CN110599387A - 一种自动去除图片水印的方法及装置 - Google Patents
一种自动去除图片水印的方法及装置 Download PDFInfo
- Publication number
- CN110599387A CN110599387A CN201910729870.5A CN201910729870A CN110599387A CN 110599387 A CN110599387 A CN 110599387A CN 201910729870 A CN201910729870 A CN 201910729870A CN 110599387 A CN110599387 A CN 110599387A
- Authority
- CN
- China
- Prior art keywords
- watermark
- picture
- neural network
- information
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0203—Image watermarking whereby the image with embedded watermark is reverted to the original condition before embedding, e.g. lossless, distortion-free or invertible watermarking
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明实施例提供一种自动去除图片水印的方法及装置,该方法包括:获取带水印图片;将所述带水印图片输入训练好的预设神经网络,根据所述训练好的预设神经网络的输出结果,得到去水印图片。通过神经网络分类器对带水印图片集进行去除处理,生成去除水印后的样本图片集,将去除水印后的样本图片集、无水印图片集和带水印图片集作为训练样本,以去除水印后的样本图片集和无水印图片集的平均绝对误差值最小化为目标将神经网络生成器和神经网络分类器进行对抗学习,进行多次训练,得到能够有效去除水印的训练好的预设神经网络,从而可以根据训练好的预设神经网络对带水印图片进行去水印处理,高效的去水印图片。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种自动去除图片水印的方法及装置。
背景技术
随着网络技术的飞速发展,各种数字媒体,如图片通过互联网进行传播,为了表明图片版权所有人,在图片中叠加可见的水印记号是一种常见的做法,由于水印也是以图像的形式添加的,因此图像中的水印往往很难除去,但是很多时候图像的使用者需要使用没有水印的图像,此时则需要对图像进行去水印处理。
现有技术中对于图像进行去水印处理主要是通过人工通过图像编辑软件来进行,但是这种方法的效率比较低,很难实现对于大量水印图片的高效处理,因此如何实现对于大量水印图片的高效处理已经成为业界亟待解决的问题。
发明内容
本发明实施例提供一种自动去除图片水印的方法及装置,用以解决上述背景技术中提出的技术问题,或至少部分解决上述背景技术中提出的技术问题。
第一方面,本发明实施例提供一种自动去除图片水印的方法,包括:
获取带水印图片;
将所述带水印图片输入训练好的预设神经网络,根据所述训练好的预设神经网络的输出结果,得到去水印图片。
更具体的,在所述获取带水印图片的步骤之后,所述方法还包括:
对带水印图片进行识别,确定水印类别信息。
更具体的,在将所述带水印图片输入训练好的预设神经网络的步骤之前,所述方法还包括:
获取无水印样本图片集信息;
对无水印样本集图片信息进行水印添加处理,得到带水印样本图片集信息。
更具体的,在所述得到带水印样本图片信息的步骤之后,所述方法还包括:
获取无水印样本图片集信息和带水印样本图片集信息;
神经网络生成器对所述带水印样本图片集信息进行去水印处理,得到生成样本图片集信息;
神经网络分类器根据所述无水印样本图片集信息对所述生成样本图片集信息进行分类识别,得到分类结果;
根据所述神经网络生成器和神经网络分类器进行对抗学习,当满足预设条件时,得到训练好的预设神经网络。
更具体的,所述对无水印样本集图片信息进行水印添加处理,得到带水印样本图片集信息的步骤,具体包括:
根据Canny算法和水印类别信息,获取水印形状信息;
根据所述水印形状信息和水印添加算法得到水印特征矩阵信息;
根据所述水印特征矩阵信息对所述无水印样本集图片信息进行水印添加处理。
更具体的,所述水印添加算法具体为:
其中,J(x,y)是生成的带有水印图片的(x,y)坐标颜色特征值,W是现有且待添加水印的图像矩阵,I是待添加水印特征矩阵,α则为水印与图片叠加的权重系数。
更具体的,所述方法还包括:
将带水印图片划分为多个带水印原始子图片;
