CN111612681A - 数据获取方法、水印识别方法、水印去除方法及装置 - Google Patents
数据获取方法、水印识别方法、水印去除方法及装置 Download PDFInfo
- Publication number
- CN111612681A CN111612681A CN201910133631.3A CN201910133631A CN111612681A CN 111612681 A CN111612681 A CN 111612681A CN 201910133631 A CN201910133631 A CN 201910133631A CN 111612681 A CN111612681 A CN 111612681A
- Authority
- CN
- China
- Prior art keywords
- watermark
- image
- detected
- images
- sample images
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供一种数据获取方法、水印识别方法、水印去除方法及装置。其中,将待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像,所述待检测水印图像的叠加位置即为多个样本图像的水印位置,从而利用多个样本图像及所述多个样本图像中的水印位置可以训练水印检测模型,从而利用水印检测模型可以检测所述待检测图像中的水印位置,根据待检测图像中的水印位置,可以从待检测图像中去除水印图像。本申请实施例提供的技术方案提高了训练样本准确度,保证了水印识别的准确度。
Description
技术领域
本申请实施例涉及计算机应用技术领域,尤其涉及一种数据获取方法及装置、一种水印识别方法及装置、以及一种水印去除方法及装置。
背景技术
水印是指叠加在图片或视频上的logo(徽标或商标)、图标或其它具有特定形状的图案等。
水印识别是指从叠加水印的图片或视频中识别出水印,例如通过叠加水印进行版权保护时等,水印可以是指品牌标识,水印识别对于版权保护很重要,且在图片或视频转发或者再制作过程中,图片或视频也会叠加上制作工具的品牌水印,也需要识别出制作工具的品牌水印并将其去除,以保证图片或视频的质量。
因此,如何准确识别水印成为目前主要解决的技术问题。
发明内容
本申请实施例提供一种数据获取方法、数据处理方法、水印识别方法、水印去除方法及装置。
第一方面,本申请实施例中提供了一种水印识别方法,包括:
获取待检测图像;
利用水印检测模型检测所述待检测图像中的水印位置;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
第二方面,本申请实施例中提供了一种水印识别方法,包括:
从待检测视频的图像帧中,获取多个待检测图像;
利用水印检测模型分别检测所述多个待检测图像中的水印位置;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
第三方面,本申请实施例中提供了一种水印去除方法,包括:
获取待检测图像;
利用水印检测模型检测所述待检测图像中的水印位置;
从所述待检测图像中去除所述水印位置处对应的水印图像;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
第四方面,本申请实施例中提供了一种水印去除方法,包括:
从待检测视频的图像帧中,获取多个待检测图像;
利用水印检测模型分别检测所述多个待检测图像中的水印位置;
根据检测结果,确定存在水印图像的多个待处理图像;
从所述待检测视频中去除所述多个待处理图像各自水印位置处的水印图像,获得目标视频。
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
第五方面,本申请实施例中提供了一种数据获取方法,包括:
获取叠加有待检测水印图像的至少一个目标图像;
从所述至少一个目标图像中,分解获得所述待检测水印图像;
选择多个背景图像;
将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像;
将所述待检测水印图像的叠加位置和/或所述待检测水印图像的水印类别,作为所述多个样本图像的训练标签。
第六方面,本申请实施例中提供了一种数据处理方法,包括:
获取多个样本图像;
获取所述多个样本图像各自的第一训练标签;其中,所述多个样本图像为将待检测水印图像分别叠加至多个背景图像中获得;所述第一训练标签根据所述待检测水印图像在所述背景图像中的叠加位置确定;
基于所述多个样本图像及各自的第一训练标签,训练水印检测模型。
第七方面,本申请实施例中提供了一种数据处理方法,包括:
获取多个样本图像;
获取所述多个样本图像各自的第二训练标签;其中,所述多个样本图像为将待检测水印图像分别叠加至多个背景图像中获得;所述第二训练标签根据所述待检测水印图像的水印类别确定;
分别从所述多个样本图像中提取水印训练区域,获得多个水印训练区域;
利用所述多个水印训练区域及各自对应的第二训练标签,训练水印识别模型。
第八方面,本申请实施例中提供了一种数据获取装置,包括:
第一图像获取模块,用于获取叠加有待检测水印图像的至少一个目标图像;
图像分解模块,用于从所述至少一个目标图像中,分解获得所述待检测水印图像;
图像选择模块,用于选择多个背景图像;
图像叠加模块,用于将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像;
标签确定模块,用于将所述待检测水印图像的叠加位置和/或所述待检测水印图像的水印类别,作为所述多个样本图像的训练标签。
第九方面,本申请实施例提供了一种数据处理方法,包括:
第一样本获取模块,用于获取多个样本图像,以及所述多个样本图像各自的第一训练标签;其中,所述多个样本图像为将待检测水印图像分别叠加至多个背景图像中获得;所述第一训练标签根据所述待检测水印图像在所述背景图像中的叠加位置确定;
第一模型训练模块,用于基于所述多个样本图像及各自的第一训练标签,训练水印检测模型。
第十方面,本申请实施例提供了一种数据处理方法,包括:
第二样本获取模块,用于获取多个样本图像,以及所述多个样本图像各自的第二训练标签;其中,所述多个样本图像为将待检测水印图像分别叠加至多个背景图像中获得;所述第二训练标签根据所述待检测水印图像的水印类别确定;
样本区域提取模块,用于分别从所述多个样本图像中提取水印训练区域,获得多个水印训练区域
第二模型训练模块,用于利用所述多个水印训练区域及各自对应的第二训练标签,训练水印识别模型。
第十一方面,本申请实施例提供了一种水印识别装置,包括:
第二图像获取模块,用于获取待检测图像;
第一检测模块,用于利用水印检测模型检测所述待检测图像中的水印位置;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
第十二方面,本申请实施例提供了一种水印识别装置,包括:
第三图像获取模块,用于从待检测视频的图像帧中,获取多个待检测图像;
第二检测模块,用于利用水印检测模型分别检测所述多个待检测图像中的水印位置;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
第十三方面,本申请实施例提供了一种水印去除装置,包括:
第四图像获取模块,用于获取待检测图像;
第三检测模块,用于利用水印检测模型检测所述待检测图像中的水印位置;
第一去除模块,用于从所述待检测图像中去除所述水印位置处对应的水印图像;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
第十四方面,本申请实施例提供了一种水印去除装置,包括:
第五图像获取模块,用于从待检测视频的图像帧中,获取多个待检测图像;
第四检测模块,用于利用水印检测模型分别检测所述多个待检测图像中的水印位置;
图像确定模块,用于根据检测结果,确定存在水印图像的多个目标图像;
第二去除模块,用于从所述待检测视频中去除所述多个目标图像各自水印位置处的水印图像,获得目标视频。
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
本申请实施例中,将待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像,所述待检测水印图像的叠加位置即为多个样本图像的水印位置,从而利用多个样本图像及所述多个样本图像中的水印位置可以训练水印检测模型,从而利用水印检测模型可以检测待检测图像中的水印位置,进而在水印去除应用中,根据待检测图像中的水印位置,即可以从待检测图像中去除水印图像,本申请实施例丰富了训练样本,降低了训练样本获取复杂度,无需人工标注标签,降低人力成本,提高了训练样本的准确度,因此可以提高模型训练的准确度,从而提高了水印识别的准确度。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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示出了本申请提供的一种数据获取方法一个实施例的流程图;
图2示出了本申请提供的一种数据获取方法又一个实施例的流程图;
图3示出了本申请提供的一种数据处理方法一个实施例的流程图;
图4示出了本申请提供的一种数据处理方法又一个实施例的流程图;
图5示出了本申请提供的一种水印识别方法一个实施例的流程图;
图6示出了本申请提供的一种水印识别方法又一个实施例的流程图;
图7示出了本申请提供的一种水印识别方法又一个实施例的流程图;
图8示出了本申请提供的一种水印识别方法又一个实施例的流程图;
图9示出了本申请提供的一种水印去除方法又一个实施例的流程图;
图10示出了本申请提供的一种水印去除方法又一个实施例的流程图;
图11示出了本申请提供的一种数据获取装置一个实施例的结构示意图;
图12示出了本申请提供的一种数据处理装置一个实施例的结构示意图;
图13示出了本申请提供的一种数据处理装置又一个实施例的结构示意图;
图14示出了本申请提供的一种水印识别装置一个实施例的结构示意图;
图15示出了本申请提供的一种水印识别装置又一个实施例的结构示意图;
图16示出了本申请提供的一种水印去除装置又一个实施例的结构示意图;
图17示出了本申请提供的一种水印去除装置又一个实施例的结构示意图;
图18示出了本申请提供的一种计算设备一个实施例的结构示意图;
图19示出了本申请提供的一种计算设备又一个实施例的结构示意图;
图20示出了本申请提供的一种计算设备又一个实施例的结构示意图;
图21示出了本申请提供的一种计算设备又一个实施例的结构示意图;
图22示出了本申请提供的一种计算设备又一个实施例的结构示意图;
