CN107808358A - 图像水印自动检测方法 - Google Patents

Abstract

本发明公开了一种图像水印自动检测方法，包括以下步骤：S1、建立水印预检测模型；S2、建立水印再识别模型；S3、结合所述水印预检测模型和水印再识别模型实现图像水印的自动检测。本发明对检测出的候选水印区域进行再识别，通过手工设计水印的特征和训练一个专门判断是否为水印的二分类模型，对候选水印区域进行再识别，降低了基于深度卷积神经网络的水印检测器对与水印相似的模式的误检，提高了水印检测的准确率。

Description

图像水印自动检测方法

技术领域

本发明涉及图像识别领域，特别是涉及一种图像水印自动检测方法。

背景技术

图像包含了丰富且直观的信息，当前在互联网的社交、购物和旅游等领域，都需要大量的图像来给用户传递信息。由于互联网信息的传播极为快速和便携，越来越多的个人和组织选择给自己的图像嵌入水印，如在图像某些区域打上商标或网址的水印，以此保护图像的所有权。因此，图像提供方在使用图像前，需要对图像进行审核，检测图像中是否含有水印，避免出现误用和侵权的行为。随着互联网的飞速发展，图像提供方每天都会利用诸多途径获取大量图像信息，数量已远远超过人工审核的限度。因此，利用机器自动审核图像，检测出带水印的图像成为了迫切的需求。

水印在图像中的视觉显著性很低，具有面积小，颜色浅，透明度高等特点，带水印图像与未带水印图像之间的差异往往很小，区分度较低。现阶段，对水印检测的研究尚未展开，鲜有有效的水印检测技术，实现图像中水印的准确检测是一项具有挑战性的任务。

发明内容

本发明要解决的技术问题是为了克服现有技术中无法准确检测出图像中的水印的缺陷，提供一种实用性强、检测准确率和召回率俱佳的图像水印自动检测方法。

本发明是通过下述技术方案来解决上述技术问题的：

本发明提供了一种图像水印自动检测方法，包括以下步骤：

S1、建立水印预检测模型；

S2、建立水印再识别模型；

S3、结合所述水印预检测模型和水印再识别模型实现图像水印的自动检测。

较佳地，步骤S1包括：

S11、建立带水印的第一图像数据集；

S12、训练基于深度卷积神经网络的水印检测器。

较佳地，步骤S11中的带水印的第一图像通过机器自动处理的方式批量生成来获取。

较佳地，步骤S11包括：

S111、收集若干种类的水印，制作成背景透明前景带颜色的水印图像；

S112、收集多个无水印图像；

S113、将步骤S111获取的水印图像自动嵌入在步骤S112中的无水印图像上，以生成最终的带水印的第一图像数据集。

较佳地，在步骤S113中，一张无水印图像上只嵌入一个水印图像，同一种类型的水印图像以不同的尺寸、透明度和位置分别嵌入不同的无水印图像中。

较佳地，步骤S12中的深度卷积神经网络为全卷积网络。

较佳地，步骤S2包括：

S21、建立一个候选水印区域的第二图像数据集，对第二图像的所有候选水印区域进行人工标注，标注类别包括是水印和不是水印；

S22、建立候选水印区域的特征提取模型；

S23、训练候选水印区域是否为水印的二分类问题的分类器。

较佳地，在步骤S21中，候选水印区域的第二图像通过步骤S1建立的水印预检测模型进行检测获取。

较佳地，步骤S23包括：

S231、将通过步骤S21建立的第二图像数据集中的所有第二图像，利用步骤S22建立的特征提取模型进行特征提取。

S232、利用通过步骤S21建立的第二图像数据集中的候选水印区域对应的图像特征和对应的人工标注的类别，训练一个判断是否为水印的二分类问题的分类器。

较佳地，步骤S3包括：

S31、对于一张待检测图像，利用步骤S1建立的水印预检测模型获取所述待检测图像中的所有候选水印区域和对应的属于水印的概率；

对每个候选水印区域对应的属于水印的概率进行检测，若所述候选水印区域属于水印的概率小于第一阈值，则剔除所述候选水印区域；

S32、利用步骤S2建立的水印再识别模型对步骤S31获取的候选水印区域进行识别，获取所述候选水印区域被识别为水印的概率，并检测概率是否大于第二阈值，若是，则判定所述候选区域是水印，否则判定所述候选区域不是水印；

若所述待检测图像中有至少一个候选水印区域被判定是水印，则判定所述待检测图像为带水印图像；若所述待检测图像中所有候选水印区域都被判定为不是水印，则判定所述待检测图像为无水印图像。

