CN116703685A - 图像去水印方法、装置、设备和介质 - Google Patents

图像去水印方法、装置、设备和介质 Download PDF

Info

Publication number
CN116703685A
CN116703685A CN202310735603.5A CN202310735603A CN116703685A CN 116703685 A CN116703685 A CN 116703685A CN 202310735603 A CN202310735603 A CN 202310735603A CN 116703685 A CN116703685 A CN 116703685A
Authority
CN
China
Prior art keywords
image
watermark
target
initial
gray
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
Application number
CN202310735603.5A
Other languages
English (en)
Inventor
许啸
王雪霏
程元鸿
李沅坷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202310735603.5A priority Critical patent/CN116703685A/zh
Publication of CN116703685A publication Critical patent/CN116703685A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种图像去水印方法、装置、计算机设备和存储介质，涉及信息安全技术领域，可用于金融科技领域。可用于金融科技领域或其他相关领域。所述方法包括：获取目标图像，将目标图像进行灰度处理得到灰度图像，基于灰度图像中每相邻两个像素点的灰度值，计算每相邻两个像素点对应的边权重值；针对每一像素点，确定像素点的最佳邻居节点；基于最佳邻居节点和社团结构检测算法，得到目标水印区域；基于目标水印区域，将目标图像分别处理为初始不带水印图和初始水印轮廓位置图，并基于生成对抗网络，将初始不带水印图和初始水印轮廓位置图处理为目标去水印图像。本申请提供的方法，能够将带有水印的目标图像处理为和原图像一致的目标去水印图像。

Description

图像去水印方法、装置、设备和介质
技术领域
本申请涉及信息安全技术领域，特别是涉及一种图像去水印方法、装置、计算机设备和存储介质。
背景技术
水印在日常生活中随处可见，它是一种保护图像图片版权的机制，防止未经许可或授权的使用。但是，有些网站或者软件会自动给用户发布的图像打上水印，这会让用户在使用这些图片时产生困扰。
目前，用户主要是使用图像处理软件photoshop、Teorex和去水印软件Inpaint等工具，去除图像上的水印。但是，这些工具很难将去除水印后的图片恢复至原貌。
发明内容
基于此，有必要针对上述技术问题，提供一种能够完全将图像恢复至原貌的图像去水印方法、装置、计算机设备和计算机可读存储介质。
第一方面，本申请提供了一种图像去水印方法，所述方法包括：
获取目标图像，将所述目标图像进行灰度处理得到灰度图像，基于灰度图像中每相邻两个像素点的灰度值，计算每相邻两个像素点对应的边权重值；
针对每一像素点，将所述像素点对应的所有边权重值中的最大值，确定为所述像素点的最佳边权重值，并将所述最佳边权重值对应的另一像素点，确定为所述像素点的最佳邻居节点；
基于所述最佳邻居节点和社团结构检测算法，得到目标水印区域；
基于所述目标水印区域，将所述目标图像分别处理为初始不带水印图和初始水印轮廓位置图，并基于生成对抗网络，将所述初始不带水印图和所述初始水印轮廓位置图处理为目标去水印图像，所述生成对抗网络包括生成器和判别器。
在其中一个实施例中，所述基于灰度图像中每相邻两个像素点的灰度值，计算每相邻两个像素点对应的边权重值之前，包括：
获取所述灰度图像中每个像素点的每个通道的灰度值；
基于每个通道的灰度值和每个通道对应的预设权重值，计算所述像素点的灰度值。
在其中一个实施例中，所述基于所述最佳邻居节点和社团结构检测算法，得到目标水印区域，包括：
将所有具有相同最佳邻居节点的像素点、以及所述最佳邻居节点确定为一个社团；
基于所述社团结构检测算法，对所有社团进行整合聚类，得到多个可疑水印区域；
从多个可疑水印区域中，确定所述目标水印区域。
在其中一个实施例中，所述方法还包括：所述初始不带水印图中目标水印区域的所有像素点的像素值均为0；所述初始水印轮廓位置图中目标水印区域的所有像素点的像素值均为255，剩余区域的所有像素点的像素值均为0。
在其中一个实施例中，所述生成器包括超分辨率网络和基于空洞卷积的编解码器网络；所述基于生成对抗网络，将所述初始不带水印图和所述初始水印轮廓位置图处理为目标去水印图像，包括：