图23示出了本申请提供的一种计算设备又一个实施例的结构示意图;
图24示出了本申请提供的一种计算设备又一个实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
在本申请的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
本申请的技术方案可以适用于进行水印识别的任意应用场景中,比如确定图像或视频的来源、或者滤除图像或视频中的水印等场景。
目前,通常是利用神经网络模型进行水印识别,但是,利用神经网络模型进行水印识别往往导致水印识别不够准确,发明人在研究中发现,模型训练需要大量训练样本,而现有技术中,训练样本中的样本图像需要人工标志水印位置或者水印类别等,但是人工标注标签准确度较低,因此训练样本不够准确,从而就会影响模型准确度,进而导致水印识别准确度降低,且由于模型训练需要大量训练样本,现有技术均需要人工进行标注,导致训练样本的获得很繁琐、复杂。
据此发现,发明人想到,若想提高水印识别准确度,需要保证模型准确度,而模型准确度与训练样本的质量有关,因此为了提高训练样本准确度,提高训练样本的质量,发明人经过一系列研究提出了本申请的技术方案,在本申请实施例中,将待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像,所述待检测水印图像的叠加位置即为多个样本图像的水印位置,从而利用多个样本图像及所述多个样本图像中的水印位置可以训练水印检测模型,从而利用水印检测模型可以检测所述待检测图像中的水印位置。本申请实施例无需人工进行标注,可以自动待检测水印图像的叠加位置等,保证了训练样本的准确度,因此可以提高模型训练的准确度,进而可以保证水印识别的准确度。此外,可以自动获得大量的样本图像,保证了训练样本的丰富程度,降低了训练样本获取复杂度。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请提供的一种数据获取方法一个实施例的流程图,本实施例从样本图像获取角度对本申请技术方案进行详细描述,该方法可以包括以下几个步骤:
101:获取叠加有待检测水印图像的至少一个目标图像。
102:从所述至少一个目标图像中,分解获得所述待检测水印图像。
为了保证分解准确度,可以获取多个目标图像。
在一个可选方式中,该至少一个目标图像可以是从叠加有该待检测水印图像的视频中采样获得。
可选地,所述从所述至少一个目标图像中,分解获得所述待检测水印图像包括:
确定所述至少一个目标图像中的所述待检测水印图像所在目标区域,获得至少一个目标区域;
从所述至少一个目标区域中,分析获得所述检测水印图像。由于目标图像可以认为是原始图像及待检测水印图像叠加形成,目标图像中水印所在目标区域的像素值是与原始图像的像素值以及待检测水印图像的像素值叠加而成,因此,确定所述至少一个目标图像中的所述待检测水印所在目标区域可以通过比较多个目标图像中的像素值大小变化,确定变化规律一致的区域作为待检测水印所在目标区域;当然,也可以通过对至少一个目标图像进行边缘检测,提取边缘特征,根据边缘特征变化来确定待检测水印所在目标区域,比如边缘特征丰富区域可以作为待检测水印所在目标区域。
103:选择多个背景图像。
可选地,可以从背景图像库中选择多个背景图像,选择的背景图像数量可以远远大于目标图像的数量,背景图像数量越多,得到的训练数据集约丰富。
其中,选择多个背景图像可以是选择图像内容及图像尺寸符合叠加要求的多个背景图像。
该叠加要求可以包括图像内容要求以及图像尺寸要求。
其中,图像内容符合图像内容要求的背景图像可以是指图像内容丰富的背景图像;图像内容丰富可以通过对背景图像进行边缘检测确定;图像尺寸要求可以根据待检测图像的图像尺寸或者待检测视频中的图像帧尺寸确定。其中,边缘检测为现有技术,在此将不再赘述。
104:将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像。
可选地,可以是将待检测水印图像分别随机叠加至多个背景图像中,并记录叠加位置。
也即,可以是在所述多个背景图像分别随机选择叠加位置,以叠加所述待检测水印图像,获得多个样本图像。
待检测水印图像叠加至背景图像,即可以获知其叠加位置。
105:将所述待检测水印图像的叠加位置和/或所述待检测水印图像的水印类别作为所述多个样本图像的训练标签。
在不同的实际应用中,水印识别可以包括识别水印位置和/或识别水印类别,对水印类别的识别通常也需要先识别出水印位置。水印位置的识别和水印类别的识别有很多种应用,比如水印位置的识别可以用于去除图像中的水印图像,水印类别的识别可以用于查找具有该水印类别的水印图像的图像,从而可以对该图像进行进一步处理,例如进行水印去除或者删除图像等等。
因此,本申请实施例中可以将待检测水印图像的叠加位置和/或所述待检测水印图像的水印类别作为所述多个样本图像的训练标签。
其中,待检测水印图像的水印类别已知,且在进行待检测水印叠加时即可以确定待检测水印图像的叠加位置,因此,所述待检测水印图像的叠加位置和/或所述待检测水印图像的水印类别即可以作为所述多个样本图像的训练标签。
该多个样本图像及各自对应的训练标签即可以作为训练样本进行模型训练,在进行模型训练时,样本图像即作为输入变量,而训练标签作为输出变量来训练。
本实施例中,通过提取待检测水印图像,并将其叠加至多个背景图像中,从而可以获得大量样本图像,保证了训练样本的丰富程度,而且可以自动确定叠加位置,根据叠加位置以及待检水印图像的水印类别设置样本图像的训练标签,无需人工进行标注,保证了训练样本的准确度,因此可以提高模型训练准确度,进而保证水印识别准确度。
在某些实施例中,所述将所述待检测水印图像的叠加位置和/或所述待检测水印图像的水印类别,作为所述多个样本图像的训练标签包括:
将所述待检测水印图像的叠加位置作为所述多个样本图像的第一训练标签;
将所述待检测水印图像的水印类别作为所述多个样本图像的第二训练标签;
其中,所述多个样本图像及各自第一训练标签用于训练水印检测模型;所述多个样本图像及各自的第二训练标签训练水印识别模型。
该水印检测模型用于检测待检测图像中的水印位置,确定待检测图像中的水印区域,而水印识别模型可以用于识别该水印区域的水印类别。
也即本实施例可以通过两个模型,将检测和识别分开,水印检测模型具备通用性,如果新增水印类别,则只需训练水印识别模型即可,从而可以简化模型训练方式,使得模型具备扩展性。而现有技术中,进行水印类别识别时,位置检测和类别识别通常是一体的,一个模型需要同时完成水印检测和水印识别工作,效果较差,且新增水印类别时,需要重新训练模型,比较复杂。
在某些实施例中,由于目标图像可以认为是由原始图像及所述待检测水印图像叠加形成;
因此,所述从所述至少一个目标区域中,分解获得所述待检测水印图像可以包括:根据水印像素值、原始图像像素值及目标图像像素值的叠加关系,从所述至少一个目标区域中,分解获得所述待检测水印图像。
可选地,该叠加关系可以采用如下叠加公式表示:
Jj,k=αk*Wj+βk*Ij,k;其中,j=1,2,3…m,k=1,2,3…n;
其中,J表示目标图像的像素值,W表示待检测水印图像的像素值,I表示原始图像的像素点,α表示待检测水印图像的叠加权重系数,β表示待检测水印图像的叠加权重系数,j表示像素值序号,k表示目标图像序号,其中,m表示目标区域中的像素点个数,n表示目标区域个数,也即目标图像个数。
可选地,βk=(1-αk)。
基于上述叠加公式,在某些实施例中,所述根据水印像素值、原始图像像素值及目标图像像素值的叠加关系,从所述至少一个目标区域中,分解获得所述待检测水印图像可以包括:
根据水印像素值、原始图像像素值及图像像素值的叠加关系,基于所述至少一个目标区域建立多个线性方程式;
求解所述多个线性方程式获得所述待检测水印图像的水印像素值;
由所述待检测水印图像的水印像素值形成所述待检测水印图像。
由上述叠加公式可知,假设获取n个目标图像,目标区域包括m个像素点,则可知可以得到m*n个线性方程式,在该多个线性方程式中,目标图像像素值已知,因此通过求解多元方程式,即可以获得水印像素值,从而获得待检测水印图像。
此外,由计算获得的待检测水印图像的水印像素值形成的待检测水印图像可以边缘不够光滑,也可能包含部分原始图像。
因此,在某些实施例中,所述由所述待检测水印图像的水印像素值形成所述待检测水印图像可以包括:
由所述待检测水印图像的水印像素值形成待修补水印图像;
对所述待修补水印图像进行边缘修补和/或背景滤除,获得所述待检测水印图像。
其中,通过边缘修补可以使得待修补水印的边缘光滑。
对待修补水印图像进行背景滤除,可以采用图像分割技术,将原始图像分割出去。
可以理解的,边缘修补技术以及背景滤除技术为现有技术,本申请并不对此进行具体限定。
由于水印像素值、原始图像像素值以及目标图像像素值存在叠加关系,在将待检测水印图像叠加至背景图像获得样本图像时,背景图像也即相当于背景图像,而样本图像相当于目标图像。结合上文叠加公式可知,进行叠加时,水印像素值以及背景图像像素值存在叠加权重系数,因此将待检测水印图像叠加至背景图像时,确定好待检测水印图像以及所述背景图像各自的叠加权重系数,即可以叠加,叠加过程也即是将待检测水印图像的像素值及所述背景图像的像素值进行加权求和。
因此,在某些实施例中,所述将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像可以包括:
确定所述待检测水印图像分别在所述多个背景图像中的叠加权重系数;
按照所述叠加权重系数,将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像。
其中,待检测水印图像在多个背景图像中非叠加位置处的叠加权重系数可以为0,而在叠加位置处于的叠加权重系数可以根据背景图像的亮度相关,比如背景图像的亮度较大时,待检测水印图像对应叠加位置处的叠加权重系数较大,若背景图像的亮度较小时,则可以为待检测水印图像可以选择较小的叠加权重系数,以模拟真实水印效果。
在某些实施例中,可以按照如下系数计算公式,确定待检测水印图像对应叠加位置处的叠加权重系数。
α=α0+Δα*log(1+X/X0);
其中,α表示待检测水印图像的叠加权重系数,α0表示叠加因子,其值预先确定,X0为归一化因子,用于将图像亮度X进行归一化,其值可以预先设定,通常可以去9/255。
待检测水印图像在多个背景图像的叠加权重系数可以按照上述系数计算公式确定。
而对于背景图像,其权重叠加系数可以预先设定为1,。因此待检测水印图像以及背景图像各自的叠加权重系数确定之后,即可以将待检测水印图像叠加值背景图像中。
可选地,按照所述待检测水印图像的叠加权重系数,将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像可以是:
按照各自叠加权重系数,针对任一个背景图像,将待检测水印图像的水印像素值与该背景图像的像素值进行加权求和,获得样本图像的像素值;则由该样本图像的像素值即形成一个样本图像。
其中,待检测水印图像可以随机叠加值背景图像的任意位置,由于实际应用中,水印通常是叠加在图像的角落,因此,可选地,可以随机叠加至背景图像的四个顶角区域中的任意位置。
为了使得样本图像更加丰富,在某些实施例中,所述将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像包括:
在预先范围内随机缩放所述待检测水印图像,获得多个待叠加水印图像;
将所述多个待叠加水印图像叠加至所述多个背景图像中;其中,每个背景图像中用以叠加一个待叠加水印图像。
也即每个待检测水印图像叠加至一背景图像中时,可以首先随机缩放尺寸大小,从而进一步提高样本图像的准确度,以更接近真实水印叠加效果。
在一个实际应用中,本申请技术方案可以用于对视频进行水印识别,在视频中,水印叠加在每一个图像帧中。
为了保证待检测水印图像的准确度,作为一种可选方式,所述至少一个目标图像可以包括从设置有所述待检测水印图像的多个视频中分别获取的多个图像帧;
所述从所述至少一个目标图像中,分解获得所述待检测水印图像包括:
从每个视频对应的多个图像帧中,分解获得候选水印图像,获得多个候选水印图像;
从所述多个候选水印图像中,选择待检测水印图像。
可选地,获得多个候选水印图像之后,可以输出该多个候选水印图像,以供用户进行人工判断。
因此,所述从所述多个候选水印图像中,选择待检测水印图像可以包括:
基于用户选择请求,从所述多个候选水印图像中,确定用户选择的待检测水印图像。
按照上文各个实施例中的数据获取方法,对于任一个待检测的水印类别,均只需要按照上述方式即可以获得大量训练样本,丰富了训练样本,且无需人工标注训练标签,降低了人工成本,相较于人工标注方式,训练标签的准确度更高,因此可以保证训练样本的准确度,可以提高模型训练的准确度,从而可以提高水印识别的准确度。
利用上文获得样本图像及其训练标签即可以进行模型训练,作为一种数据处理方法,可以包括:
获取多个样本图像;
获取所述多个样本图像各自的训练标签;
基于所述多个样本图像及各自的训练标签,训练识别模型。
其中,样本图像以及训练标签的获得可以参见上述各个实施例中的数据获取方法中所述,在此不再赘述,
此外,为了方便扩展,降低模型训练的复杂度,本申请实施例中,可以利用样本图像的第一训练标签训练水印检测模型,用以检测水印位置,提取出水印图像所在的水印区域;利用样本图像的第二训练标签训练水印识别模型,用以识别水印区域对应水印类别。
对于水印检测模型,其训练样本中的样本图像的训练标签包括叠加位置即可,在某些实际应用中,也存在只需检测水印所在区域的应用场景,因此,作为又一个实施例,如图2所示的作为数据获取方法,该方法可以包括:
201:获取叠加待检测水印图像的至少一个目标图像。
202:从所述至少一个目标图像中,分解获得所述待检测水印图像。
203:选择多个背景图像。
204:将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像.
205:将所述待检测水印图像的叠加位置作为所述多个样本图像的第一训练标签。
该多个样本图像及各自对应第一训练标签即可以作为训练样本,用以训练水印检测模型。
而如果需要识别水印类别,则需要按照图1所示的方法来获得多个样本图像,并将所述待检测水印图像的叠加位置作为所述多个样本图像的第一训练标签;将所述待检测水印图像的水印类别作为所述多个样本图像的第二训练标签;
所述多个样本图像及各自第一训练标签用于训练水印检测模型;所述多个样本图像及各自的第二训练标签训练水印识别模型。
参见图3中提供的数据处理方法,本实施例实现了水印检测模型的训练,该方法可以包括以下几个步骤:
301:获取多个样本图像;
302:获取所述多个样本图像各自的第一训练标签。
其中,所述多个样本图像为将待检测水印图像分别叠加至多个背景图像中获得;所述待检测水印图像可以从设置有所述待检测水印图像的至少一个目标图像中分解获得;所述第一训练标签根据所述待检测水印图像在所述背景图像中的叠加位置确定。
303:基于所述多个样本图像及各自的第一训练标签,训练水印检测模型。
在某些实施例中,为了进一步丰富训练样本,所述方法还可以包括:
将所述多个样本图像分别进行数据增强,获得多个训练图像;
所述基于所述多个样本图像及各自的第一训练标签,训练水印检测模型包括:
利用所述多个训练图像及各自的第一训练标签,训练水印检测模型。
其中,对多个样本图像分别进行数据增强,可以是随机剪裁样本图像、旋转样本图像,或者对样本图像进行颜色空间抖动实现,其中,颜色空间抖动例如可以是指调整样本图像亮度、颜色对比度等等。
作为一种可选方式,该水印检测模型可以为卷积神经网络(ConvolutionalNeural Networks,CNN)模型,该水印检测模型可以包括多个相连接的第一卷积单元以及,与第一卷积单元相连接的多个第二卷积单元构成;
其中,第一卷积单元可以由多个卷积层以及最大值池化层构成,而第二卷积单元可以由多个卷积层以及批归一化层构成。
可选地,卷积层可以为二维卷积层。随着卷积单元从浅入深,对应的感受野越来越大,可以回归尺度更大的物体。将回归得到的大量检测框进行非极大值抑制,可以输出最后的水印检测框,该水印检测框也即水印所在区域。
参见图4中提供的数据处理方法,本实施例实现了水印识别模型的训练,该方法可以包括以下几个步骤:
401:获取多个样本图像。
402:获取所述多个样本图像各自的第二训练标签。
其中,所述多个样本图像为将待检测水印图像分别叠加至多个背景图像中获得;所述待检测水印图像可以从设置有所述待检测水印图像的至少一个目标图像中分解获得;所述第二训练标签根据所述待检测水印图像的水印类别确定。
其中,样本图像与第二训练标签的确定可以参见上述各个数据获取方法实施例中所述,在此将不再重复赘述。
403:分别从所述多个样本图像中提取水印训练区域,获得多个水印训练区域。
404:利用所述多个水印训练区域及各自对应的第二训练标签,训练水印识别模型。
在某些实施例中,所述分别从所述多个样本图像中提取水印训练区域,获得多个水印训练区域可以包括:
利用水印检测模型分别检测所述多个样本图像中的水印位置。
基于所述多个样本图像的水印位置,
其中,水印检测模型的训练可以参见图3所示实施例,在此不再赘述。
此外,由于样本图像可以认为是背景图像与水印图像叠加形成,样本图像中水印所在区域的像素值是由水印像素值与背景图像像素值通过加权求和获得,因此可以像素值变化来确定水印训练区域;也可以通过边缘检测提取边缘特征,根据边缘特征变化来确定水印所在的水印训练区域,比如边缘特征丰富区域可以作为水印训练区域。
在某些实施例中,所述方法还可以包括:
将所述多个样本图像分别进行数据增强,获得多个训练图像;
所述基于所述多个样本图像及各自的第二训练标签,训练水印识别模型包括:
利用所述多个训练图像及各自的第二训练标签,训练水印识别模型。
其中,对多个样本图像分别进行数据增强,可以是随机剪裁样本图像、旋转样本图像,或者对样本图像进行颜色空间抖动实现,其中,颜色空间抖动例如可以是指调整样本图像亮度、颜色对比度等等。
作为一种可选方式,该水印识别模型可以为卷积神经网络模型。
利用上述训练获得水印检测模型或者水印识别模型,即可以进行水印识别。
图5示出了本申请提供的一种水印识别方法一个实施例的流程图,该方法可以包括以下几个步骤:
501:获取待检测图像。
502:利用水印检测模型检测所述待检测图像中的水印位置。
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
可选地,,所述水印检测模型按照如下方式预先训练获得:
获取多个样本图像;
根据所述多个样本图像中待检测水印图像的叠加位置,确定所述多个样本图像各自的第一训练标签;
该水印检测模型具体训练方式可以参见上文相应实施例中所述,在此将不再赘述。
此外,所述多个样本图像按照如下方式获得:
获取叠加有待检测水印图像的至少一个目标图像;
从所述至少一个目标图像中,分解获得所述待检测水印图像;
选择多个背景图像;
将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像;
将所述待检测水印图像的叠加位置,作为所述多个样本图像的第一训练标签。
该多个样本图像的获得可以具体参见上文相应实施例中所述,在此将不再赘述。
根据检测获得的待检测图像的水印位置,可以确定待检测图像中的水印区域,在水印去除应用中,即可以去除该水印区域处的水印图像。
此外,在某些实施例中,所述方法还可以包括:
从所述待检测图像中提取所述水印位置对应的水印区域。
利用水印识别模型识别所述水印区域,确定水印类别;
其中,所述水印识别模型利用所述多个样本图像及所述待检测水印图像的水印类别训练获得。
可选地,所述水印识别模型按照如下方式预先训练获得:
获取多个样本图像;
根据所述多个样本图像中待检测水印图像的水印类别,确定所述多个样本图像各自的第二训练标签;
基于所述多个样本图像及各自的第二训练标签,训练水印识别模型。
该水印识别模型的具体训练方式可以参见上文实施例中所述,在此将不再赘述。
此外,所述多个样本图像按照如下方式获得:
获取叠加有待检测水印图像的至少一个目标图像;
从所述至少一个目标图像中,分解获得所述待检测水印图像;
选择多个背景图像;
将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像;
将所述待检测水印图像的水印类别,作为所述多个样本图像的第二训练标签。
其中,所述水印识别模型利用所述多个样本图像及所述待检测水印图像的水印类别训练获得。
此外,在某些实际应用中,需要识别水印类别,因此,图6示出了本申请提供的一种水印识别方法又一个实施例的流程图,该方法可以包括以下几个步骤:
601:获取待检测图像。
602:从所述待检测图像中提取水印区域。
可选地,所述从所述待检测图像中提取水印区域可以利用水印检测模型实现,因此从所述待检测图像中提取水印区域可以包括:
利用水印检测模型检测所述待检测图像中的水印位置;
从所述待检测图像中提取所述水印位置对应的水印区域。
603:利用水印识别模型识别所述水印区域,确定水印类别。
在一个实际应用中,本申请的技术方案可以用于实现对视频中的水印进行识别,该待检测图像即为待检测视频中的图像帧。
因此,作为又一个实施例,如图7所示的水印识别方法中,可以包括以下几个步骤:
701:从待检测视频的图像帧中,获取多个待检测图像:。
该多个待检测图像可以包括待检测视频中的全部图像帧。
702:利用水印检测模型分别检测所述多个待检测图像中的水印位置;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
在某些实施例中,所述方法还可以包括:
基于所述多个待检测图像中的水印位置,分别从所述多个待检测图像中提取水印区域,获得多个水印区域;
利用水印识别模型分别识别所述多个水印区域,获得所述多个水印区域分别对应的水印类别。
其中,所述水印识别模型利用所述多个样本图像及所述多个样本图像中的待检测水印图像的水印类别训练获得。
图8为本申请实施例提供的一种水印识别方法又一个实施例的流程图,该方法可以包括以下几个步骤:
801:从待检测视频的图像帧中,获取多个待检测图像。
802:分别从所述多个待检测图像中提取水印区域,获得多个水印区域。
可选地,所述分别从所述多个待检测图像中提取水印区域,获得多个水印区域可以包括:
利用水印检测模型分别检测所述多个待检测图像中的水印位置;
基于所述多个待检测图像中的水印位置,分别从所述多个待检测图像中提取水印区域,获得多个水印区域。
803:利用水印识别模型分别识别所述多个水印区域,获得多个水印区域分别对应的水印类别。
804:汇总所述多个水印区域分别对应水印类别,以获得所述待检测视频对应至少一种目标水印类别。
由于一个视频中可能存在多种水印类别,可选地,通过汇总所述多个水印区域分别对应水印类别,可以确定至少一种水印类别,该至少一种水印类别即为待检测视频的目标水印类别。
此外,由于可能存在误检情况,因此可以对获得的水印类别进行筛选,作为一种可选方式,所述汇总所述多个水印区域分别对应的水印类别,以获得所述待检测视频对应的至少一种目标水印类别可以包括:
汇总所述多个水印区域分别对应水印类别,确定属于同一种水印类别的水印类别数量;
将水印类别数量大于预定数量的至少一种水印类别,作为待检测视频的目标水印类别。
也即在多个待检测图像中,水印类别数量出现较少的水印类别认为是误检情况,可以将其删掉。
作为另一种可选方式,所述汇总所述多个水印区域分别对应的水印类别,以获得所述待检测视频对应的至少一种目标水印类别可以包括:
根据多个水印区域对应的水印位置,确定将水印位置相差在误差范围内的至少一个水印区域;
汇总所述至少一个水印区域分别对应的水印类别,以获得所述待检测视频的至少一种目标水印类别。
可选地,所述汇总所述至少一个水印区域对应的水印类别,以获得所述待检测视频的至少一种目标水印类别可以包括:
汇总所述至少一个水印区域分别对应的水印类别,确定属于同一种水印类别的水印类别数量;
将水印类别数量大于预定数量的至少一种水印类别,作为待检测视频的目标水印类别。
在一个实际应用中,水印识别获得的水印位置可以用于进行水印去除,因此,如图9所示,为本申请实施例提供的一种水印去除方法一个实施例的流程图,该方法可以包括以下几个步骤:
901:获取待检测图像。
902:利用水印检测模型检测所述待检测图像中的水印位置。
对于检测获得水印位置的待检测图像可以继续执行步骤903的操作,对于未检测获得水印位置的待检测图像,表明该待检测图像中不存在水印图像,则可以结束流程。
因此,所述方法还可以包括:
根据检测结果,确定所述待检测图像中是否存在水印图像,若是,再执行步骤903的操作。
此外,还可以确定水印位置所在的水印区域,利用水印识别模型识别该水印区域的水印类别。
所述根据检测结果,确定所述待检测图像中是否存在水印图像可以是根据检测结果以及识别结果,确定所述待检测图像中是否存在目标类别的水印图像。从而若水印区域的水印类别与该目标类别相同,再执行步骤903的操作,实现去除目标类别的水印图像的目的。
903:从所述待检测图像中去除所述水印位置处对应的水印图像。
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
该水印检测模型的具体训练方式可以参见上文相应实施例中所述,在此不再赘述。
在某些实施例中,所述从所述待检测图像中去除所述水印位置处对应的水印图像包括:
从所述待检测图像中扣除所述水印位置对应水印区域的像素值;
对所述待检测图像中的水印区域进行图像修复。
作为一种可选方式,对所述待检测图像中的水印区域进行图像修复可以包括:
利用所述待检测图像中的水印区域的周围像素值,修复所述水印区域,以实现水印图像去除。
此外,作为又一种可选方式,对所述待检测图像中的水印区域进行图像修复可以包括:
利用图像修复模型对所述待检测图像中的水印区域进行图像修复。
其中,该图像修复模型可以利用扣除水印区域的像素值的样本图像以及该样本图像对应的无水印图像进行训练获得。
其中,扣除水印区域的像素值的样本图像作为模型的输入变量,该样本图像对应的无水印图像作为模型的输出变量,以训练获得该图像修复模型。
此外,本申请的技术方案可以用于实现对视频中的水印去除,该待检测图像即为待检测视频中的图像帧。如图10所示,为本申请实施例提供的一种水印去除方法又一个实施例,该方法可以包括以下几个步骤:
1001:从待检测视频的图像帧中,获取多个待检测图像。
可选地,该多个待检测图像可以包括待检测视频中的全部图像帧。
1002:利用水印检测模型分别检测所述多个待检测图像中的水印位置。
1003:根据检测结果,确定存在水印图像的多个待处理图像。
可选地,若待检测图像中检测获得水印位置,可以认为所述该待检测图像中存在水印图像。
1004:从所述待检测视频中去除所述多个待处理图像各自水印位置处的水印图像,获得目标视频。
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
该水印检测模型的具体训练方式可以参见上文相应实施例中所述,在此不再赘述。
其中,针对每个待处理图像去除水印图像的方式,可以参见图9所示实施例中所述。
也即,在某些实施例中,所述从所述待检测视频中去除所述多个待处理图像各自水印位置处的水印图像,获得目标视频包括:
针对每一个待处理图像,从所述待处理图像中扣除所述水印位置所在水印区域的像素值;
对所述待处理图像中的水印区域进行图像修复。
作为一种可选方式,对所述待处理图像中的水印区域进行图像修复可以包括:
利用所述待处理图像中的水印区域的周围像素值,修复所述水印区域,以实现水印图像去除。
此外,作为又一种可选方式,对所述待处理图像中的水印区域进行图像修复可以包括:
利用图像修复模型对所述待处理图像中的水印区域进行图像修复。
其中,该图像修复模型可以利用扣除水印区域的像素值的样本图像以及该样本图像对应的无水印图像进行训练获得。
其中,扣除水印区域的像素值的样本图像作为模型的输入变量,该样本图像对应的无水印图像作为模型的输出变量,以训练获得该图像修复模型。
由于是分别对每一个待检测图像进行水印位置检测,不同待检测图像检测获得的水印位置可能会存在偏差,导致重新合成的目标视频可能会出现闪烁或抖动问题,因此为了提高目标视频质量,在某些实施例中,所述从所述待检测视频中去除所述多个待处理图像各自水印位置处对应的水印图像,获得目标视频可以包括:
对所述多个待处理图像按照水印位置进行聚类,获得至少一个图像组合;
利用每一个图像组合中的聚类中心图像对应的水印位置,更新每一个图像组合中各个待处理图像的水印位置;
从所述待检测视频中去除所述多个待处理图像各自水印位置处对应的水印图像,获得目标视频。
也即将每一个图像组合中的聚类中心图像对应的水印位置,作为每一个图像组合中其它各个待处理图像的水印位置。通过统一水印位置,以避免视频抖动问题。
此外,为了避免漏检或者误检情况,在某些实施例中,所述根据检测结果,确定存在水印图像的多个待处理图像可以包括:
根据检测结果,确定存在水印图像的多个候选图像;
对所述多个候选图像按照水印位置进行聚类,获得至少一个图像组合;
利用水印识别模型识别每一个图像组合中的聚类中心图像的水印区域,确定聚类中心图像对应的水印类别;
针对每一个聚类中心图像,执行如下操作:
判断所述待检测视频中各个图像帧是否存在与聚类中心图像对应的水印类别相同的水印图像;
根据不同判断结果对应的权重数值,生成各个图像帧对应的数据序列;
使用滤波窗口对所述数据序列进行滑动滤波,利用所述滤波窗口对应的各个图像帧的权重数值,更新所述滤波窗口中判断结果为否的图像帧的权重数值;
根据所述数据序列中更新之后的权重数值,确定属于所述聚类中图像所在图像组合的待处理图像;
利用所述聚类中心图像的水印位置,更新所述图像组合中的各个待处理图像的水印位置。
也即将聚类中心图像的水印位置,作为同一图像组合中其它各个待处理图像的水印位置。
可选地,可以是将权重数值大于预定数值的候选图像,作为属于所述图像组合,且存在与聚类中心图像对应的水印类别相同的水印图像的待处理图像。
其中,数据序列中的权重数值,按照对应的各个图像帧的出现时间先后顺序排列。
其中,还可以提取所述多个待检测图像中水印位置对应的水印区域,利用水印识别模型识别水印区域的水印类别。
从而可以具体根据检测结果及识别结果,若存在水印位置以及水印类别的待检测图像再作为候选图像。
其中,对所述多个候选图像按照水印位置进行聚类,获得至少一个图像组合可以是:
对属于同一水印类别的多个候选图像按照水印位置进行聚类,获得至少一个图像组合。
其中,不同判断结果对应的权重系数可以包括:若检测结果为是,权重系数设置为1,若检测结果为否,权重系数设置为0,从而数据序列是由0以及1构成的序列。
可选地,利用所述滤波窗口对应的各个图像帧的权重数值,更新所述滤波窗口中判断结果为否的图像帧的权重数值可以是:
利用所述滤波窗口对应的各个图像帧的权重数值的加权平均值,更新所述滤波窗口中判断结果为否的图像帧的权重数值。
其中,该滤波窗口可以设定为预定帧数。
其中,根据判断结果,判断结果为是的图像帧,可以认为存在与所述聚类中心图像对应的水印位置以及水印类别均相同的水印图像,该图像帧即为该聚类中心图像所在图像组合中的待处理图像。而判断结果为否的图像帧并不包含在该聚类中心图像所在图像组合中,但是其可能也存在与所述聚类中心图像对应的水印位置以及水印类别均相同的水印图像。
因此,若判断结果为是,权重系数设置1,若判断结果为否,权重系数设置为0,通过更新数据序列之后,可以具体是根据所述数据序列中更新之后的权重数值,将权重系数大于预定数值的图像帧也作为待处理图像。
通过滑动滤波的方式,可以避免漏检或误捡情况。
图11为本申请实施例提供的一种数据获取装置一个实施例的结构示意图;该装置可以包括:
第一图像获取模块1101,用于获取叠加待检测水印图像的至少一个目标图像;
图像分解模块1102,用于从所述至少一个目标图像中,分解获得所述待检测水印图像;
图像选择模块1103,用于选择多个背景图像;
图像叠加模块1104,用于将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像;
标签确定模块1105,用于将所述待检测水印图像的叠加位置和/或所述待检测水印图像的水印类别,作为所述多个样本图像的训练标签。
在某些实施例中,所述标签确定模块具体用于将所述待检测水印图像的叠加位置作为所述多个样本图像的第一训练标签;将所述待检测水印图像的水印类别作为所述多个样本图像的第二训练标签;