将所述多个带水印原始子图片依次输入训练好的预设神经网络,根据所述训练好的预设神经网络的输出结果,得到多个去水印子图片;
将所述多个去水印子图片进行合成处理,得到去水印图片。
第二方面,本发明实施例提供一种自动去除图片水印的装置,包括:
获取模块,用于获取带水印图片;
去除模块,用于将所述带水印图片输入训练好的预设神经网络,根据所述训练好的预设神经网络的输出结果,得到去水印图片。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述自动去除图片水印的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述自动去除图片水印的方法的步骤。
本发明实施例提供的一种自动去除图片水印的方法及装置,通过神经网络分类器对带水印图片进行去除处理,生成去除水印后的样本图片,将去除水印后的样本图片、无水印图片和带水印图片作为训练样本,以去除水印后的样本图片和无水印图片的MAE值最小化为目标将神经网络生成器和神经网络分类器进行对抗学习,进行多次训练,得到能够有效去除水印的训练好的预设神经网络,从而可以根据训练好的预设神经网络对带水印图片进行去水印处理,得到去水印图片。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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。
图1为本发明一实施例中所描述的自动去除图片水印的方法流程示意图;
图2为本发明一实施例所描述的自动去除图片水印的装置结构示意图;
图3为本发明一实施例所描述的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中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。
图1为本发明一实施例中所描述的自动去除图片水印的方法流程示意图,如图1所示,包括:
步骤S1,获取带水印图片;
步骤S2,将所述带水印图片输入训练好的预设神经网络,根据所述训练好的预设神经网络的输出结果,得到去水印图片。
具体的,本发明实施例中所描述的带水印图片可以是指包含同一类型水印的带水印图片,也可以是指包含多个不同类型的带水印图片。
本发明实施例中所描述的训练好的预设神经网络可以接收图片输入并有效捕捉原图片特征其是由U-net网络实现的,U-net网络可以最大程度保留原始图片的语义信息,该训练好的预设神经网络的隐藏层是是深度卷积生成对抗网络(Deep ConvolutionGenerative Adversarial Networks;DCGAN)。
本发明实施例中对于预设神经网络进行训练,得到训练好的预设神经网络具体是指,获取无水印样本图片集信息,将无水印样本图片集添加水印后,得到无水印图片集信息和带水印样本图片集信息;以带水印样本图片集信息为样本,对神经网络生成器对带水印图片信息集进行去水印训练,即将带水印图片集信息输入神经网络生成器,得到去除水印后的样本图片集信息,然后由神经网络分类器根据无水印样本图片集信息对去除水印后的样本图片集信息进行对比,确认是否能判断出样本图片集信息与无水印样本图片集信息的真假,若无法判断出真假,则此时停止训练神经网络生成器,开始训练神经分类器;若神经网络分类器能够判断出真假,则次数应该停止训练神经网络分类器,开始训练神经网络生成器,如此循环往复,在此对抗训练过程中使用双约束条件,同时将神经网络分类器的输出概率值;去除水印后的样本图片在分类器中的正确置信度和无水印图片的平均绝对误差(Mean Absolute Error;MAE)值同时达到最优值为双约束条件。
当满足预设条件后,停止训练,得到训练好的预设神经网络,即得到完成对抗训练后的神经网络生成器;此处所描述的预设条件可以是指预设训练次数,例如训练满500次;此处的预设条件也可以是指预设训练时间,例如训练满30分钟。
在得到训练好的预设神经网络的输出结果后,即可根据训练好的预设神经网络对带水印图片进行去水印处理,得到去水印图片。
本发明实施例通过神经网络分类器对带水印图片进行去除处理,生成去除水印后的样本图片,将去除水印后的样本图片、无水印图片和带水印图片作为训练样本,以去除水印后的样本图片在分类器中的正确置信度和无水印图片的MAE值最小化为目标将神经网络生成器和神经网络分类器进行对抗学习,进行多次训练,得到能够有效去除水印的训练好的预设神经网络,从而可以根据训练好的预设神经网络对带水印图片进行去水印处理,得到去水印图片。
在所述获取带水印图片的步骤之后,所述方法还包括:
对带水印图片进行识别,确定水印类别信息。
本发明实施例中所描述的水印类别信息是指水印的具体类型,此处对带水印图片进行识别可以通过预设的水印识别装置来实现,具体识别不同的水印,从而可以实现对每种水印都能有效训练,并且在遇到不同水印时,能够自动进行水印分类和训练,从而自动去除多种不同类型的水印。
