CN111681151A - 一种图像水印检测方法、装置和计算设备 - Google Patents
一种图像水印检测方法、装置和计算设备 Download PDFInfo
- Publication number
- CN111681151A CN111681151A CN202010292263.XA CN202010292263A CN111681151A CN 111681151 A CN111681151 A CN 111681151A CN 202010292263 A CN202010292263 A CN 202010292263A CN 111681151 A CN111681151 A CN 111681151A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- watermark
- color
- threshold
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 230000006835 compression Effects 0.000 description 8
- 238000007906 compression Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000007723 transport mechanism Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2201/0065—Extraction of an embedded watermark; Reliable detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像水印检测方法,适于在计算设备中执行,所述方法包括步骤:生成目标水印的标准图像,并按照该标准图像的宽高值批量截取各待测图像中特定部位的图像,得到多张目标图像;基于标准图像计算目标图像的颜色指标,所述颜色指标包括颜色标准差、颜色平均值、目标图像压缩后和标准图像压缩后的文件相对大小、目标图像和标准图像的像素矩阵点积中的至少一种;以及根据颜色指标的多种组合方式的优先级顺序依次确定不含目标水印的目标图像,并将剩下的目标图像判定为含有目标水印的图像。本发明还一并公开了用于执行该方法的计算设备。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种图像水印检测方法、装置和计算设备。
背景技术
水印是数字图像视频等多媒体资源常用的数字版权保护技术,是在原有的数字媒体上叠加一个视觉影响不大的小图或其他数字信号的方式,实际应用中需要检测大量媒体数据是否是受特定水印保护。水印检测的一个很重要指标是计算性能,即能否实时快速的进行批理处理。不同于OCR、Hu矩等在弱干扰的情况下在传统模式识别不同,水印识别通常是在强干扰的背景图下进行。
目前的水印识别有基于统计的概率分布函数法、Hu矩法和面部特征法。但概率分布函数法忽略了图形的几何特征;Hu矩法包含几何特征的,但仅对单色图相对纯净的图形上效果比较好,不适宜于强干扰场景。面部特征法仅适用于面部图像。
基于深度学习的神经网络在水印识别方面也取得了很好的效果,但这种方法需要人工标引大量的图库素材,初始化工作量和计算量都非常大,也必须使用专门硬件才能在相对较少的时间内完成识别工作。如果需要更高的准确率则需要细化调整参数,但调参需要进行准确率统计,人工工作量大,造成使用成本过高,难以定制,同时也会影响识别结果的解释。
因此,需要提供一种更快捷高效的水印识别方法。
发明内容
鉴于上述问题,本发明提出了一种图像水印检测方法、装置和计算设备,以力图解决或者至少解决上面存在的问题。
根据本发明的一个方面,提供了一种图像水印检测方法,适于在计算设备中执行,该方法包括步骤:生成目标水印的标准图像,并按照该标准图像的宽高值批量截取各待测图像中特定部位的图像,得到多张目标图像;基于标准图像计算所述目标图像的颜色指标,颜色指标包括颜色标准差、颜色平均值、目标图像压缩后和标准图像压缩后的文件相对大小、目标图像和标准图像的像素矩阵点积中的至少一种;以及根据颜色指标的多种组合方式的优先级顺序依次确定不含目标水印的目标图像,并将剩下的目标图像判定为含有目标水印的图像。
可选地,在根据本发明的图像水印检测方法中,颜色指标均为归一化的指标值,方法还包括所述文件相对大小的计算步骤:将与标准图像等宽高的单色图按照预定格式压缩后的内存大小作为内存最小值;将与标准图像等宽高的利用随机数生成的白噪声图像按照所述预定格式压缩后的内存大小作为内存最大值;以及基于内存最小值和最大值的归一化映射区间,将所述目标图像按照所述预定格式压缩后的内存大小转换为对应的文件相对大小。
可选地,在根据本发明的图像水印检测方法中,颜色平均值为所述目标图像中所有像素的RGB三通道的平均值;颜色标准差σest和像素矩阵点积P的计算公式为:
P=S*A
其中,A和S分别是目标图像和标准图像的像素矩阵,N为像素总数。
可选地,在根据本发明的图像水印检测方法中,根据颜色指标的多种组合方式的优先级顺序依次确定不含目标水印的目标图像的步骤包括:在第一优先级中,若目标图像的颜色标准差小于第一阈值,则判定该目标图像不含目标水印;在第二优先级中,若目标图像的颜色平均值大于第二阈值,则判定该目标图像不含目标水印;在第三优先级中,若所述目标图像的颜色平均值大于第三阈值且颜色标准差小于第四阈值,则判定该目标图像不含目标水印。
可选地,在根据本发明的图像水印检测方法中,根据颜色指标的多种组合方式的优先级顺序依次确定不含目标水印的目标图像的步骤还包括:在第四优先级中,若目标图像的颜色平均值大于第三阈值、颜色标准差小于第四阈值、且文件相对大小大于第五阈值,则判定该目标图像不含目标水印;在第五优先级中,若目标图像的文件相对大小小于第六阈值,则判定该目标图像不含目标水印;在第六优先级中,若目标图像的文件相对大小大于第七阈值,则判定该目标图像不含目标水印。
可选地,在根据本发明的图像水印检测方法中,根据颜色指标的多种组合方式的优先级顺序依次确定不含目标水印的目标图像的步骤还包括:在第七优先级中,若所述目标图像的颜色标准差小于第八阈值、相对文件大小小于第九阈值、且像素矩阵点积小于第十阈值,则判定该目标图像不含目标水印;在第八优先级中,若所述目标图像的像素矩阵点积小于第十一阈值,则判定该目标图像不含目标水印。
可选地,在根据本发明的图像水印检测方法中,第一阈值为0.014,第二阈值为0.98,第三阈值为0.93,第四阈值为0.25,第五阈值为2,第六阈值为1,第七阈值为28,第八阈值为0.1,第九阈值为4,第十阈值为0.5,第十一阈值为0.007。
可选地,在根据本发明的图像水印检测方法中,已知第一目标水印的第十一阈值,所述方法还包括确定其他目标水印的第十一阈值的步骤:分别计算第一目标水印和其他目标水印的点积最大值,其中目标水印i的点积最大值为Pi,max=Si*Si,Si为目标水印i的像素矩阵;分别基于第一目标水印的第十一阈值、以及各目标水印的点击最大值,计算其他目标水印的第十一阈值。
可选地,在根据本发明的图像水印检测方法中,特定部位为与目标图像的右下角相距预定距离的图像区域。
根据本发明的另一方面,提供了一种图像水印检测装置,适于驻留在计算设备中,该装置包括:图像截取模块,适于生成目标水印的标准图像,并按照该标准图像的宽高值批量截取各待测图像中特定部位的图像,得到多张目标图像;指标计算模块,适于基于所述标准图像计算所述目标图像的颜色指标,所述颜色指标包括颜色标准差、颜色平均值、目标图像压缩后和标准图像压缩后的文件相对大小、目标图像和标准图像的像素矩阵点积中的至少一种;以及水印确定模块,适于根据颜色指标的多种组合方式的优先级顺序依次确定不含目标水印的目标图像,并将剩下的目标图像判定为含有目标水印的图像。
根据本发明的又一方面,提供了一种计算设备,包括:一个或多个处理器;存储器;以及一个或多个程序,其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行,该一个或多个程序被处理器执行时实现如上所述的图像水印检测方法的步骤。
根据本发明的又一方面,提供了一种存储一个或多个程序的计算机可读存储介质,该一个或多个程序包括指令,所述指令当由计算设备执行时实现如上所述的图像水印检测方法的步骤。
根据本发明的技术方案,提供了一种通过对图像数字特征进行决策树分析方法来快速、高效的批量检测图像中是否含水印。基于一个特定无干扰的目标水印图像将不太可能的数据排除,清除存在的无效数据,提高整个检测算法的效率和准确性。本方案具有用户体验良好,检测快速、准确、可靠,无需专门的硬件设备支持,且具备可移植性与可扩展性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了实现上述以及相关目的,本文结合下面的描述和附图来描述某些说明性方面,这些方面指示了可以实践本文所公开的原理的各种方式,并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述,本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开,相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明一个实施例的计算设备100的结构图;
图2示出了根据本发明一个实施例的图像水印检测方法200的流程图;
图3示出了根据本发明另一个实施例的图像水印检测方法的示意图;
图4示出了根据本发明一个实施例的某目标水印的标准图像的示意图;
图5示出了根据本发明一个实施例的多张目标图像的示意图;以及
图6示出了根据本发明一个实施例的图像水印检测装置600的结构图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1是根据本发明一个实施例的计算设备100的框图。在基本的配置102中,计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置,处理器104可以是任何类型的处理,包括但不限于:微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用,或者在一些实现中,存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置,系统存储器106可以是任意类型的存储器,包括但不限于:易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中,应用122可以布置为在操作系统上利用程序数据124进行操作。程序数据124包括指令,在根据本发明的计算设备100中,程序数据124包含用于执行图像水印检测方法200。
计算设备100还可以包括有助于从各种接口设备(例如,输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156,它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如,键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160,其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块,并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号,它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例,通信介质可以包括诸如有线网络或者专线网络之类的有线介质,以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
计算设备100可以实现为服务器,例如文件服务器、数据库服务器、应用程序服务器和WEB服务器等,也可以实现为小尺寸便携(或者移动)电子设备的一部分,这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。在一些实施例中,计算设备100被配置为执行图像水印检测方法200。
图2示出了根据本发明一个实施例的图像水印检测方法200的流程示意图。方法200在计算设备中执行,如在计算设备100中执行,以批量检测待测图像中是否还有目标水印。方法200的优化方案如图3所示,以下将结合图3,对图2中的方法200进行详细说明。
如图2所示,该方法始于步骤S210。在步骤S210中,生成目标水印的标准图像,并按照该标准图像的宽高值批量截取各待测图像中特定部位的图像,得到多张目标图像。
对于每种水印标识,均可生成对应的水印标准图像。图4为“汽车之家”水印的标准图像。图5为从各待测图像中批量截取的多张目标图像的集合,这些目标图像与标准图像等宽高。其中,特定部位可以是与目标图像的右下角相距预定距离的图像区域,可以通过imagemagick软件里的identify命令到得长宽,再利用”convert-crop”脚本进行切割。以“汽车之家”图片水印为例,水印很有规律地位于图片的右下角,占用大小约20x70的像素,因此通过对待测图像裁剪后可得到对应的目标图像。完整切割脚本如下:
随后,在步骤S220中,基于标准图像计算目标图像的颜色指标,该颜色指标包括颜色标准差、颜色平均值、目标图像压缩后和标准图像压缩后的文件相对大小、目标图像和标准图像的像素矩阵点积中的至少一种。
根据一个实施例,颜色指标均为归一化的指标值,即颜色标准差为归一化的颜色标准差,颜色平均值为归一化的颜色平均值。具体而言,颜色平均值为所述目标图像中所有像素的RGB三通道的平均值。颜色标准差σest和像素矩阵点积P的计算公式分别为:
P=S*A