利用所述编解码器网络，对所述初始不带水印图进行修复，得到目标不带水印图；
利用所述超分辨率网络，对所述初始水印位置轮廓图进行优化，得到目标水印位置轮廓图；
基于所述目标不带水印图、所述目标水印位置轮廓图、以及所述生成对抗网络，生成目标去水印图像。
在其中一个实施例中，所述基于所述目标不带水印图、所述目标水印位置轮廓图、以及所述生成对抗网络，生成目标去水印图像，包括：
将所述目标不带水印图和所述目标水印位置轮廓图中相应位置的像素点的像素值相加，得到初始去水印图像；
基于生成对抗网络，对所述初始去水印图像进行优化，得到目标去水印图像。
在其中一个实施例中，所述基于生成对抗网络，对所述初始去水印图像进行优化，得到目标去水印图像，包括：
将所述初始去水印图像输入所述生成器，得到中间去水印图像；
将所述中间去水印图像输入所述判别器，判断生成对抗损失是否满足预设的收敛条件，若满足，则将所述中间去水印图像确定为所述目标去水印图像；
若不满足，则在对所述生成器或者所述判别器进行参数调整后，返回将所述初始去水印图像输入所述生成器的步骤，并继续执行。
第二方面，本申请还提供了一种图像去水印装置，所述装置包括：
第一获取模块，用于获取目标图像，将所述目标图像进行灰度处理得到灰度图像，基于灰度图像中每相邻两个像素点的灰度值，计算每相邻两个像素点对应的边权重值；
确定模块，用于针对每一像素点，将所述像素点对应的所有边权重值中的最大值，确定为所述像素点的最佳边权重值，并将所述最佳边权重值对应的另一像素点，确定为所述像素点的最佳邻居节点；
第二获取模块，用于基于所述最佳邻居节点和社团结构检测算法，得到目标水印区域；
处理模块，用于基于所述目标水印区域，将所述目标图像分别处理为初始不带水印图和初始水印轮廓位置图，并基于生成对抗网络，将所述初始不带水印图和所述初始水印轮廓位置图处理为目标去水印图像，所述生成对抗网络包括生成器和判别器。
第三方面，本申请还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的任意一个实施例中的方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的任意一个实施例中的方法的步骤。
上述图像去水印方法、装置、计算机设备和存储介质，获取目标图像，将目标图像进行灰度处理得到灰度图像，基于灰度图像中每相邻两个像素点的灰度值，计算每相邻两个像素点对应的边权重值；针对每一像素点，将像素点对应的所有边权重值中的最大值，确定为像素点的最佳边权重值，并将最佳边权重值对应的另一像素点，确定为像素点的最佳邻居节点；基于最佳邻居节点和社团结构检测算法，得到目标水印区域；基于目标水印区域，将目标图像分别处理为初始不带水印图和初始水印轮廓位置图，并基于生成对抗网络，将初始不带水印图和初始水印轮廓位置图处理为目标去水印图像，生成对抗网络包括生成器和判别器。本申请提供的方法，基于最佳邻居节点和社团结构检测算法，得到目标水印区域，能够更精准的确定目标水印区域；并基于生成对抗网络，将带有水印的目标图像处理为和原图像一致的目标去水印图像。
附图说明
图1为一个实施例中图像去水印方法的流程示意图；
图2为一个实施例中目标去水印图像生成方法的流程示意图；
图3为另一个实施例中像素点的灰度值计算方法的流程示意图；
图4为一个实施例中图像去水印装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种图像去水印方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
S102、获取目标图像，将目标图像进行灰度处理得到灰度图像，基于灰度图像中每相邻两个像素点的灰度值，计算每相邻两个像素点对应的边权重值。
其中，目标图像中带有水印；目标图像中的每个像素点均包括R(红色)通道、G(绿色)通道以及B(蓝色)通道；灰度处理是针对目标图像中的每个像素点，将该像素点的三个通道的像素值处理为同一个值，这同一个值就是该像素点的灰度值，灰度值的取值范围为[0,255]；灰度处理的方法可以为最大值法、平均值法或者加权平均法，灰度处理也可以使用其他方法，本申请实施例对此不作具体限定。
具体地，最大值法是将目标图像中每个像素点的三个通道的像素值中的最大值，确定为该像素点中这三个通道的新的像素值。如下式所示：
R2＝G2＝B2＝max(R1，G1，B1)
式中，R1、G1、B1分别为灰度处理前R通道、G通道以及B通道的像素值，R2、G2、B2分别为灰度处理后R通道、G通道以及B通道的像素值。
平均值法是将目标图像中每个像素点的三个通道的像素值的平均值，确定为该像素点中这三个通道的新的像素值。如下式所示：
R2＝G2＝B2＝(R1+G1+B1)/3
加权平均法是将目标图像中每个像素点的三个通道的像素值以不同的权值进行加权平均，将得到的加权平均值确定为该像素点中这三个通道的新的像素值。如下式所示：
R2＝G2＝B2＝0.299R1+0.578G1+0.114B1