本发明的积极进步效果在于：

1、本发明利用计算机自动批量生成带水印图像的训练数据，能够方便快捷地获取大量图像训练样本，解决了实际应用中出现的训练数据不足的问题，为训练水印检测器打好基础。

2、本发明训练了一种专门针对水印检测任务的深度卷积神经网络，有效地模拟了人眼视觉处理系统，能够识别出局部细微的水印纹理，较好地解决了带水印图像中，水印所占面积小、颜色浅、透明度高等问题，保证了水印检测的召回率。

3、本发明对检测出的候选水印区域进行再识别，通过手工设计水印的特征和训练一个专门判断是否为水印的二分类模型，对候选水印区域进行再识别，降低了基于深度卷积神经网络的水印检测器对与水印相似的模式(文字和正常图案)的误检，提高了水印检测的准确率。

附图说明

图1为本发明的较佳实施例的图像水印自动检测方法的流程图。

图2为本发明的较佳实施例的图像水印自动检测方法的中步骤101的流程图。

图3为本发明的较佳实施例的图像水印自动检测方法的中步骤1011的流程图。

图4为本发明的较佳实施例的图像水印自动检测方法的中步骤102的流程图。

图5为本发明的较佳实施例的图像水印自动检测方法的中步骤1023的流程图。

图6为本发明的较佳实施例的图像水印自动检测方法的中步骤103的流程图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

如图1所示，本发明的图像水印自动检测方法包括以下步骤：

步骤101、建立水印预检测模型；

步骤102、建立水印再识别模型；

步骤103、结合所述水印预检测模型和水印再识别模型实现图像水印的自动检测。

其中，如图2所示，步骤101具体包括以下步骤：

步骤1011、建立带水印的第一图像数据集；具体地，在本实施例中，带水印的第一图像是通过机器自动处理的方式批量生成来获取的；

步骤1012、训练基于深度卷积神经网络的水印检测器。

具体地，如图3所示，步骤1011包括：

步骤10111、收集若干种类的水印，制作成背景透明前景带颜色的水印图像；其中，水印的收集可通过互联网下载完成，本实施例中一共收集了153个水印图像；

步骤10112、收集多个无水印图像；其中，无水印的图像可通过互联网下载完成，本实施例中一共收集了10万张无水印图像；

步骤10113、将步骤10111获取的水印图像自动嵌入在步骤10112中的无水印图像上，以生成最终的带水印的第一图像数据集。

其中，一张无水印图像上只嵌入一个水印图像，同一种类型的水印图像会随机以不同的尺寸、透明度和位置分别嵌入不同的无水印图像中。最终的带水印图像的第一图像数据集由10万张带水印图像和其水印区域的位置信息组成。

具体地，步骤1012中的深度卷积神经网络为全卷积网络，是利用通过步骤1011建立的带水印的第一图像数据集进行训练得到的。在本实施例中，采用与YOLOv2模型相同的网络结构。在训练过程中，学习率设为0.001，batch的大小设为64，momentum设为0.9，权值衰减系数设为0.0005。所有参与训练的第一图像数据集中的带水印图像的尺寸均被缩放到480×320像素大小，其对应的水印位置信息也按照同样缩放比例进行修正。对于完成训练的水印预检测模型，输入为一张原始图像，模型输出为所述原始图像中的候选水印区域的位置和其属于水印的概率。

如图4所示，步骤102具体包括以下步骤：

步骤1021、建立一个候选水印区域的第二图像数据集；候选水印区域的第二图像是通过步骤101建立的水印预检测模型进行检测获取的。具体地，收集1万张图像，依次输入步骤101建立的水印预检测模型，获取所述1万张图像的所有候选水印区域，人工对所述候选水印区域进行判别，标注为是水印和不是水印两个类别。

步骤1022、建立候选水印区域的特征提取模型；具体地，所述特征提取模型提取的特征均为手工设计的特征。在本实施例中，对于一张候选水印区域的图像，首先将其缩放到200×100像素大小，并进行灰度化处理；然后分别提取HOG特征描述子和LBP特征描述子，其中，HOG特征的cell大小设为10×10像素大小，每个cell的方向梯度直方图的维度设为9，LBP特征具体采用uniform LBP的形式，cell大小设为10×10像素大小，每个cell一共59种不同模式；最后将HOG特征和LBP特征进行组合得到最终的特征。

步骤1023、训练候选水印区域是否为水印的二分类问题的分类器。

具体地，如图5所示，步骤1023包括以下步骤：

步骤10231、将通过步骤1021建立的第二图像数据集中的所有第二图像，利用步骤1022建立的特征提取模型进行特征提取。

步骤10232、利用通过步骤1021建立的第二图像数据集中的候选水印区域对应的图像特征和对应的人工标注的类别，训练一个基于集成学习的二分类模型以解决是否为水印的二分类问题。在本实施例中，所述二分类模型具体为随机森林，该分类模型所使用的决策树的个数为800个。

