域；

去除模块，用于将所述台标区域的图像输入到已训练的卷积自编码模型，以得到去除台标后的图像；

替换模块，用于采用去除台标后的图像替换所述待处理图像中的台标区域。

8.根据权利要求7所述的装置，其特征在于，所述检测模块包括：

第一收集子模块，用于收集具有各种待检测类型的台标的多个图像样本；

第一训练子模块，用于对各图像样本采用分类算法进行训练，得到用于进行台标检测的分类模型；

第一检测子模块，用于采用所述分类模型，从所述待处理图像中检测出所述台标区域。

9.根据权利要求8或7所述的装置，其特征在于，还包括：

收集模块，用于收集多个数据样本，所述数据样本中包括具有台标的第一图像和与所述第一图像对应的去除台标后的第二图像；

训练模块，用于将各数据样本输入到所构建的卷积自编码网络中，训练得到所述卷积自编码模型。

10.根据权利要求9所述的装置，其特征在于，所述训练模块包括：

第一转换子模块，用于将各所述数据样本中的图像转换为设定尺寸；

第二训练子模块，用于采用具有设定尺寸的第一图像的像素值作为所述卷积自编码网络的输入值，对所述卷积自编码网络进行训练；

计算子模块，用于根据所述卷积自编码网络的输入值和具有设定尺寸的第二图像的像素值，计算所述卷积自编码网络的损失，以得到所述卷积自编码模型。

11.根据权利要10所述的装置，其特征在于，所述计算子模块还用于采用计算所述卷积自编码网络的损失；

其中，J(W，b；x，y)表示所述卷积自编码网络的损失；x表示根据各所述第一图像的像素值所得到的所述卷积自编码网络的输入值；表示所述卷积自编码网络的输出值；y表示各所述第二图像对应的像素值；W表示所述卷积自编码网络的权重参数，b表示所述卷积自编码网络的偏置参数。

12.根据权利要10所述的装置，其特征在于，所述去除模块包括：

第二转换子模块，用于将所述台标区域的图像从原始尺寸转换为设定尺寸；

去除子模块，用于将转换后的台标区域的图像输入到所述卷积自编码模型中，得到具有所述设定尺寸的去除台标后的图像；

第三转换子模块，用于将具有所述设定尺寸的去除台标后的图像，从所述设定尺寸转换为所述原始尺寸。

13.一种台标处理装置，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：

检测出待处理图像中台标区域；

将所述台标区域的图像输入到已训练的卷积自编码模型，以得到去除台标后的图像；

采用去除台标后的图像替换所述待处理图像中的台标区域。