其中,所述多个样本图像及各自第一训练标签用于训练水印检测模型;所述多个样本图像及各自的第二训练标签训练水印识别模型。
在某些实施例中,所述图像分解模块具体用于确定所述至少一个目标图像中所述待检测水印图像所在目标区域,获得至少一个目标区域;从所述至少一个目标区域中,分解获得所述检测水印图像。
在某些实施例中,所述目标图像由原始图像及所述待检测水印图像叠加形成;
所述图像分解模块从所述至少一个目标区域中,分解获得所述待检测水印图像包括:根据水印像素值、原始图像像素值及目标图像像素值的叠加关系,从所述至少一个目标区域中,分解获得所述待检测水印图像。
在某些实施例中,所述图像分解模块根据水印像素值、原始图像像素值及目标图像像素值的叠加关系,从所述至少一个目标区域中,分解获得所述待检测水印图像包括:根据水印像素值、原始图像像素值及图像像素值的叠加关系,基于所述至少一个目标区域建立多个线性方程式;求解所述多个线性方程式获得所述待检测水印图像的水印像素值;由所述待检测水印图像的水印像素值形成所述待检测水印图像。
在某些实施例中,所述图像叠加模块具体用于确定所述待检测水印图像分别在所述多个背景图像中的叠加权重系数;按照所述待检测水印图像的叠加权重系数,将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像。
在某些实施例中,所述图像选择模块具体用于选择图像内容及图像尺寸符合叠加要求的多个背景图像。
在某些实施例中,所述图像叠加模块具体用于在所述多个背景图像分别随机选择叠加位置,以叠加所述待检测水印图像,获得多个样本图像。
在某些实施例中,所述图像叠加模块具体用于在预先范围内随机缩放所述待检测水印图像,获得多个待叠加水印图像;将所述多个待叠加水印图像叠加至所述多个背景图像中;其中,每个背景图像中用以叠加一个待叠加水印图像。
在某些实施例中,所述至少一个目标图像包括从设置有所述待检测水印图像的多个视频中分别获取的多个图像帧;
所述图像分解模块具体用于从每个视频对应的多个图像帧中,分解获得候选水印图像,获得多个候选水印图像;从所述多个候选水印图像中,选择待检测水印图像。
图11所述的数据获取装置可以执行图1所示实施例所述的数据获取方法,其实现原理和技术效果不再赘述。对于上述实施例中的数据获取装置其中各个模块、单元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12为本申请实施例提供的一种数据处理装置一个实施例的结构示意图;该装置可以包括:
第一样本获取模块1201,用于获取多个样本图像,以及所述多个样本图像各自的第一训练标签;其中,所述多个样本图像为将待检测水印图像分别叠加至多个背景图像中获得;所述第一训练标签根据所述待检测水印图像在所述背景图像中的叠加位置确定;
第一模型训练模块1202,用于基于所述多个样本图像及各自的第一训练标签,训练水印检测模型。
在某些实施例中,该装置还可以包括:
第一数据增强模块,用于将所述多个样本图像分别进行数据增强,获得多个训练图像;
则所述第一模型训练模块具体用于利用所述多个训练图像及各自的第一训练标签,训练水印检测模型。
图12所述的数据处理装置可以执行图3所示实施例所述的数据处理方法,其实现原理和技术效果不再赘述。对于上述实施例中的数据处理装置其中各个模块、单元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13为本申请实施例提供的一种数据处理装置又一个实施例的结构示意图;该装置可以包括:
第二样本获取模块1301,用于获取多个样本图像,以及所述多个样本图像各自的第二训练标签;其中,所述多个样本图像为将待检测水印图像分别叠加至多个背景图像中获得;所述第二训练标签根据所述待检测水印图像的水印类别确定;
样本区域提取模块1302,用于分别从所述多个样本图像中提取水印训练区域,获得多个水印训练区域
第二模型训练模块1303,用于利用所述多个水印训练区域及各自对应的第二训练标签,训练水印识别模型。
在某些实施例中,所述样本区域提取模块具体用于利用水印检测模型分别检测所述多个样本图像中的水印位置;基于所述多个样本图像的水印位置,分别从所述多个样本图像中提取水印训练区域,获得多个水印训练区域。
在某些实施例中,该装置还可以包括:
第二数据增强模块,用于将所述多个样本图像分别进行数据增强,获得多个训练图像;
所述第二模型训练模块可以具体用于利用所述多个训练图像及各自的第二训练标签,训练水印识别模型。
图13所述的数据处理装置可以执行图4所示实施例所述的数据处理方法,其实现原理和技术效果不再赘述。对于上述实施例中的数据处理装置其中各个模块、单元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14为本申请实施例提供的一种水印识别装置一个实施例的结构示意图;该装置可以包括:
第二图像获取模块1401,用于获取待检测图像;
第一检测模块1402,用于利用水印检测模型检测所述待检测图像中的水印位置;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
在某些实施例中,该装置还可以包括:
第一检测区域提取模块,用于从所述待检测图像中提取所述水印位置对应的水印区域;
第一水印识别模块,用于利用水印识别模型识别所述水印区域,确定水印类别。
在某些实施例中,该装置还可以包括:
第一模型训练模块,用于获取多个样本图像;根据所述多个样本图像中待检测水印图像的叠加位置,确定所述多个样本图像各自的第一训练标签;基于所述多个样本图像及各自的第一训练标签,训练水印检测模型。
在某些实施例中,该装置还可以包括:
第二模型训练模块,用于获取多个样本图像;根据所述多个样本图像中待检测水印图像的水印类别,确定所述多个样本图像各自的第二训练标签;基于所述多个样本图像及各自的第二训练标签,训练水印识别模型。
在某些实施例中,该装置还可以包括:
第一样本数据获取模块,用于获取叠加有待检测水印图像的至少一个目标图像;从所述至少一个目标图像中,分解获得所述待检测水印图像;选择多个背景图像;将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像;将所述待检测水印图像的叠加位置,作为所述多个样本图像的第一训练标签。
在某些实施例中,该装置还可以包括:
第二样本数据获取模块,用于获取叠加有待检测水印图像的至少一个目标图像;从所述至少一个目标图像中,分解获得所述待检测水印图像;选择多个背景图像;将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像;将所述待检测水印图像的水印类别,作为所述多个样本图像的第二训练标签。
图14所述的水印识别装置可以执行图5所示实施例所述的水印识别方法,其实现原理和技术效果不再赘述。对于上述实施例中的水印识别装置其中各个模块、单元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15为本申请实施例提供的一种水印识别装置又一个实施例的结构示意图;该装置可以包括:
第三图像获取模块1501,用于从待检测视频的图像帧中,获取多个待检测图像;
第二检测模块1502,用于利用水印检测模型分别检测所述多个待检测图像中的水印位置;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
在某些实施例中,该装置还可以包括:
第二检测区域提取模块,用于基于所述多个待检测图像中的水印位置,分别从所述多个待检测图像中提取水印区域,获得多个水印区域;
第二水印识别模块,用于利用水印识别模型分别识别所述多个水印区域,获得多个水印区域分别对应的水印类别;
在某些实施例中,该装置还可以包括:
水印种类确定模块,用于汇总所述多个水印区域分别对应水印类别,以获得所述待检测视频对应至少一种目标水印类别。
在某些实施例中,所述水印种类确定模块可以具体用于汇总所述多个水印区域分别对应水印类别,确定属于同一种水印类别的水印类别数量;将水印类别数量大于预定数量的至少一种水印类别,作为待检测视频的目标水印类别。
在某些实施例中,所述水印种类确定模块可以具体用于根据多个水印区域对应的水印位置,确定将水印位置相差在误差范围内的至少一个水印区域;汇总所述至少一个水印区域对应的水印类别,以获得所述待检测视频的至少一种目标水印类别。
图15所述的水印识别装置可以执行图7所示实施例所述的水印识别方法,其实现原理和技术效果不再赘述。对于上述实施例中的水印识别装置其中各个模块、单元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16为本申请实施例提供的一种水印去除装置一个实施例的结构示意图,该装置可以包括:
第四图像获取模块1601,用于获取待检测图像;
第三检测模块1602,用于利用水印检测模型检测所述待检测图像中的水印位置;
第一去除模块1603,用于从所述待检测图像中去除所述水印位置处对应的水印图像;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
在某些实施例中,所述第一去除模块可以具体用于从所述待检测图像中扣除所述水印位置所在水印区域的像素值;对所述待检测图像中的水印区域进行图像修复。
图16所述的水印去除装置可以执行图9所示实施例所述的水印去除方法,其实现原理和技术效果不再赘述。对于上述实施例中的水印去除装置其中各个模块、单元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17为本申请实施例提供的一种水印去除装置又一个实施例的结构示意图,该装置可以包括:
第五图像获取模块1701,用于从待检测视频的图像帧中,获取多个待检测图像;
第四检测模块1702,用于利用水印检测模型分别检测所述多个待检测图像中的水印位置;
图像确定模块1703,用于根据检测结果,确定存在水印图像的多个待处理图像;
第二去除模块1704,用于从所述待检测视频中去除所述多个待处理图像各自水印位置处的水印图像,获得目标视频。
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
在某些实施例中,所述第二去除模块具体用于对所述多个待处理图像按照水印位置进行聚类,获得至少一个图像组合;
利用每一个图像组合中的聚类中心图像对应的水印位置,更新每一个图像组合中各个待处理图像的水印位置;
从所述待检测视频中去除所述多个待处理图像各自水印位置处对应的水印图像,获得目标视频。
在某些实施例中,所述图像确定模块可以具体用于根据检测结果,确定存在水印图像的多个候选图像;对所述多个候选图像按照水印位置进行聚类,获得至少一个图像组合;利用水印识别模型识别每一个图像组合中的聚类中心图像的水印区域,确定聚类中心图像对应的水印类别;针对每一个图像组合,执行如下操作:
判断所述待检测视频中各个图像帧是否存在与聚类中心图像对应的水印位置及水印类别均相同的水印图像;
根据不同判断结果对应的权重系数,生成各个图像帧对应的数据序列;
使用滤波窗口对所述数据序列进行滑动滤波,利用所述滤波窗口对应的各个图像帧的权重数值,更新所述滤波窗口中判断结果为否的图像帧的权重数值;
根据所述数据序列中更新之后的权重数值,确定属于所述图像组合的待处理图像;
将所述聚类中心图像对应的水印位置,作为所述图像组合中的各个待处理图像的水印位置。
图17所述的水印去除装置可以执行图10所示实施例所述的水印去除方法,其实现原理和技术效果不再赘述。对于上述实施例中的水印去除装置其中各个模块、单元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。
在一个可能的设计中,图11所示实施例的数据获取装置可以实现为一计算设备,如图18所示,该计算设备可以包括存储组件1801以及处理组件1802;
所述存储组件1801存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件1802调用执行。
所述处理组件1802用于:
获取叠加有待检测水印图像的至少一个目标图像;
从所述至少一个目标图像中,分解获得所述待检测水印图像;
选择多个背景图像;
将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像;
将所述待检测水印图像的叠加位置和/或所述待检测水印图像的水印类别,作为所述多个样本图像的训练标签。
当然,计算设备必然还可以包括其他部件,例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和外围接口模块之间提供接口,上述外围接口模块可以是输出设备、输入设备等。
通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。
在一个可能的设计中,图12所示实施例的数据处理装置可以实现为一计算设备,如图19所示,该计算设备可以包括存储组件1901以及处理组件1902;
所述存储组件1901存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件1902调用执行。
所述处理组件1902用于:
获取多个样本图像;
获取所述多个样本图像各自的第一训练标签;其中,所述多个样本图像为将待检测水印图像分别叠加至多个背景图像中获得;所述第一训练标签根据所述待检测水印图像在所述背景图像中的叠加位置确定;
基于所述多个样本图像及各自的第一训练标签,训练水印检测模型。
当然,计算设备必然还可以包括其他部件,例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和外围接口模块之间提供接口,上述外围接口模块可以是输出设备、输入设备等。
通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。
在一个可能的设计中,图13所示实施例的数据处理装置可以实现为一计算设备,如图20所示,该计算设备可以包括存储组件2001以及处理组件2002;
所述存储组件2001存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件2002调用执行。
所述处理组件2002用于:
获取多个样本图像;
获取所述多个样本图像各自的第二训练标签;其中,所述多个样本图像为将待检测水印图像分别叠加至多个背景图像中获得;所述第二训练标签根据所述待检测水印图像的水印类别确定;
分别从所述多个样本图像中提取水印训练区域,获得多个水印训练区域;
利用所述多个水印训练区域及各自对应的第二训练标签,训练水印识别模型。
当然,计算设备必然还可以包括其他部件,例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和外围接口模块之间提供接口,上述外围接口模块可以是输出设备、输入设备等。
通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。
在一个可能的设计中,图14所示实施例的水印识别装置可以实现为一计算设备,如图21所示,该计算设备可以包括存储组件2101以及处理组件2102;
所述存储组件2101存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件2102调用执行。
所述处理组件2102用于:
获取待检测图像;
利用水印检测模型检测所述待检测图像中的水印位置;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
当然,计算设备必然还可以包括其他部件,例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和外围接口模块之间提供接口,上述外围接口模块可以是输出设备、输入设备等。
通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。
在一个可能的设计中,图15所示实施例的水印识别装置可以实现为一计算设备,如图22所示,该计算设备可以包括存储组件2201以及处理组件2202;
所述存储组件2201存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件2202调用执行。
所述处理组件2202用于:
从待检测视频的图像帧中,获取多个待检测图像;
利用水印检测模型分别检测所述多个待检测图像中的水印位置;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
当然,计算设备必然还可以包括其他部件,例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和外围接口模块之间提供接口,上述外围接口模块可以是输出设备、输入设备等。
通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。
在一个可能的设计中,图16所示实施例的水印去除装置可以实现为一计算设备,如图23所示,该计算设备可以包括存储组件2301以及处理组件2302;
所述存储组件2301存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件2302调用执行。
所述处理组件2302用于:
获取待检测图像;
利用水印检测模型检测所述待检测图像中的水印位置;
从所述待检测图像中去除所述水印位置处对应的水印图像;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
当然,计算设备必然还可以包括其他部件,例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和外围接口模块之间提供接口,上述外围接口模块可以是输出设备、输入设备等。
通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。
在一个可能的设计中,图17所示实施例的水印去除装置可以实现为一计算设备,如图24所示,该计算设备可以包括存储组件2401以及处理组件2402;
所述存储组件2401存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件2402调用执行。
所述处理组件2402用于:
从待检测视频的图像帧中,获取多个待检测图像;
利用水印检测模型分别检测所述多个待检测图像中的水印位置;
根据检测结果,确定存在水印图像的多个待处理图像;
从所述待检测视频中去除所述多个待处理图像各自水印位置处的水印图像,获得目标视频。
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
当然,计算设备必然还可以包括其他部件,例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和外围接口模块之间提供接口,上述外围接口模块可以是输出设备、输入设备等。
通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。
上述各个计算设备中,处理组件可以包括一个或多个处理器来执行计算机指令,以完成上述的方法中的全部或部分步骤。当然处理组件也可以为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,用于执行上述方法。
存储组件被配置为存储各种类型的数据以支持在终端的操作。存储组件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。
此外,本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图1所示实施例的数据获取方法。
此外,本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图1所示实施例的数据获取方法。
此外,本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图2所示实施例的数据获取方法。
此外,本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图3所示实施例的数据处理方法。
此外,本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图4所示实施例的数据处理方法。
此外,本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图5所示实施例的水印识别方法。
此外,本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图6所示实施例的水印识别方法。
此外,本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图7所示实施例的水印识别方法。
此外,本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图8所示实施例的水印识别方法。
此外,本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图9所示实施例的水印去除方法。
此外,本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图10所示实施例的水印去除方法。
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,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (31)
1.一种水印识别方法,其特征在于,包括:
获取待检测图像;
利用水印检测模型检测所述待检测图像中的水印位置;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
2.根据权利要求1所述的方法,其特征在于,还包括:
从所述待检测图像中提取所述水印位置对应的水印区域;
利用水印识别模型识别所述水印区域,确定水印类别;
其中,所述水印识别模型利用所述多个样本图像及所述待检测水印图像的水印类别训练获得。
3.根据权利要求1所述的方法,其特征在于,所述水印检测模型按照如下方式预先训练获得:
获取多个样本图像;
根据所述多个样本图像中待检测水印图像的叠加位置,确定所述多个样本图像各自的第一训练标签;
基于所述多个样本图像及各自的第一训练标签,训练水印检测模型。
4.根据权利要求2所述的方法,其特征在于,所述水印识别模型按照如下方式预先训练获得:
获取多个样本图像;
根据所述多个样本图像中待检测水印图像的水印类别,确定所述多个样本图像各自的第二训练标签;
基于所述多个样本图像及各自的第二训练标签,训练水印识别模型。
5.根据权利要求3所述的方法,其特征在于,所述多个样本图像按照如下方式获得:
获取叠加有待检测水印图像的至少一个目标图像;
从所述至少一个目标图像中,分解获得所述待检测水印图像;
选择多个背景图像;
将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像;
将所述待检测水印图像的叠加位置,作为所述多个样本图像的第一训练标签。
6.根据权利要求4所述的方法,其特征在于,所述多个样本图像按照如下方式获得:
获取叠加有待检测水印图像的至少一个目标图像;
从所述至少一个目标图像中,分解获得所述待检测水印图像;
选择多个背景图像;
将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像;
将所述待检测水印图像的水印类别,作为所述多个样本图像的第二训练标签。
7.一种水印识别方法,其特征在于,包括:
从待检测视频的图像帧中,获取多个待检测图像;
利用水印检测模型分别检测所述多个待检测图像中的水印位置;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
8.根据权利要求7所述的方法,其特征在于,还包括:
基于所述多个待检测图像中的水印位置,分别从所述多个待检测图像中提取水印区域,获得多个水印区域;
利用水印识别模型分别识别所述多个水印区域,获得所述多个水印区域分别对应的水印类别;
其中,所述水印识别模型利用所述多个样本图像及所述多个样本图像中的待检测水印图像的水印类别训练获得。
9.根据权利要求8所述的方法,其特征在于,还包括:
汇总所述多个水印区域分别对应的水印类别,以获得所述待检测视频对应的至少一种目标水印类别。
10.根据权利要求9所述的方法,其特征在于,所述汇总所述多个水印区域分别对应的水印类别,以获得所述待检测视频对应的至少一种目标水印类别包括:
汇总所述多个水印区域分别对应水印类别,确定属于同一种水印类别的水印类别数量;
将水印类别数量大于预定数量的至少一种水印类别,作为待检测视频的目标水印类别。
11.根据权利要求9所述的方法,其特征在于,所述汇总所述多个水印区域分别对应的水印类别,以获得所述待检测视频对应的至少一种目标水印类别包括:
根据多个水印区域对应的水印位置,确定将水印位置相差在误差范围内的至少一个水印区域;
汇总所述至少一个水印区域对应的水印类别,以获得所述待检测视频的至少一种目标水印类别。
12.一种水印去除方法,其特征在于,包括:
获取待检测图像;
利用水印检测模型检测所述待检测图像中的水印位置;
从所述待检测图像中去除所述水印位置处对应的水印图像;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
13.根据权利要求12所述的方法,其特征在于,所述从所述待检测图像中去除所述水印位置处对应的水印图像包括:
从所述待检测图像中扣除所述水印位置所在水印区域的像素值;
对所述待检测图像中的水印区域进行图像修复。
14.一种水印去除方法,其特征在于,包括:
从待检测视频的图像帧中,获取多个待检测图像;
利用水印检测模型分别检测所述多个待检测图像中的水印位置;
根据检测结果,确定存在水印图像的多个待处理图像;
从所述待检测视频中去除所述多个待处理图像各自水印位置处的水印图像,获得目标视频;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
15.根据权利要求14所述的方法,其特征在于,所述从所述待检测视频中去除所述多个待处理图像各自水印位置处对应的水印图像,获得目标视频包括:
对所述多个待处理图像按照水印位置进行聚类,获得至少一个图像组合;
利用每一个图像组合中的聚类中心图像对应的水印位置,更新每一个图像组合中各个待处理图像的水印位置;
从所述待检测视频中去除所述多个待处理图像各自水印位置处对应的水印图像,获得目标视频。
16.根据权利要求13所述的方法,其特征在于,所述根据检测结果,确定存在水印图像的多个待处理图像包括:
根据检测结果,确定存在水印图像的多个候选图像;
对所述多个候选图像按照水印位置进行聚类,获得至少一个图像组合;
利用水印识别模型识别每一个图像组合中的聚类中心图像的水印区域,确定聚类中心图像对应的水印类别;
针对每一个聚类中心图像,执行如下操作:
判断所述待检测视频中各个图像帧是否存在与所述聚类中心图像对应的水印类别相同的水印图像;
根据不同判断结果对应的权重数值,生成各个图像帧对应的数据序列;
使用滤波窗口对所述数据序列进行滑动滤波,利用所述滤波窗口对应的各个图像帧的权重数值,更新所述滤波窗口中判断结果为否的图像帧的权重数值;
根据所述数据序列中更新之后的权重数值,确定属于所述聚类中心图像所在图像组合的待处理图像;
利用所述聚类中心图像的水印位置,更新所述图像组合中各个待处理图像的水印位置。
17.一种数据获取方法,其特征在于,包括:
获取叠加有待检测水印图像的至少一个目标图像;
从所述至少一个目标图像中,分解获得所述待检测水印图像;
选择多个背景图像;
将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像;
将所述待检测水印图像的叠加位置和/或所述待检测水印图像的水印类别,作为所述多个样本图像的训练标签。
18.根据权利要求17所述的方法,其特征在于,所述将所述待检测水印图像的叠加位置和/或所述待检测水印图像的水印类别,作为所述多个样本图像的训练标签包括:
将所述待检测水印图像的叠加位置作为所述多个样本图像的第一训练标签;
将所述待检测水印图像的水印类别作为所述多个样本图像的第二训练标签;
其中,所述多个样本图像及各自第一训练标签用于训练水印检测模型;所述多个样本图像及各自的第二训练标签训练水印识别模型。
19.根据权利要求17所述的方法,其特征在于,所述从所述至少一个目标图像中,分解获得所述待检测水印图像包括:
确定所述至少一个目标图像中所述待检测水印图像所在目标区域,获得至少一个目标区域;
从所述至少一个目标区域中,分解获得所述检测水印图像。
20.根据权利要求19所述的方法,其特征在于,所述目标图像由原始图像及所述待检测水印图像叠加形成;
所述从所述至少一个目标区域中,分解获得所述待检测水印图像包括:
根据水印像素值、原始图像像素值及目标图像像素值的叠加关系,从所述至少一个目标区域中,分解获得所述待检测水印图像。
21.根据权利要求20所述的方法,其特征在于,所述根据水印像素值、原始图像像素值及目标图像像素值的叠加关系,从所述至少一个目标区域中,分解获得所述待检测水印图像包括:
根据水印像素值、原始图像像素值及图像像素值的叠加关系,基于所述至少一个目标区域建立多个线性方程式;
求解所述多个线性方程式获得所述待检测水印图像的水印像素值;
由所述待检测水印图像的水印像素值形成所述待检测水印图像。
22.根据权利要求17所述的方法,其特征在于,所述将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像包括:
确定所述待检测水印图像分别在所述多个背景图像中的叠加权重系数;
按照所述待检测水印图像的叠加权重系数,将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像。
23.根据权利要求17所述的方法,其特征在于,所述选择多个背景图像包括:
选择图像内容及图像尺寸符合叠加要求的多个背景图像。
24.根据权利要求17所述的方法,其特征在于,所述将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像包括:
在所述多个背景图像分别随机选择叠加位置,以叠加所述待检测水印图像,获得多个样本图像。
25.根据权利要求17所述的方法,其特征在于,所述将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像包括:
在预先范围内随机缩放所述待检测水印图像,获得多个待叠加水印图像;
将所述多个待叠加水印图像叠加至所述多个背景图像中;其中,每个背景图像中用以叠加一个待叠加水印图像。
26.根据权利要求17所述的方法,其特征在于,所述至少一个目标图像包括从设置有所述待检测水印图像的多个视频中分别获取的多个图像帧;
所述从所述至少一个目标图像中,分解获得所述待检测水印图像包括:
从每个视频对应的多个图像帧中,分解获得候选水印图像,获得多个候选水印图像;
从所述多个候选水印图像中,选择待检测水印图像。
27.一种数据获取装置,其特征在于,包括:
第一图像获取模块,用于获取叠加有待检测水印图像的至少一个目标图像;
图像分解模块,用于从所述至少一个目标图像中,分解获得所述待检测水印图像;
图像选择模块,用于选择多个背景图像;
图像叠加模块,用于将所述待检测水印图像分别叠加至所述多个背景图像中,获得多个样本图像;
标签确定模块,用于将所述待检测水印图像的叠加位置和/或所述待检测水印图像的水印类别,作为所述多个样本图像的训练标签。
28.一种水印识别装置,其特征在于,包括:
第二图像获取模块,用于获取待检测图像;
第一检测模块,用于利用水印检测模型检测所述待检测图像中的水印位置;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
29.一种水印识别装置,其特征在于,包括:
第三图像获取模块,用于从待检测视频的图像帧中,获取多个待检测图像;