在上述实施例的基础上,在将所述带水印图片输入训练好的预设神经网络的步骤之前,所述方法还包括:
获取无水印样本图片集信息;
对无水印样本集图片信息进行水印添加处理,得到带水印样本图片集信息。
本发明实施例中所描述的对无水印样本集图片信息进行水印添加处理的步骤具体是指使用Canny算法对该类型水印区域进行边缘检测,即可获取水印形状,在纯白色区域内截图获取水印形状亦可。
然后通过水印添加算法推算出水印特征矩阵信息,然后根据水印特征矩阵制作水印掩码,进而可实现对无水印照片集信息进行水印添加,从而得到带水印图样本图片集信息。
本发明实施例通过对无水印图片集信息进行水印添加,从而保证了可以有大量的带水印图片与其原始无水印状态的照片,供后续机器学习使用,避免了人为添加水印等低效方式,有利于后续步骤的高效进行。
在上述实施例的基础上,在所述得到带水印样本图片信息的步骤之后,所述方法还包括:
获取无水印样本图片集信息和带水印样本图片集信息;
神经网络生成器对所述带水印样本图片集信息进行去水印处理,得到生成样本图片集信息;
神经网络分类器根据所述无水印样本图片集信息对所述生成样本图片集信息进行分类识别,得到分类结果;
根据所述神经网络生成器和神经网络分类器进行对抗学习,当满足预设条件时,得到训练好的预设神经网络。
具体的,本发明实施例中所描述的带水印样本图片集信息是由无水印样本图片集信息进行水印添加处理后得到的,即每个带水印样本图片都存在一张预期对应的无水印样本图片。
本发明实施例中所描述的对抗学习是指对神经网络生成器和神经网络分类器进行轮询训练,即神经网络分类器在开始时的能力与神经网络生成器相当或稍强一些,待神经网络生成器的能力超过神经网络分类器,则再次开始训练神经网络分类器的能力,带神经网络分类器的能力超过神经网络生成器,则再次开始训练神经网络生成器的能力,如此循环往复,直至满足预设条件。
对抗学习的目的是使得去除水印后的样本图片分类器中的正确置信度和无水印图片的MAE值最优,即去除水印后的样本图片和无水印图片无限接近直至相同;其中由神经网络生成器和神经网络分类器的生成对抗网络目标函数如下:
其中,G为生成器,D为判别器,公式第一项表达为样本分布在真实数据下判别器输出置信度的对数值,第一项的值越大,判别器的性能越好。公式第二项表达为样本分布在带水印数据下,由生成器生成的样本数据由判别器判别出正确的置信度被1减去取对数值。由于该项是负的,所以置信度越低,该项越高,分类器性能越好。反之,若置信度越高,证明生成器性能越好,该项越低,而第一项不变。所以对于分类器而言,其优化目标是向上优化该式,而对于生成器则是向下优化,两者对抗训练。
本发明实施例中所描述的训练神经网络生成器具体是指根据带水印样本集图片信息输入神经网络生成器,得到生成样本图片集信息,然后计算生成样本图片集信息和无水印图片集信息相对应像素点差的绝对值总和,将生成样本图片集信息和无水印样本图片集信息送入神经网络分类器,反向传播以最小化L1损失与最大化分类器的输出“1”的概率。直到神经网络分类器分辨不出真假时,停止训练神经网络生成器,开始再次训练神经分类器。
本发明实施例中所描述的训练神经网络分类器具体是指,将带水印样本图片集信息作为负样本,将无水印样本图片集信息作为正样本,将相应的正负样本送入分类器,训练分类器输出为1;将带水印的图片与其他图片自由组合成样本对送入分类器,分类器理应输出错误,即为0;当分类器能够较好的分出类别时,停止训练分类器,开始训练生成器。
本发明实施例通过将神经网络生成器和神经网络分类器进行对抗学习,进行多次训练,得到能够有效去除水印的训练好的预设神经网络,从而可以根据训练好的预设神经网络对带水印图片进行去水印处理,得到去水印图片。
在上述实施例的基础上,所述对无水印样本集图片信息进行水印添加处理,得到带水印样本图片集信息的步骤,具体包括:
根据Canny算法,获取水印形状信息;
根据所述水印形状信息和水印添加算法得到水印特征信息;
根据所述水印特征信息对所述无水印样本集图片信息进行水印添加处理。
具体的,使用Canny算法,对水印区域进行边缘检测,即可获取水印形状;
水印添加算法如下式:
则可推算出:
其中,J(x,y)是生成的带有水印图片的(x,y)坐标颜色特征值,W是现有且待添加水印的图像矩阵,I是待添加水印特征矩阵,α则为水印与图片叠加的权重系数。
依据该式,利用水印的一致性在多个背景下的水印图片进行采样k1,k2,k3,联立公式即可获得水印特征α与I;根据水印特征可制作水印掩码,进而可实现对无水印图片集信息进行水印添加。
在上述实施例的基础上,所述水印添加算法具体为:
其中,J(x,y)是生成的带有水印图片的(x,y)坐标颜色特征值,W是现有且待添加水印的图像矩阵,I是待添加水印特征矩阵,α则为水印与图片叠加的权重系数。