另外，将灰度图像看作网络拓扑图，其中，灰度图像中的每个像素点作为网络拓扑图中的网络节点，每相邻两个像素点间的连线作为网络拓扑图中的一条边，每个像素点的节点权重值如下式所示：
式中，Wx为像素点的节点权重值，Gx为像素点的灰度值。
每条边的边权重值如下式所示：
式中，V(x，y)为边权重值，Gx和Gy分别为这条边上的两个像素点。
S104、针对每一像素点，将像素点对应的所有边权重值中的最大值，确定为像素点的最佳边权重值，并将最佳边权重值对应的另一像素点，确定为像素点的最佳邻居节点。
其中，由于在社团结构检测算法中，属于相同社团的节点，它们之间的相似性比较高，属于不同社团的节点，它们之间的相似性比较低，因此，本申请采用社团结构检测算法对灰度图像进行社团分析，得到多个网络节点社团，每一个网络节点社团，就是一个可疑水印区域集合。本申请采用边权重值进行社团分析，在其他实施例中，也可以采用节点权重值进行社团分析，本申请实施例对此不作具体限定。
S106、基于最佳邻居节点和社团结构检测算法，得到目标水印区域。
其中，社团结构检测算法是网络分析中的一种方法，用于发现网络中的社团结构，社团结构是指网络中由密切关联的节点组成的分组，社团结构检测算法可以为模块度最大化算法、层次化社团检测算法、多片网络社团检测算法或者空间网络社团检测算法，社团结构检测算法也可以为其他算法，本申请实施例对此不作具体限定。
具体地，以最佳邻居节点为每个社团的核心节点，在灰度图像中形成多个社团，使用社团结构检测算法，对这些社团进行聚类，得到多个可疑水印区域，最后从多个可疑水印区域中，筛选出带有水印的目标水印区域。
S108、基于目标水印区域，将目标图像分别处理为初始不带水印图和初始水印轮廓位置图，并基于生成对抗网络，将初始不带水印图和初始水印轮廓位置图处理为目标去水印图像，生成对抗网络包括生成器和判别器。
其中，初始不带水印图是将目标图像中目标水印区域的所有像素点的像素值进行处理后得到的，初始水印轮廓位置图是将目标图像中目标水印区域的所有像素点的像素值和剩余区域的所有像素点的像素值分别进行不同的处理后得到的。生成器通过接收输入数据，学习训练数据的分布来生成目标数据；判别器通常是一个二分类模型，用来判别生成器生成数据的真假性。
具体地，如图2所示，利用生成器对初始不带水印图和初始水印轮廓位置图进行优化，将优化后的目标不带水印图和目标水印位置轮廓图进行合并处理，得到初始去水印图像，将初始去水印图像输入生成对抗网络，得到目标去水印图像。
其中，将初始去水印图像输入生成对抗网络，得到目标去水印图像的过程为：首先，固定生成器的参数不变，对判别器进行训练，将初始去水印图像输入生成器，生成器基于预设数据集，生成一个中间去水印图像，将中间去水印图像输入判别器，判别器基于预设数据集，判断中间去水印图像是目标图像的不带水印的原始图像，还是由生成器生成的图像，并在这个过程中调整判别器的参数，以使得判别器尽可能对中间去水印图像进行区分，其中，预设数据集中包括大量与目标图像相似的不带水印的图像；然后，将经过参数调整后的判别器的参数固定不变，对生成器进行训练，将中间去水印图像输入经过训练后的判别器，继续让判别器进行上述判断过程，并在这个过程中调整生成器的参数，以使得判别器尽可能对中间去水印图像无法做出区分。将初始去水印图像输入经过参数调整后的生成器，重复上述过程，对参数调整后的判别器和生成器进行训练，直至生成对抗损失满足预设的收敛条件，停止训练，此时生成器输出的图像即为目标去水印图像。
生成对抗网络的损失函数如下：
LD＝LGAN-D
式中，LG为生成器损失，LD为判别器损失，SSIM为结构相似性衡量指标，x为输出图像，y为基准图像，M为图像分割的图像块个数，LGAN-G和LGAN-D分别为对抗生成网络使用的生成器损失和判别器损失。
上述图像去水印方法中，获取目标图像，将目标图像进行灰度处理得到灰度图像，基于灰度图像中每相邻两个像素点的灰度值，计算每相邻两个像素点对应的边权重值；针对每一像素点，将像素点对应的所有边权重值中的最大值，确定为像素点的最佳边权重值，并将最佳边权重值对应的另一像素点，确定为像素点的最佳邻居节点；基于最佳邻居节点和社团结构检测算法，得到目标水印区域；基于目标水印区域，将目标图像分别处理为初始不带水印图和初始水印轮廓位置图，并基于生成对抗网络，将初始不带水印图和初始水印轮廓位置图处理为目标去水印图像，生成对抗网络包括生成器和判别器。本申请提供的方法，基于最佳邻居节点和社团结构检测算法，得到目标水印区域，能够更精准的确定目标水印区域；并基于生成对抗网络，将带有水印的目标图像处理为和原图像一致的目标去水印图像。
在一些实施例中，如图3所示，基于灰度图像中每相邻两个像素点的灰度值，计算每相邻两个像素点对应的边权重值之前，包括：
S302、获取灰度图像中每个像素点的每个通道的灰度值。
其中，在灰度图像中，灰度值和像素值相等。
S304、基于每个通道的灰度值和每个通道对应的预设权重值，计算像素点的灰度值。
其中，本实施例使用的是加权平均法计算每个像素点的灰度值，在其他实施例中，也可以使用最大值法或者平均值法，本申请实施例对此不作具体限定。