如图6所示，步骤103具体包括：

步骤1031、对于一张待检测图像，利用步骤101建立的水印预检测模型获取所述待检测图像中的所有候选水印区域和对应的属于水印的概率；

对每个候选水印区域对应的属于水印的概率进行检测，若所述候选水印区域属于水印的概率小于第一阈值，则剔除所述候选水印区域，以缩小候选水印区域的范围；

其中，第一阈值具体取值设为0.3；

步骤1032、利用步骤102建立的水印再识别模型对步骤1031获取的候选水印区域进行识别，获取所述候选水印区域被识别为水印的概率，并检测概率是否大于第二阈值，若是，则判定所述候选区域是水印，否则判定所述候选区域不是水印；其中，第二阈值具体取值设为0.6；

若所述待检测图像中有至少一个候选水印区域被判定是水印，则判定所述待检测图像为带水印图像；若所述待检测图像中所有候选水印区域都被判定为不是水印，则判定所述待检测图像为无水印图像。

在本实施例的图像水印自动检测方法中，水印预检测模型利用深度卷积神经网络检测水印，保证了检测召回率；水印再识别模型利用手工设计特征和传统机器学习模型对水印再分类，提高了检测准确率；两者的结合使水印检测的实用性和检测效果都得到较好的保障。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种图像水印自动检测方法，其特征在于，包括以下步骤：

S1、建立水印预检测模型；

S2、建立水印再识别模型；

S3、结合所述水印预检测模型和水印再识别模型实现图像水印的自动检测。

2.如权利要求1所述的图像水印自动检测方法，其特征在于，步骤S1包括：

S11、建立带水印的第一图像数据集；

S12、训练基于深度卷积神经网络的水印检测器。

3.如权利要求2所述的图像水印自动检测方法，其特征在于，步骤S11中的带水印的第一图像通过机器自动处理的方式批量生成来获取。

4.如权利要求2所述的图像水印自动检测方法，其特征在于，步骤S11包括：

S111、收集若干种类的水印，制作成背景透明前景带颜色的水印图像；

S112、收集多个无水印图像；

S113、将步骤S111获取的水印图像自动嵌入在步骤S112中的无水印图像上，以生成最终的带水印的第一图像数据集。

5.如权利要求4所述的图像水印自动检测方法，其特征在于，在步骤S113中，一张无水印图像上只嵌入一个水印图像，同一种类型的水印图像以不同的尺寸、透明度和位置分别嵌入不同的无水印图像中。

6.如权利要求2所述的图像水印自动检测方法，其特征在于，步骤S12中的深度卷积神经网络为全卷积网络。

7.如权利要求1所述的图像水印自动检测方法，其特征在于，步骤S2包括：

S21、建立一个候选水印区域的第二图像数据集，对第二图像的所有候选水印区域进行人工标注，标注类别包括是水印和不是水印；

S22、建立候选水印区域的特征提取模型；

S23、训练候选水印区域是否为水印的二分类问题的分类器。

8.如权利要求7所述的图像水印自动检测方法，其特征在于，在步骤S21中，候选水印区域的第二图像通过步骤S1建立的水印预检测模型进行检测获取。

9.如权利要求7所述的图像水印自动检测方法，其特征在于，步骤S23包括：

S231、将通过步骤S21建立的第二图像数据集中的所有第二图像，利用步骤S22建立的特征提取模型进行特征提取。

S232、利用通过步骤S21建立的第二图像数据集中的候选水印区域对应的图像特征和对应的人工标注的类别，训练一个判断是否为水印的二分类问题的分类器。

10.如权利要求1所述的图像水印自动检测方法，其特征在于，步骤S3包括：

S31、对于一张待检测图像，利用步骤S1建立的水印预检测模型获取所述待检测图像中的所有候选水印区域和对应的属于水印的概率；

对每个候选水印区域对应的属于水印的概率进行检测，若所述候选水印区域属于水印的概率小于第一阈值，则剔除所述候选水印区域；

S32、利用步骤S2建立的水印再识别模型对步骤S31获取的候选水印区域进行识别，获取所述候选水印区域被识别为水印的概率，并检测概率是否大于第二阈值，若是，则判定所述候选区域是水印，否则判定所述候选区域不是水印；

若所述待检测图像中有至少一个候选水印区域被判定是水印，则判定所述待检测图像为带水印图像；若所述待检测图像中所有候选水印区域都被判定为不是水印，则判定所述待检测图像为无水印图像。