本发明实施例通过对无水印图片集信息进行水印添加,从而保证了可以有大量的带水印图片与其原始无水印状态的照片,供后续机器学习使用,避免了人为添加水印等低效方式,有利于后续步骤的高效进行。
在上述实施例的基础上,所述方法还包括:
将带水印图片划分为多个带水印原始子图片;
将所述多个带水印原始子图片依次输入训练好的预设神经网络,根据所述训练好的预设神经网络的输出结果,得到多个去水印子图片;
将所述多个去水印子图片进行合成处理,得到去水印图片。
首先带水印图片将带水印图片进行切分,将切分的水印图片输入对应的训练好的预设神经网络,然后得到四个去水印字图片,再将四个去水印子图片进行合成处理,得到去水印图片。
本发明实施例通过将整张带水印照片切分为四个部分,依次送入生成器,然后将结果合成,可实现图片质量更高的去水印图片。
图2为本发明一实施例所描述的自动去除图片水印的装置结构示意图,如图2所示,包括:获取模块210和去除模块220;其中,获取模块210用于获取带水印图片;其中,去除模块220用于将所述带水印图片输入训练好的预设神经网络,根据所述训练好的预设神经网络的输出结果,得到去水印图片。
本发明实施例提供的装置是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
本发明实施例通过神经网络分类器对带水印图片进行去除处理,生成去除水印后的样本图片,将去除水印后的样本图片、无水印图片和带水印图片作为训练样本,以去除水印后的样本图片和无水印图片的MAE值最小化为目标将神经网络生成器和神经网络分类器进行对抗学习,进行多次训练,得到能够有效去除水印的训练好的预设神经网络,从而可以根据训练好的预设神经网络对带水印图片进行去水印处理,得到去水印图片。
图3为本发明一实施例所描述的电子设备结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行如下方法:获取带水印图片;将所述带水印图片输入训练好的预设神经网络,根据所述训练好的预设神经网络的输出结果,得到去水印图片。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取带水印图片;将所述带水印图片输入训练好的预设神经网络,根据所述训练好的预设神经网络的输出结果,得到去水印图片。本发明实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储服务器指令,该计算机指令使计算机执行上述各实施例提供的方法,例如包括:获取带水印图片;将所述带水印图片输入训练好的预设神经网络,根据所述训练好的预设神经网络的输出结果,得到去水印图片。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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精神和范围。
Claims (10)
1.一种自动去除图片水印的方法,其特征在于,包括:
获取带水印图片;
将所述带水印图片输入训练好的预设神经网络,根据所述训练好的预设神经网络的输出结果,得到去水印图片。
2.根据权利要求1所述自动去除图片水印的方法,其特征在于,在所述获取带水印图片的步骤之后,所述方法还包括:
对带水印图片进行识别,确定水印类别信息。
3.根据权利要求2所述自动去除图片水印的方法,其特征在于,在将所述带水印图片输入训练好的预设神经网络的步骤之前,所述方法还包括:
获取无水印样本图片集信息和水印类别信息;
根据所述水印类别信息对无水印样本集图片信息进行水印添加处理,得到带水印样本图片集信息。
4.根据权利要求3所述自动去除图片水印的方法,其特征在于,在所述得到带水印样本图片信息的步骤之后,所述方法还包括:
获取无水印样本图片集信息和带水印样本图片集信息;
神经网络生成器对所述带水印样本图片集信息进行去水印处理,得到生成样本图片集信息;
神经网络分类器根据所述无水印样本图片集信息对所述生成样本图片集信息进行分类识别,得到分类结果;
根据所述神经网络生成器和神经网络分类器进行对抗学习,当满足预设条件时,得到训练好的预设神经网络。
5.根据权利要求3所述自动去除图片水印的方法,其特征在于,所述根据所述水印类别信息对无水印样本集图片信息进行水印添加处理,得到带水印样本图片集信息的步骤,具体包括:
根据Canny算法和水印类别信息,获取水印形状信息;
根据所述水印形状信息和水印添加算法得到水印特征信息;
根据所述水印特征信息对所述无水印样本集图片信息进行水印添加处理,得到带水印样本图片集信息。
6.根据权利要求5所述自动去除图片水印的方法,其特征在于,所述水印添加算法具体为:
其中,J(x,y)是生成的带有水印图片的(x,y)坐标颜色特征值,W是现有且待添加水印的图像矩阵,I是待添加水印特征矩阵,α则为水印与图片叠加的权重系数。