本步骤中，通过对每个像素点的灰度值的计算，使得对于边权重值的计算更加准确。
在一些实施例中，基于最佳邻居节点和社团结构检测算法，得到目标水印区域，包括：将所有具有相同最佳邻居节点的像素点、以及最佳邻居节点确定为一个社团；基于社团结构检测算法，对所有社团进行整合聚类，得到多个可疑水印区域；从多个可疑水印区域中，确定目标水印区域。
其中，若社团结构检测算法为模块度最大化算法，该方法是通过计算不同社团间的模块度的模块度增量，对社团进行整合聚类，得到多个新的社团，重复这个过程，直至模块度不再增加，将此时得到的多个新社团确定为多个可疑水印区域。
本步骤中，基于社团结构检测算法，对所有社团进行整合聚类，最终得到目标水印区域，使得得到的目标水印区域更加准确。
在一些实施例中，上述方法还包括：初始不带水印图中目标水印区域的所有像素点的像素值均为0；初始水印轮廓位置图中目标水印区域的所有像素点的像素值均为255，剩余区域的所有像素点的像素值均为0。
其中，像素值为0的像素点均为黑色，像素值为255的像素点均为白色。
本步骤中，通过对目标图像进行不同处理，使得后续生成对抗网络对于初始不带水印图的处理更加准确。
在一些实施例中，生成器包括超分辨率网络和基于空洞卷积的编解码器网络；基于生成对抗网络，将初始不带水印图和初始水印轮廓位置图处理为目标去水印图像，包括：利用编解码器网络，对初始不带水印图进行修复，得到目标不带水印图；利用超分辨率网络，对初始水印位置轮廓图进行优化，得到目标水印位置轮廓图；基于目标不带水印图、目标水印位置轮廓图、以及生成对抗网络，生成目标去水印图像。
其中，将初始不带水印图作为待修复图像，利用基于空洞卷积的编解码器网络，如跨层连接的U-net模型进行修复，初始水印轮廓位置图作为辅助图像，利用超分辨率网络，如SRCNN模型、VDSR模型对水印内部细节进行调整和优化。
本步骤中，利用超分辨率网络和编解码器网络分别对初始水印位置轮廓图和初始不带水印图进行优化，使得后续生成的目标去水印图像更加准确。
在一些实施例中，基于目标不带水印图、目标水印位置轮廓图、以及生成对抗网络，生成目标去水印图像，包括：将目标不带水印图和目标水印位置轮廓图中相应位置的像素点的像素值相加，得到初始去水印图像；基于生成对抗网络，对初始去水印图像进行优化，得到目标去水印图像。
其中，对初始去水印图像进行优化的过程，即是通过不断训练生成器和判别器，使得生成器输出的图像越来越接近原始图像的过程。
本步骤中，通过不断训练生成器和判别器，使得最终输出的目标去水印图像尽可能接近原始图像。
在一些实施例中，基于生成对抗网络，对初始去水印图像进行优化，得到目标去水印图像，包括：将初始去水印图像输入生成器，得到中间去水印图像；将中间去水印图像输入判别器，判断生成对抗损失是否满足预设的收敛条件，若满足，则将中间去水印图像确定为目标去水印图像；若不满足，则在对生成器或者判别器进行参数调整后，返回将初始去水印图像输入生成器的步骤，并继续执行。
其中，在对生成器和判别器进行训练的过程中，生成器和判别器的性能均是越来越优异，因此，生成器生成的中间图像也越来越接近目标图像的不带水印的原始图像。
本步骤中，通过调整生成器和判别器的参数，使得生成器和判别器的性能越来越好，从而使得最终得到的目标去水印图像越来越接近原始图像。
在一个实施例中，提供了另一种图像去水印方法，该方法包括以下内容：
(1)利用复杂网络的社团分析方法对目标图像进行像素点社团分析，首先将图像进行灰度处理，得到每个像素点的灰度值，取值范围[0,255]。将像素点作为复杂网络节点，以任意两个相邻像素点间通过边进行连接，构成网络拓扑图。
属于相同社团的像素节点，它们之间的相似性应该比较高；属于不同社团的节点，它们之间的相似性应该比较低。对具有节点权重和边权重的网络拓扑利用基于相似度的社团分析方法进行社团分析，得到多个网络节点社团,即为可疑水印区域集合。其中，社团发现方法可如下设计：
步骤一：输入待处理网络拓扑结构，相似度采用边权重值。
步骤二：找到每个节点相似度最大的邻居节点，即为最佳邻居节点。
步骤三：把具有相同最佳邻居节点的节点进行合并，并选取作为最佳邻居节点次数最多的节点作为该社团的核心节点，以核心节点表示该社团。此步骤会得到多个小社团。
步骤四：利用CNM算法聚类：将小社团看成一个节点，计算模块度增量进行社团整合聚类。
步骤五：重复步骤四，直到模块度不再增加为止，此时社团结构最优。
(2)对可疑水印区域集合进行人为筛选，选定水印区域。
(3)对水印修复区域进行预处理，获取不带水印图和水印轮廓位置图。其中，不带水印图：将确定为水印区域的像素置成0，其他像素保持不变。水印轮廓位置图：将水印区域像素置成255，其他非水印区域置成0。