其中,A和S分别是目标图像和标准图像的像素矩阵,N为像素总数。图像矩阵操作采用opencv库的标准方法进行。颜色矩阵的每个元素为像素RGB色值,实际计算时将每个像素RGB值转为三个0~255间的双精度浮点数,并利用commons-math3标准统计函数计算方差,然后求出RGB的标准差,因为颜色的取值范围为0~255,因此归一化就是把RGB三种颜色标准差的平均值除以255。像素矩阵点积可直接采用OpenCV软件包中的矩阵点积函数Mat.dot(Mat)进行计算。
另外,方法200还可以包括文件相对大小的计算步骤,具体包括:将与标准图像等宽高的单色图按照预定格式压缩后的内存大小作为内存最小值;将与标准图像等宽高的利用随机数生成的白噪声图像按照预定格式压缩后的内存大小作为内存最大值;基于内存最小值和最大值的归一化映射区间,将目标图像按照预定格式压缩后的内存大小转换为对应的文件相对大小。其中,预定格式可以为目前常用的图像格式,如PNG格式、JPG格式、JPEG格式等。若单色图压缩后的内存大小为a,白噪声图像压缩后的内存大小为b,则将区间[a,b]进行归一化映射后,即可根据目标图像压缩后的内存大小值c,计算出对应的文件相对大小。
随后,在步骤S220中,根据颜色指标的多种组合方式的优先级顺序依次确定不含目标水印的目标图像,并将剩下的目标图像判定为含有目标水印的图像。
如图3所示,在第一优先级中,若目标图像的颜色标准差小于第一阈值,则判定该目标图像不含目标水印。此时即使有水印,但画面颜色与水印过于接近,肉眼无法识别,没有应用意义。第一阈值的取值区间可以为[0.01,0.012],优选地可以为0.014,当然不限于此。
在第二优先级中,若目标图像的颜色平均值大于第二阈值,则判定该目标图像不含目标水印。此时画面属于过曝情况,画面颜色与水印过于接近,肉眼无法识别。
在第三优先级中,若目标图像的颜色平均值大于第三阈值且颜色标准差小于第四阈值,则判定该目标图像不含目标水印。在第三优先级中可剔除接近以上两个优先级条件但未被筛出的图形。
在第四优先级中,若目标图像的颜色平均值大于第三阈值、颜色标准差小于第四阈值、且文件相对大小大于第五阈值,则判定该目标图像不含目标水印。在图形等宽高的前提下,白噪声图像压缩后文件大小显示的信息熵(可以用图片压缩后的比特数代表)最大时,而水印有一定规律,其压缩后的信息熵在一定程度上必然小于白噪声的信息熵,因此通过这种平均值、标准差与文件大小的组合会去除一些非水印图片。
在第五优先级中,若目标图像的文件相对大小小于第六阈值,则判定该目标图像不含目标水印。同第四优先级的方案相同,当压缩后图像信息熵小于单纯水印时,也是一种图像中不可能含有水印的标志。
在第六优先级中,若目标图像的文件相对大小大于第七阈值,则判定该目标图像不含目标水印。这是在更精确层面对各待测图像的判定,以免误判。
在第七优先级中,若目标图像的颜色标准差小于第八阈值、相对文件大小小于第九阈值、且像素矩阵点积小于第十阈值,则判定该目标图像不含目标水印。这里同时考虑标准差、文件大小和点积和来判断是否相似,数学上等价于Person相似度,也是矢量余弦相似度的一种情况。
在第八优先级中,若目标图像的像素矩阵点积小于第十一阈值,则判定该目标图像不含目标水印。第十一阈值与不同的标准图相关,每种尺寸的标准图都有对应的第十一阈值,因此可以通过计算特定尺寸图像的最大/最小点积和,然后进行归一化计算后,就可以避免每次测试不同水印时单独去设置这个参数的不便。
已知第一目标水印的第十一阈值,方法200还可以包括确定其他目标水印的第十一阈值的步骤:分别计算第一目标水印和其他目标水印的点积最大值,其中目标水印i的点积最大值为Pi,max=Si*Si,Si为目标水印i的像素矩阵;分别基于第一目标水印的第十一阈值、以及各目标水印的点击最大值,计算其他目标水印的第十一阈值。其中,多个目标水印分别对应不同的图像尺寸,这样可预先计算中每种图像尺寸的第十一阈值。
这里把标准图像的像素矩阵乘以自身得到点积最大值。因为颜色都取正值,所以认为零是点积可能的最小值,据此可得到每个目标水印的点积最大值和最小值,进而得到其在0与最大值之间的归一化映射值。已知第一目标水印的第十一阈值,通过换算方法即可得到其他目标水印的对应阈值大小。
进一步地,本发明可以把标准图像中不与水印相邻的像素赋值一个小的负数,得到修正后的像素矩阵,以提高水印周围的像素区别,从而避免出现纯白色图与标准图像也能得出最大值造成无法区分的情况。
需要说明的是,以上提到了多个阈值,本发明对每个阈值的取值不作具体限定,其可以根据需要在任意区间内取值,或设定为任意数值,本发明对此不作限制。其中,第一阈值的取值范围为[0.01,0.02],优选地可为0.014。第二阈值的取值范围为[0.95,1],优选地可为0.98。第三阈值的取值范围为[0.9,0.95],优选地可为0.93。第四阈值的取值范围为[0.2,0.3],优选地可为0.25。第五阈值的取值范围为[1,4],优选地可为2。第六阈值的取值范围为[0.5,3],优选地可为1。第七阈值的取值范围为[25,30],优选地可为28。第八阈值的取值范围为[0.05,0.15],优选地可为0.1。第九阈值的取值范围为[2,6],优选地可为4。第十阈值的取值范围为[0.1,1],优选地可为0.5。第十一阈值的取值范围为[0.005,0.01],优选地可为0.007。
步骤S230中用到了多种优先级处理顺序,对于包括多个目标图像的样本集,本发明依次采用上述多种优先级顺序,逐级过滤掉其中不含水印的图像,并将剩下的图像输入到下一优先级进行过滤,这样可以去掉所有不可能有水印的情况,最终剩下的目标图像就可以判断为含有目标水印。
在逐级过滤中,采用关键指标在检测过程中的筛选作用,最容易计算的指标放在最前面,尽可能减少计算需求,提高检测速度。本发明最终采用点积比较算法来进行判断,但单纯的点积比较在图形颜色相对水印差别不大,或噪点过多时效果并不好,因此在点积比较算法之前,可以通过标准差、文件相对大小等指标剔除以上大部分情况,从而大大改善结果的准确率。
在具体实验中,本发明对1万张图的水印识别准确率在95%左右。可见,这种决策树方式的水印检测方法,既保证了检测结果的准确度,又提高了检测速度,实现批量图像的快速高效检测。这种方法适用于任意图像,而不限于面部图像,且在强干扰场景下也有很好的检测效果,更不用标注复杂的样本集来训练神经网络,降低计算工作量。
此外,在步骤S230之后,还可以对所判定的含有目标水印的图像(将这些图像称为候选图像)进行进一步地分析识别,以再次提高识别准确度。例如,可以对各候选图像进行文字识别,识别图像中的文字内容,以判定该文字内容是否为目标水印的文字内容。若是,则判定该候选图像中含有该目标水印,反之,则判定该候选图像中不含该目标水印。这样,结合前期的图像指标识别和后期的文字内容识别,可达到目标水印的百分百识别率。对批量图像采用指标识别,对筛选出的候选图像采用文字识别,在保证识别准确性的前提下,降低整体的计算量。
对于文字内容不是该目标水印的文字内容的图像,可以自动提取该图像内的文字格式、颜色和排版信息,并将该文字内容替换为该目标水印的文字内容,以实现图像水印的等效批量替换,保证批量图像中有水印的图像均为目标水印。
图6示出了根据本发明一个实施例的图像水印检测装置600的结构框图,可以驻留在计算设备100中。如图6所示,装置600包括:图像截取模块610、指标计算模块620和水印确定模块630。
图像截取模块610生成目标水印的标准图像,并按照该标准图像的宽高值批量截取各待测图像中特定部位的图像,得到多张目标图像。图像截取模块610可以进行与上面在步骤S210中描述的处理相对应的处理,这里不再展开赘述。
指标计算模块620基于标准图像计算所述目标图像的颜色指标,所述颜色指标包括颜色标准差、颜色平均值、目标图像压缩后和标准图像压缩后的文件相对大小、目标图像和标准图像的像素矩阵点积中的至少一种。指标计算模块620可以进行与上面在步骤S220中描述的处理相对应的处理,这里不再展开赘述。
水印确定模块630根据所述颜色指标的多种组合方式的优先级顺序依次确定不含目标水印的目标图像,并将剩下的目标图像判定为含有目标水印的图像。水印确定模块630可以根据步骤S230中的多种优先级顺序对图像进行识别过滤,其还可以确定其他目标水印的第十一阈值:分别计算第一目标水印和其他目标水印的点积最大值,其中目标水印i的点积最大值为Pi,max=Si*Si,Si为目标水印i的像素矩阵;分别基于第一目标水印的第十一阈值、以及各目标水印的点击最大值,计算其他目标水印的第十一阈值。
此外,水印确定模块630还可以对所判定的含有目标水印的图像(将这些图像称为候选图像)进行进一步地分析识别,以再次提高识别准确度。例如,可以对各候选图像进行文字识别,识别图像中的文字内容,以判定该文字内容是否为目标水印的文字内容。若是,则判定该候选图像中含有该目标水印,反之,则判定该候选图像中不含该目标水印。对于文字内容不是该目标水印的文字内容的图像,可以自动提取该图像内的文字格式、颜色和排版信息,并将该文字内容替换为该目标水印的文字内容,以实现图像水印的等效批量替换,保证批量图像中有水印的图像均为目标水印。水印确定模块630可以进行与上面在步骤S230中描述的处理相对应的处理,这里不再展开赘述。
根据本发明的技术方案,提供一种快速检验特定水印的方法,只需提供一个特定无干扰的水印,即可将该水印作为模板与待测图像进行计算,检测正确率,计算量小,计算性能高,能实时处理快速大批理处理。
A8、如A6所述的方法,已知第一目标水印的第十一阈值,所述方法还包括确定其他目标水印的第十一阈值的步骤:分别计算第一目标水印和其他目标水印的点积最大值,其中目标水印i的点积最大值为Pi,max=Si*Si,Si为目标水印i的像素矩阵;分别基于所述第一目标水印的第十一阈值、以及各目标水印的点击最大值,计算其他目标水印的第十一阈值。A9、如A1-A8中任一项所述的方法,其中,所述特定部位为与目标图像的右下角相距预定距离的图像区域。
这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被所述机器执行时,所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下,计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件),至少一个输入装置,和至少一个输出装置。其中,存储器被配置用于存储程序代码;处理器被配置用于根据该存储器中存储的所述程序代码中的指令,执行本发明的方法。
以示例而非限制的方式,可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。
在此处所提供的说明书中,算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中,或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外,所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此,具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外,装置实施例的在此所述的元素是如下装置的例子:该装置用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的而非限制性的,本发明的范围由所附权利要求书限定。
Claims (10)
1.一种图像水印检测方法,适于在计算设备中执行,所述方法包括步骤:
生成目标水印的标准图像,并按照该标准图像的宽高值批量截取各待测图像中特定部位的图像,得到多张目标图像;
基于所述标准图像计算所述目标图像的颜色指标,所述颜色指标包括颜色标准差、颜色平均值、目标图像压缩后和标准图像压缩后的文件相对大小、目标图像和标准图像的像素矩阵点积中的至少一种;以及
根据所述颜色指标的多种组合方式的优先级顺序依次确定不含目标水印的目标图像,并将剩下的目标图像判定为含有目标水印的图像。
2.如权利要求1所述的方法,其中,所述颜色指标均为归一化的指标值,所述方法还包括所述文件相对大小的计算步骤:
将与所述标准图像等宽高的单色图按照预定格式压缩后的内存大小作为内存最小值;
将与所述标准图像等宽高的利用随机数生成的白噪声图像按照所述预定格式压缩后的内存大小作为内存最大值;以及
基于所述内存最小值和最大值的归一化映射区间,将所述目标图像按照所述预定格式压缩后的内存大小转换为对应的文件相对大小。
4.如权利要求1-3中任一项所述的方法,其中,所述根据所述颜色指标的多种组合方式的优先级顺序依次确定不含目标水印的目标图像的步骤包括:
在第一优先级中,若所述目标图像的颜色标准差小于第一阈值,则判定该目标图像不含目标水印;
在第二优先级中,若所述目标图像的颜色平均值大于第二阈值,则判定该目标图像不含目标水印;
在第三优先级中,若所述目标图像的颜色平均值大于第三阈值且颜色标准差小于第四阈值,则判定该目标图像不含目标水印。
5.如权利要求1-4中任一项所述的方法,其中,所述根据颜色指标的多种组合方式的优先级顺序依次确定不含目标水印的目标图像的步骤还包括:
在第四优先级中,若所述目标图像的颜色平均值大于第三阈值、颜色标准差小于第四阈值、且文件相对大小大于第五阈值,则判定该目标图像不含目标水印;
在第五优先级中,若所述目标图像的文件相对大小小于第六阈值,则判定该目标图像不含目标水印;
在第六优先级中,若所述目标图像的文件相对大小大于第七阈值,则判定该目标图像不含目标水印。
6.如权利要求1-5中任一项所述的方法,其中,所述根据颜色指标的多种组合方式的优先级顺序依次确定不含目标水印的目标图像的步骤还包括:
在第七优先级中,若所述目标图像的颜色标准差小于第八阈值、相对文件大小小于第九阈值、且像素矩阵点积小于第十阈值,则判定该目标图像不含目标水印;
在第八优先级中,若所述目标图像的像素矩阵点积小于第十一阈值,则判定该目标图像不含目标水印。
7.如权利要求6所述的方法,其中,所述第一阈值为0.014,所述第二阈值为0.98,所述第三阈值为0.93,所述第四阈值为0.25,所述第五阈值为2,所述第六阈值为1,所述第七阈值为28,第八阈值为0.1,第九阈值为4,第十阈值为0.5,第十一阈值为0.007。
8.一种图像水印检测装置,适于驻留在计算设备中,所述装置包括:
图像截取模块,适于生成目标水印的标准图像,并按照该标准图像的宽高值批量截取各待测图像中特定部位的图像,得到多张目标图像;
指标计算模块,适于基于所述标准图像计算所述目标图像的颜色指标,所述颜色指标包括颜色标准差、颜色平均值、目标图像压缩后和标准图像压缩后的文件相对大小、目标图像和标准图像的像素矩阵点积中的至少一种;以及
水印确定模块,适于根据所述颜色指标的多种组合方式的优先级顺序依次确定不含目标水印的目标图像,并将剩下的目标图像判定为含有目标水印的图像。
9.一种计算设备,包括:
存储器;
一个或多个处理器;
一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1-8所述方法中的任一方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当计算设备执行时,使得所述计算设备执行根据权利要求1-8所述的方法中的任一方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010292263.XA CN111681151A (zh) | 2020-04-14 | 2020-04-14 | 一种图像水印检测方法、装置和计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010292263.XA CN111681151A (zh) | 2020-04-14 | 2020-04-14 | 一种图像水印检测方法、装置和计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111681151A true CN111681151A (zh) | 2020-09-18 |
Family
ID=72451645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010292263.XA Pending CN111681151A (zh) | 2020-04-14 | 2020-04-14 | 一种图像水印检测方法、装置和计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681151A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913441A (zh) * | 2016-04-27 | 2016-08-31 | 四川大学 | 一种用于改善视频中目标检测性能的阴影去除方法 |
CN106991423A (zh) * | 2016-01-21 | 2017-07-28 | 腾讯科技(深圳)有限公司 | 识别规格图片中是否包含水印的方法及装置 |
US9959586B1 (en) * | 2016-12-13 | 2018-05-01 | GoAnimate, Inc. | System, method, and computer program for encoding and decoding a unique signature in a video file as a set of watermarks |
CN108269220A (zh) * | 2016-12-30 | 2018-07-10 | 北京思源互联科技有限公司 | 定位数字水印的方法及装置 |
CN108810619A (zh) * | 2018-06-29 | 2018-11-13 | 北京奇虎科技有限公司 | 识别视频中水印的方法、装置和电子设备 |
CN110660115A (zh) * | 2019-08-20 | 2020-01-07 | 海南车智易通信息技术有限公司 | 一种广告图的生成方法、装置及系统 |
-
2020
- 2020-04-14 CN CN202010292263.XA patent/CN111681151A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991423A (zh) * | 2016-01-21 | 2017-07-28 | 腾讯科技(深圳)有限公司 | 识别规格图片中是否包含水印的方法及装置 |
CN105913441A (zh) * | 2016-04-27 | 2016-08-31 | 四川大学 | 一种用于改善视频中目标检测性能的阴影去除方法 |
US9959586B1 (en) * | 2016-12-13 | 2018-05-01 | GoAnimate, Inc. | System, method, and computer program for encoding and decoding a unique signature in a video file as a set of watermarks |
CN108269220A (zh) * | 2016-12-30 | 2018-07-10 | 北京思源互联科技有限公司 | 定位数字水印的方法及装置 |
CN108810619A (zh) * | 2018-06-29 | 2018-11-13 | 北京奇虎科技有限公司 | 识别视频中水印的方法、装置和电子设备 |
CN110660115A (zh) * | 2019-08-20 | 2020-01-07 | 海南车智易通信息技术有限公司 | 一种广告图的生成方法、装置及系统 |
Non-Patent Citations (2)
Title |
---|
MARZIEH AMINI: ""Multichannel color image watermark detection utilizing vector-based hidden Markov model"", 《IEEE》, 31 May 2017 (2017-05-31) * |
马玲: ""基于内积空间非空子空间变换关系的含水印彩色图像特征分析"", 《》, vol. 40, no. 5, 31 May 2017 (2017-05-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10319096B2 (en) | Automated tattoo recognition techniques | |
EP3396625A1 (en) | Image tampering detection method and system, electronic apparatus and storage medium | |
CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
CN111507957B (zh) | 身份证图片转换方法、装置、计算机设备及存储介质 | |
WO2020143325A1 (zh) | 一种电子文档的生成方法及设备 | |
CN109993221B (zh) | 一种图像分类方法及装置 | |
CN111160169B (zh) | 人脸检测方法、装置、设备及计算机可读存储介质 | |
CN112651953B (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
CN109740417B (zh) | 发票类型识别方法、装置、存储介质和计算机设备 | |
CN110766007B (zh) | 证件遮挡检测方法、装置、设备及可读存储介质 | |
CN115131714A (zh) | 视频图像智能检测分析方法及系统 | |
WO2021159802A1 (zh) | 图形验证码识别方法、装置、计算机设备及存储介质 | |
CN111489347B (zh) | 营业执照图片质量检测方法、装置、计算机设备及存储介质 | |
CN108960246B (zh) | 一种用于图像识别的二值化处理装置及方法 | |
WO2020082731A1 (zh) | 电子装置、证件识别方法及存储介质 | |
CN108268778B (zh) | 数据处理方法、装置及存储介质 | |
CN113052234A (zh) | 一种基于图像特征和深度学习技术的玉石分类方法 | |
CN111681151A (zh) | 一种图像水印检测方法、装置和计算设备 | |
CN115798004A (zh) | 基于局部区域的人脸打卡方法、装置、电子设备及介质 | |
CN115527024A (zh) | 一种基于图像信息的检测定位方法及系统 | |
CN112084874B (zh) | 一种物体检测方法、装置及终端设备 | |
CN111178340B (zh) | 图像识别方法及图像识别模型的训练方法 | |
CN116958138B (zh) | 一种用于桥梁检测的取样控制方法、系统、设备及介质 | |
CN116071658B (zh) | 一种基于深度学习的sar图像小目标检测识别方法及设备 | |
CN113538291B (zh) | 卡证图像倾斜校正方法、装置、计算机设备和存储介质 |
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 |