7.根据权利要求1所述自动去除图片水印的方法,其特征在于,所述方法还包括:
将带水印图片划分为多个带水印原始子图片;
将所述多个带水印原始子图片依次输入训练好的预设神经网络,根据所述训练好的预设神经网络的输出结果,得到多个去水印子图片;
将所述多个去水印子图片进行合成处理,得到去水印图片。
8.一种自动去除图片水印的装置,其特征在于,包括:
获取模块,用于获取带水印图片;
去除模块,用于将所述带水印图片输入训练好的预设神经网络,根据所述训练好的预设神经网络的输出结果,得到去水印图片。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述自动去除图片水印的方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述自动去除图片水印方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729870.5A CN110599387A (zh) | 2019-08-08 | 2019-08-08 | 一种自动去除图片水印的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729870.5A CN110599387A (zh) | 2019-08-08 | 2019-08-08 | 一种自动去除图片水印的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110599387A true CN110599387A (zh) | 2019-12-20 |
Family
ID=68853894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910729870.5A Pending CN110599387A (zh) | 2019-08-08 | 2019-08-08 | 一种自动去除图片水印的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110599387A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782385A (zh) * | 2019-12-31 | 2020-02-11 | 杭州知衣科技有限公司 | 一种基于深度学习的图像水印的去除方法 |
CN111583087A (zh) * | 2020-05-06 | 2020-08-25 | 杭州趣维科技有限公司 | 一种图像去水印方法 |
CN111710018A (zh) * | 2020-06-29 | 2020-09-25 | 广东小天才科技有限公司 | 一种手动涂抹杂物的方法、装置、电子设备和存储介质 |
CN111798359A (zh) * | 2020-05-19 | 2020-10-20 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的图像去水印方法 |
CN111918144A (zh) * | 2020-08-12 | 2020-11-10 | 桂林电子科技大学 | 一种基于深度学习的去除视频水印的方法 |
CN111931769A (zh) * | 2020-06-30 | 2020-11-13 | 北京来也网络科技有限公司 | 结合rpa及ai的发票处理、装置、计算设备及存储介质 |
CN111932431A (zh) * | 2020-07-07 | 2020-11-13 | 华中科技大学 | 基于水印分解模型的可见水印去除方法和电子设备 |
CN112150338A (zh) * | 2020-09-21 | 2020-12-29 | 清华大学 | 一种神经网络模型图像水印的去除方法 |
CN112330522A (zh) * | 2020-11-09 | 2021-02-05 | 深圳市威富视界有限公司 | 水印去除模型训练方法、装置、计算机设备和存储介质 |
CN112419135A (zh) * | 2020-11-19 | 2021-02-26 | 广州华多网络科技有限公司 | 水印识别在线训练、制样、去除方法及装置、设备、介质 |
CN113591856A (zh) * | 2021-08-23 | 2021-11-02 | 中国银行股份有限公司 | 票据图片处理方法及装置 |
CN113837914A (zh) * | 2020-06-08 | 2021-12-24 | 北京金山办公软件股份有限公司 | 一种基于人工智能的水印识别方法和识别系统 |
CN116542838A (zh) * | 2023-07-03 | 2023-08-04 | 平安银行股份有限公司 | 一种水印安全处理方法、装置、系统及介质 |