第二检测模块,用于利用水印检测模型分别检测所述多个待检测图像中的水印位置;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
30.一种水印去除装置,其特征在于,包括:
第四图像获取模块,用于获取待检测图像;
第三检测模块,用于利用水印检测模型检测所述待检测图像中的水印位置;
第一去除模块,用于从所述待检测图像中去除所述水印位置处对应的水印图像;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
31.一种水印去除装置,其特征在于,包括:
第五图像获取模块,用于从待检测视频的图像帧中,获取多个待检测图像;
第四检测模块,用于利用水印检测模型分别检测所述多个待检测图像中的水印位置;
图像确定模块,用于根据检测结果,确定存在水印图像的多个目标图像;
第二去除模块,用于从所述待检测视频中去除所述多个目标图像各自水印位置处的水印图像,获得目标视频;
其中,所述水印检测模型利用多个样本图像及所述多个样本图像中的水印位置训练获得;所述多个样本图像通过将待检测水印图像分别叠加至背景图像中获得;所述多个样本图像的水印位置为所述待检测水印图像的叠加位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910133631.3A CN111612681A (zh) | 2019-02-22 | 2019-02-22 | 数据获取方法、水印识别方法、水印去除方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910133631.3A CN111612681A (zh) | 2019-02-22 | 2019-02-22 | 数据获取方法、水印识别方法、水印去除方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111612681A true CN111612681A (zh) | 2020-09-01 |
Family
ID=72199623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910133631.3A Pending CN111612681A (zh) | 2019-02-22 | 2019-02-22 | 数据获取方法、水印识别方法、水印去除方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612681A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927122A (zh) * | 2021-04-14 | 2021-06-08 | 北京小米移动软件有限公司 | 水印去除方法、装置及存储介质 |
CN114596188A (zh) * | 2022-02-22 | 2022-06-07 | 北京百度网讯科技有限公司 | 水印检测方法、模型训练方法、装置及电子设备 |
CN117333495A (zh) * | 2023-12-01 | 2024-01-02 | 浙江口碑网络技术有限公司 | 图像检测方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934780A (zh) * | 2017-03-15 | 2017-07-07 | 中山大学 | 一种基于图像修复的自动水印去除方法 |
US20180225800A1 (en) * | 2016-01-21 | 2018-08-09 | Tencent Technology (Shenzhen) Company Limited | Method and device for identifying whether standard picture contains watermark |
CN108550099A (zh) * | 2018-04-13 | 2018-09-18 | 北京焦点新干线信息技术有限公司 | 一种去除图像中水印的方法和装置 |
CN108765349A (zh) * | 2018-05-31 | 2018-11-06 | 四川斐讯信息技术有限公司 | 一种带有水印的图像修复方法及系统 |
CN109285105A (zh) * | 2018-09-05 | 2019-01-29 | 北京字节跳动网络技术有限公司 | 水印检测方法、装置、计算机设备和存储介质 |
-
2019
- 2019-02-22 CN CN201910133631.3A patent/CN111612681A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180225800A1 (en) * | 2016-01-21 | 2018-08-09 | Tencent Technology (Shenzhen) Company Limited | Method and device for identifying whether standard picture contains watermark |
CN106934780A (zh) * | 2017-03-15 | 2017-07-07 | 中山大学 | 一种基于图像修复的自动水印去除方法 |
CN108550099A (zh) * | 2018-04-13 | 2018-09-18 | 北京焦点新干线信息技术有限公司 | 一种去除图像中水印的方法和装置 |
CN108765349A (zh) * | 2018-05-31 | 2018-11-06 | 四川斐讯信息技术有限公司 | 一种带有水印的图像修复方法及系统 |
CN109285105A (zh) * | 2018-09-05 | 2019-01-29 | 北京字节跳动网络技术有限公司 | 水印检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
欧沛寇: "《造纸及其装备科学技术丛书 "十三五"国家重点出版物出版规划项 印刷媒体 原理、过程和质量》", 31 October 2018 * |
钱军浩: "《特种印刷新技术》", 28 February 2010 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927122A (zh) * | 2021-04-14 | 2021-06-08 | 北京小米移动软件有限公司 | 水印去除方法、装置及存储介质 |
CN114596188A (zh) * | 2022-02-22 | 2022-06-07 | 北京百度网讯科技有限公司 | 水印检测方法、模型训练方法、装置及电子设备 |
CN117333495A (zh) * | 2023-12-01 | 2024-01-02 | 浙江口碑网络技术有限公司 | 图像检测方法、装置、设备及存储介质 |
CN117333495B (zh) * | 2023-12-01 | 2024-03-19 | 浙江口碑网络技术有限公司 | 图像检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106920229B (zh) | 图像模糊区域自动检测方法及系统 | |
CN109859171B (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
US8238605B2 (en) | Digital video target moving object segmentation method and system | |
JP6509275B2 (ja) | 画像の背景差分に用いられる背景モデルを更新する方法及び装置 | |
Pape et al. | 3-D histogram-based segmentation and leaf detection for rosette plants | |
CN107228860B (zh) | 一种基于图像旋转周期特性的齿轮缺陷检测方法 | |
CN111474184A (zh) | 基于工业机器视觉的aoi字符缺陷检测方法和装置 | |
CN110008962B (zh) | 基于注意力机制的弱监督语义分割方法 | |
CN109671058B (zh) | 一种大分辨率图像的缺陷检测方法及系统 | |
Liu et al. | Digital image forgery detection using JPEG features and local noise discrepancies | |
CN111553923B (zh) | 一种图像处理方法、电子设备及计算机可读存储介质 | |
CN111612681A (zh) | 数据获取方法、水印识别方法、水印去除方法及装置 | |
JP7489240B2 (ja) | 自動表面評価のためのシステム及び方法 | |
CN112767369A (zh) | 小五金的缺陷识别检测方法、装置及计算机可读存储介质 | |
CN114170227B (zh) | 产品表面缺陷检测方法、装置、设备及存储介质 | |
CN113066088A (zh) | 工业检测中的检测方法、检测装置和存储介质 | |
US11461880B2 (en) | Generating image masks from digital images utilizing color density estimation and deep learning models | |
CN109886963B (zh) | 一种图像处理方法及系统 | |
CN109035306B (zh) | 动目标自动检测方法及装置 | |
CN116824135A (zh) | 基于机器视觉的大气自然环境试验工业产品识别分割方法 | |
CN116167910A (zh) | 文本编辑方法、装置、计算机设备及计算机可读存储介质 | |
CN111178200A (zh) | 一种仪表盘指示灯的识别方法及计算设备 | |
CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
CN113838053B (zh) | 屏幕缺陷的检测方法、装置、设备及存储介质 | |
CN113920493B (zh) | 遗落物品的检测方法、装置、设备及存储介质 |
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 |
Application publication date: 20200901 |
|
RJ01 | Rejection of invention patent application after publication |