不带水印图作为待修复图像，利用基于空洞卷积的编解码器网络，如跨层连接的U-net模型进行修复。水印轮廓位置图作为辅助图像，利用超分辨率网络，如SRCNN、VDSR模型对水印内部细节进行调整和优化。两个模型组成整个生成器，将两个模型的输出结果进行相加，输出不带水印的的图像。为了提升效果，后续将结果添加至判别器，与生成器进行交替训练，不断优化复原结果。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的图像去水印方法的图像去水印装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个图像去水印装置实施例中的具体限定可以参见上文中对于图像去水印方法的限定，在此不再赘述。
在一个实施例中，如图4所示，提供了一种图像去水印装置400，包括：第一获取模块401、确定模块402、第二获取模块403和处理模块404，其中：
第一获取模块401，用于获取目标图像，将所述目标图像进行灰度处理得到灰度图像，基于灰度图像中每相邻两个像素点的灰度值，计算每相邻两个像素点对应的边权重值。
确定模块402，用于针对每一像素点，将所述像素点对应的所有边权重值中的最大值，确定为所述像素点的最佳边权重值，并将所述最佳边权重值对应的另一像素点，确定为所述像素点的最佳邻居节点。
第二获取模块403，用于基于所述最佳邻居节点和社团结构检测算法，得到目标水印区域。
处理模块404，用于基于所述目标水印区域，将所述目标图像分别处理为初始不带水印图和初始水印轮廓位置图，并基于生成对抗网络，将所述初始不带水印图和所述初始水印轮廓位置图处理为目标去水印图像，所述生成对抗网络包括生成器和判别器。
在一些实施例中，图像去水印装置400，具体用于：获取所述灰度图像中每个像素点的每个通道的灰度值；基于每个通道的灰度值和每个通道对应的预设权重值，计算所述像素点的灰度值。
在一些实施例中，第二获取模块403，还用于：将所有具有相同最佳邻居节点的像素点、以及所述最佳邻居节点确定为一个社团；基于所述社团结构检测算法，对所有社团进行整合聚类，得到多个可疑水印区域；从多个可疑水印区域中，确定所述目标水印区域。
在一些实施例中，图像去水印装置400，还用于：所述初始不带水印图中目标水印区域的所有像素点的像素值均为0；所述初始水印轮廓位置图中目标水印区域的所有像素点的像素值均为255，剩余区域的所有像素点的像素值均为0。
在一些实施例中，处理模块404，包括：
修复单元，用于利用所述编解码器网络，对所述初始不带水印图进行修复，得到目标不带水印图。
优化单元，用于利用所述超分辨率网络，对所述初始水印位置轮廓图进行优化，得到目标水印位置轮廓图。
生成单元，用于基于所述目标不带水印图、所述目标水印位置轮廓图、以及所述生成对抗网络，生成目标去水印图像。
在一些实施例中，生成单元，包括：
求和子单元，用于将所述目标不带水印图和所述目标水印位置轮廓图中相应位置的像素点的像素值相加，得到初始去水印图像。
优化子单元，用于基于生成对抗网络，对所述初始去水印图像进行优化，得到目标去水印图像。
在一些实施例中，优化子单元，还用于：将所述初始去水印图像输入所述生成器，得到中间去水印图像；将所述中间去水印图像输入所述判别器，判断生成对抗损失是否满足预设的收敛条件，若满足，则将所述中间去水印图像确定为所述目标去水印图像；若不满足，则在对所述生成器或者所述判别器进行参数调整后，返回将所述初始去水印图像输入所述生成器的步骤，并继续执行。
上述图像去水印装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像去水印方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取目标图像，将所述目标图像进行灰度处理得到灰度图像，基于灰度图像中每相邻两个像素点的灰度值，计算每相邻两个像素点对应的边权重值；针对每一像素点，将所述像素点对应的所有边权重值中的最大值，确定为所述像素点的最佳边权重值，并将所述最佳边权重值对应的另一像素点，确定为所述像素点的最佳邻居节点；基于所述最佳邻居节点和社团结构检测算法，得到目标水印区域；基于所述目标水印区域，将所述目标图像分别处理为初始不带水印图和初始水印轮廓位置图，并基于生成对抗网络，将所述初始不带水印图和所述初始水印轮廓位置图处理为目标去水印图像，所述生成对抗网络包括生成器和判别器。
在一个实施例中，处理器执行计算机程序时所实现的基于灰度图像中每相邻两个像素点的灰度值，计算每相邻两个像素点对应的边权重值之前，包括：获取所述灰度图像中每个像素点的每个通道的灰度值；基于每个通道的灰度值和每个通道对应的预设权重值，计算所述像素点的灰度值。
在一个实施例中，处理器执行计算机程序时所实现的基于所述最佳邻居节点和社团结构检测算法，得到目标水印区域，包括：将所有具有相同最佳邻居节点的像素点、以及所述最佳邻居节点确定为一个社团；基于所述社团结构检测算法，对所有社团进行整合聚类，得到多个可疑水印区域；从多个可疑水印区域中，确定所述目标水印区域。
在一个实施例中，处理器执行计算机程序时所实现的方法还包括：所述初始不带水印图中目标水印区域的所有像素点的像素值均为0；所述初始水印轮廓位置图中目标水印区域的所有像素点的像素值均为255，剩余区域的所有像素点的像素值均为0。