CN112330522B (zh) * | 2020-11-09 | 2024-06-04 | 深圳市威富视界有限公司 | 水印去除模型训练方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366330A (zh) * | 2012-03-31 | 2013-10-23 | 北大方正集团有限公司 | 水印的设置方法和装置 |
CN108764005A (zh) * | 2018-01-31 | 2018-11-06 | 华侨大学 | 一种高光谱遥感图像地物空间波谱特征提取方法及系统 |
CN108805789A (zh) * | 2018-05-29 | 2018-11-13 | 厦门市美亚柏科信息股份有限公司 | 一种基于对抗神经网络去除水印的方法、装置、设备及可读介质 |
CN109636710A (zh) * | 2018-10-16 | 2019-04-16 | 平安好房(上海)电子商务有限公司 | 自动去除水印的方法、设备、存储介质及装置 |
-
2019
- 2019-08-08 CN CN201910729870.5A patent/CN110599387A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366330A (zh) * | 2012-03-31 | 2013-10-23 | 北大方正集团有限公司 | 水印的设置方法和装置 |
CN108764005A (zh) * | 2018-01-31 | 2018-11-06 | 华侨大学 | 一种高光谱遥感图像地物空间波谱特征提取方法及系统 |
CN108805789A (zh) * | 2018-05-29 | 2018-11-13 | 厦门市美亚柏科信息股份有限公司 | 一种基于对抗神经网络去除水印的方法、装置、设备及可读介质 |
CN109636710A (zh) * | 2018-10-16 | 2019-04-16 | 平安好房(上海)电子商务有限公司 | 自动去除水印的方法、设备、存储介质及装置 |
Non-Patent Citations (3)
Title |
---|
文常保 等: "《人工神经网络理论及应用》", 31 March 2019, 西安电子科技大学出版社 * |
李德毅 等: "《中国科协新一代信息技术系列丛书 人工智能导论》", 31 August 2018, 中国科学技术出版社 * |
鄢仁祥 等: "《蛋白质结构生物信息学》", 31 May 2017, 福建科学技术出版社 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782385A (zh) * | 2019-12-31 | 2020-02-11 | 杭州知衣科技有限公司 | 一种基于深度学习的图像水印的去除方法 |
CN111583087A (zh) * | 2020-05-06 | 2020-08-25 | 杭州趣维科技有限公司 | 一种图像去水印方法 |
CN111583087B (zh) * | 2020-05-06 | 2023-09-05 | 杭州小影创新科技股份有限公司 | 一种图像去水印方法 |
CN111798359A (zh) * | 2020-05-19 | 2020-10-20 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的图像去水印方法 |
CN113837914A (zh) * | 2020-06-08 | 2021-12-24 | 北京金山办公软件股份有限公司 | 一种基于人工智能的水印识别方法和识别系统 |
CN111710018A (zh) * | 2020-06-29 | 2020-09-25 | 广东小天才科技有限公司 | 一种手动涂抹杂物的方法、装置、电子设备和存储介质 |
CN111710018B (zh) * | 2020-06-29 | 2023-05-05 | 广东小天才科技有限公司 | 一种手动涂抹杂物的方法、装置、电子设备和存储介质 |
CN111931769A (zh) * | 2020-06-30 | 2020-11-13 | 北京来也网络科技有限公司 | 结合rpa及ai的发票处理、装置、计算设备及存储介质 |
CN111932431A (zh) * | 2020-07-07 | 2020-11-13 | 华中科技大学 | 基于水印分解模型的可见水印去除方法和电子设备 |
CN111932431B (zh) * | 2020-07-07 | 2023-07-18 | 华中科技大学 | 基于水印分解模型的可见水印去除方法和电子设备 |