在一个实施例中，处理器执行计算机程序时所实现的生成器包括超分辨率网络和基于空洞卷积的编解码器网络；所述基于生成对抗网络，将所述初始不带水印图和所述初始水印轮廓位置图处理为目标去水印图像，包括：利用所述编解码器网络，对所述初始不带水印图进行修复，得到目标不带水印图；利用所述超分辨率网络，对所述初始水印位置轮廓图进行优化，得到目标水印位置轮廓图；基于所述目标不带水印图、所述目标水印位置轮廓图、以及所述生成对抗网络，生成目标去水印图像。
在一个实施例中，处理器执行计算机程序时所实现的基于所述目标不带水印图、所述目标水印位置轮廓图、以及所述生成对抗网络，生成目标去水印图像，包括：将所述目标不带水印图和所述目标水印位置轮廓图中相应位置的像素点的像素值相加，得到初始去水印图像；基于生成对抗网络，对所述初始去水印图像进行优化，得到目标去水印图像。
在一个实施例中，处理器执行计算机程序时所实现的基于生成对抗网络，对所述初始去水印图像进行优化，得到目标去水印图像，包括：将所述初始去水印图像输入所述生成器，得到中间去水印图像；将所述中间去水印图像输入所述判别器，判断生成对抗损失是否满足预设的收敛条件，若满足，则将所述中间去水印图像确定为所述目标去水印图像；若不满足，则在对所述生成器或者所述判别器进行参数调整后，返回将所述初始去水印图像输入所述生成器的步骤，并继续执行。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取目标图像，将所述目标图像进行灰度处理得到灰度图像，基于灰度图像中每相邻两个像素点的灰度值，计算每相邻两个像素点对应的边权重值；针对每一像素点，将所述像素点对应的所有边权重值中的最大值，确定为所述像素点的最佳边权重值，并将所述最佳边权重值对应的另一像素点，确定为所述像素点的最佳邻居节点；基于所述最佳邻居节点和社团结构检测算法，得到目标水印区域；基于所述目标水印区域，将所述目标图像分别处理为初始不带水印图和初始水印轮廓位置图，并基于生成对抗网络，将所述初始不带水印图和所述初始水印轮廓位置图处理为目标去水印图像，所述生成对抗网络包括生成器和判别器。
在一个实施例中，计算机程序被处理器执行时所实现的基于灰度图像中每相邻两个像素点的灰度值，计算每相邻两个像素点对应的边权重值之前，包括：获取所述灰度图像中每个像素点的每个通道的灰度值；基于每个通道的灰度值和每个通道对应的预设权重值，计算所述像素点的灰度值。
在一个实施例中，计算机程序被处理器执行时所实现的基于所述最佳邻居节点和社团结构检测算法，得到目标水印区域，包括：将所有具有相同最佳邻居节点的像素点、以及所述最佳邻居节点确定为一个社团；基于所述社团结构检测算法，对所有社团进行整合聚类，得到多个可疑水印区域；从多个可疑水印区域中，确定所述目标水印区域。
在一个实施例中，计算机程序被处理器执行时所实现的方法还包括：所述初始不带水印图中目标水印区域的所有像素点的像素值均为0；所述初始水印轮廓位置图中目标水印区域的所有像素点的像素值均为255，剩余区域的所有像素点的像素值均为0。
在一个实施例中，计算机程序被处理器执行时所实现的生成器包括超分辨率网络和基于空洞卷积的编解码器网络；所述基于生成对抗网络，将所述初始不带水印图和所述初始水印轮廓位置图处理为目标去水印图像，包括：利用所述编解码器网络，对所述初始不带水印图进行修复，得到目标不带水印图；利用所述超分辨率网络，对所述初始水印位置轮廓图进行优化，得到目标水印位置轮廓图；基于所述目标不带水印图、所述目标水印位置轮廓图、以及所述生成对抗网络，生成目标去水印图像。
在一个实施例中，计算机程序被处理器执行时所实现的基于所述目标不带水印图、所述目标水印位置轮廓图、以及所述生成对抗网络，生成目标去水印图像，包括：将所述目标不带水印图和所述目标水印位置轮廓图中相应位置的像素点的像素值相加，得到初始去水印图像；基于生成对抗网络，对所述初始去水印图像进行优化，得到目标去水印图像。
在一个实施例中，计算机程序被处理器执行时所实现的基于生成对抗网络，对所述初始去水印图像进行优化，得到目标去水印图像，包括：将所述初始去水印图像输入所述生成器，得到中间去水印图像；将所述中间去水印图像输入所述判别器，判断生成对抗损失是否满足预设的收敛条件，若满足，则将所述中间去水印图像确定为所述目标去水印图像；若不满足，则在对所述生成器或者所述判别器进行参数调整后，返回将所述初始去水印图像输入所述生成器的步骤，并继续执行。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像去水印方法，其特征在于，所述方法包括：
获取目标图像，将所述目标图像进行灰度处理得到灰度图像，基于灰度图像中每相邻两个像素点的灰度值，计算每相邻两个像素点对应的边权重值；
针对每一像素点，将所述像素点对应的所有边权重值中的最大值，确定为所述像素点的最佳边权重值，并将所述最佳边权重值对应的另一像素点，确定为所述像素点的最佳邻居节点；
基于所述最佳邻居节点和社团结构检测算法，得到目标水印区域；
基于所述目标水印区域，将所述目标图像分别处理为初始不带水印图和初始水印轮廓位置图，并基于生成对抗网络，将所述初始不带水印图和所述初始水印轮廓位置图处理为目标去水印图像，所述生成对抗网络包括生成器和判别器。
2.根据权利要求1所述的方法，其特征在于，所述基于灰度图像中每相邻两个像素点的灰度值，计算每相邻两个像素点对应的边权重值之前，包括：
获取所述灰度图像中每个像素点的每个通道的灰度值；
基于每个通道的灰度值和每个通道对应的预设权重值，计算所述像素点的灰度值。
3.根据权利要求1所述的方法，其特征在于，所述基于所述最佳邻居节点和社团结构检测算法，得到目标水印区域，包括：
将所有具有相同最佳邻居节点的像素点、以及所述最佳邻居节点确定为一个社团；
基于所述社团结构检测算法，对所有社团进行整合聚类，得到多个可疑水印区域；
从多个可疑水印区域中，确定所述目标水印区域。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：所述初始不带水印图中目标水印区域的所有像素点的像素值均为0；所述初始水印轮廓位置图中目标水印区域的所有像素点的像素值均为255，剩余区域的所有像素点的像素值均为0。
5.根据权利要求1所述的方法，其特征在于，所述生成器包括超分辨率网络和基于空洞卷积的编解码器网络；所述基于生成对抗网络，将所述初始不带水印图和所述初始水印轮廓位置图处理为目标去水印图像，包括：
利用所述编解码器网络，对所述初始不带水印图进行修复，得到目标不带水印图；
利用所述超分辨率网络，对所述初始水印位置轮廓图进行优化，得到目标水印位置轮廓图；
基于所述目标不带水印图、所述目标水印位置轮廓图、以及所述生成对抗网络，生成目标去水印图像。
6.根据权利要求5所述的方法，其特征在于，所述基于所述目标不带水印图、所述目标水印位置轮廓图、以及所述生成对抗网络，生成目标去水印图像，包括：
将所述目标不带水印图和所述目标水印位置轮廓图中相应位置的像素点的像素值相加，得到初始去水印图像；
基于生成对抗网络，对所述初始去水印图像进行优化，得到目标去水印图像。
7.根据权利要求6所述的方法，其特征在于，所述基于生成对抗网络，对所述初始去水印图像进行优化，得到目标去水印图像，包括：
将所述初始去水印图像输入所述生成器，得到中间去水印图像；
将所述中间去水印图像输入所述判别器，判断生成对抗损失是否满足预设的收敛条件，若满足，则将所述中间去水印图像确定为所述目标去水印图像；
若不满足，则在对所述生成器或者所述判别器进行参数调整后，返回将所述初始去水印图像输入所述生成器的步骤，并继续执行。
8.一种图像去水印装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标图像，将所述目标图像进行灰度处理得到灰度图像，基于灰度图像中每相邻两个像素点的灰度值，计算每相邻两个像素点对应的边权重值；
确定模块，用于针对每一像素点，将所述像素点对应的所有边权重值中的最大值，确定为所述像素点的最佳边权重值，并将所述最佳边权重值对应的另一像素点，确定为所述像素点的最佳邻居节点；
第二获取模块，用于基于所述最佳邻居节点和社团结构检测算法，得到目标水印区域；
处理模块，用于基于所述目标水印区域，将所述目标图像分别处理为初始不带水印图和初始水印轮廓位置图，并基于生成对抗网络，将所述初始不带水印图和所述初始水印轮廓位置图处理为目标去水印图像，所述生成对抗网络包括生成器和判别器。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202310735603.5A 2023-06-20 2023-06-20 图像去水印方法、装置、设备和介质 Pending CN116703685A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310735603.5A CN116703685A (zh) 2023-06-20 2023-06-20 图像去水印方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310735603.5A CN116703685A (zh) 2023-06-20 2023-06-20 图像去水印方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN116703685A true CN116703685A (zh) 2023-09-05

Family

ID=87840846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310735603.5A Pending CN116703685A (zh) 2023-06-20 2023-06-20 图像去水印方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN116703685A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993743A (zh) * 2023-09-28 2023-11-03 南方电网数字电网研究院有限公司 输电线路舞动幅度检测方法、装置、设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993743A (zh) * 2023-09-28 2023-11-03 南方电网数字电网研究院有限公司 输电线路舞动幅度检测方法、装置、设备和存储介质
CN116993743B (zh) * 2023-09-28 2024-03-19 南方电网数字电网研究院有限公司 输电线路舞动幅度检测方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
Mun et al. Finding robust domain from attacks: A learning framework for blind watermarking
CN111199214B (zh) 一种残差网络多光谱图像地物分类方法
CN110349136A (zh) 一种基于深度学习的篡改图像检测方法
GB2581374A (en) 3D Face reconstruction system and method
CN102903071B (zh) 水印添加方法及系统、水印识别方法及系统
Chen et al. Remote sensing image quality evaluation based on deep support value learning networks
CN111209858B (zh) 一种基于深度卷积神经网络的实时车牌检测方法
CN110232650B (zh) 一种彩色图像水印嵌入方法、检测方法及系统
CN109685772B (zh) 一种基于配准失真表示的无参照立体图像质量评估方法
CN114612476B (zh) 一种基于全分辨率混合注意力机制的图像篡改检测方法
Cai et al. TDPN: Texture and detail-preserving network for single image super-resolution
CN114897694B (zh) 基于混合注意力和双层监督的图像超分辨率重建方法
Yuan et al. GAN-based image steganography for enhancing security via adversarial attack and pixel-wise deep fusion
CN116703685A (zh) 图像去水印方法、装置、设备和介质
Luo et al. Convolutional neural networks-based stereo image reversible data hiding method
Qin et al. A novel steganography for spatial color images based on pixel vector cost
Chen et al. Image splicing localization using residual image and residual-based fully convolutional network
Zhang et al. Reversibility improved data hiding in 3D mesh models using prediction-error expansion and sorting
He et al. Finger vein image deblurring using neighbors-based binary-GAN (NB-GAN)
Wang et al. Structure-priority image restoration through genetic algorithm optimization
CN106845555A (zh) 基于Bayer格式的图像匹配方法及图像匹配装置
CN116757909B (zh) Bim数据鲁棒水印方法、装置及介质
Zhong et al. A novel steganalysis method with deep learning for different texture complexity images
Chen et al. No-reference blurred image quality assessment method based on structure of structure features
Zhou et al. Triangle mesh watermarking and steganography

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