CN111918144A (zh) * | 2020-08-12 | 2020-11-10 | 桂林电子科技大学 | 一种基于深度学习的去除视频水印的方法 |
CN112150338A (zh) * | 2020-09-21 | 2020-12-29 | 清华大学 | 一种神经网络模型图像水印的去除方法 |
CN112150338B (zh) * | 2020-09-21 | 2023-12-05 | 清华大学 | 一种神经网络模型图像水印的去除方法 |
CN112330522A (zh) * | 2020-11-09 | 2021-02-05 | 深圳市威富视界有限公司 | 水印去除模型训练方法、装置、计算机设备和存储介质 |
CN112330522B (zh) * | 2020-11-09 | 2024-06-04 | 深圳市威富视界有限公司 | 水印去除模型训练方法、装置、计算机设备和存储介质 |
CN112419135A (zh) * | 2020-11-19 | 2021-02-26 | 广州华多网络科技有限公司 | 水印识别在线训练、制样、去除方法及装置、设备、介质 |
CN113591856A (zh) * | 2021-08-23 | 2021-11-02 | 中国银行股份有限公司 | 票据图片处理方法及装置 |
CN116542838A (zh) * | 2023-07-03 | 2023-08-04 | 平安银行股份有限公司 | 一种水印安全处理方法、装置、系统及介质 |
CN116542838B (zh) * | 2023-07-03 | 2024-03-29 | 平安银行股份有限公司 | 一种水印安全处理方法、装置、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599387A (zh) | 一种自动去除图片水印的方法及装置 | |
US11961237B2 (en) | Foreground data generation method and method for applying same, related apparatus, and system | |
CN111985281B (zh) | 图像生成模型的生成方法、装置及图像生成方法、装置 | |
CN112651953B (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
CN111860369A (zh) | 一种欺诈识别方法、装置以及存储介质 | |
CN111723687A (zh) | 基于神经网路的人体动作识别方法和装置 | |
CN114581646A (zh) | 文本识别方法、装置、电子设备及存储介质 | |
CN113297420A (zh) | 视频图像处理方法、装置、存储介质及电子设备 | |
CN112766040A (zh) | 残余饵料的探测方法、设备、装置及可读存储介质 | |
CN112634288A (zh) | 设备区域图像分割方法及装置 | |
CN117132503A (zh) | 一种图像局部高亮区域修复方法、系统、设备及存储介质 | |
CN114626118A (zh) | 建筑物室内模型生成方法及装置 | |
CN111598794A (zh) | 一种去除水下重叠情况的图像成像方法及装置 | |
KR20230086996A (ko) | 노이즈 추가 프로세스를 수행하는 컴퓨터 프로그램 | |
CN111080512B (zh) | 动漫图像生成方法、装置、电子设备及存储介质 | |
KR20230086998A (ko) | 얼굴 세그먼트 영역에 노이즈를 부가하여 가상 인물 콘텐츠를 생성하는 컴퓨터 프로그램 | |
CN113177556A (zh) | 一种文本图像增强模型、训练方法、增强方法及电子设备 | |
CN112541899A (zh) | 证件的残缺检测方法、装置、电子设备及计算机存储介质 | |
CN116503294B (zh) | 基于人工智能的文物图像复原方法、装置及设备 | |
CN115115537B (zh) | 一种基于掩码训练的图像修复方法 | |
CN115984865B (zh) | 文本识别方法、装置、电子设备和存储介质 | |
CN117495711B (zh) | 图像标记去除方法、装置、设备及存储介质 | |
CN114821203B (zh) | 基于一致性损失的细粒度图像模型训练及识别方法和装置 | |
CN111553317B (zh) | 一种防伪码的获取方法、装置、计算机设备和存储介质 | |
CN110189272B (zh) | 用于处理图像的方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |