CN108109124A - 基于深度学习的不定位置图片水印修复方法 - Google Patents

基于深度学习的不定位置图片水印修复方法 Download PDF

Info

Publication number
CN108109124A
CN108109124A CN201711443089.9A CN201711443089A CN108109124A CN 108109124 A CN108109124 A CN 108109124A CN 201711443089 A CN201711443089 A CN 201711443089A CN 108109124 A CN108109124 A CN 108109124A
Authority
CN
China
Prior art keywords
watermark
picture
layer
deep learning
pixel
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
CN201711443089.9A
Other languages
English (en)
Inventor
白峻峰
张文战
刘子曜
苏伟杰
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.)
Beijing Zhuge Zhaofang Information Technology Co Ltd
Original Assignee
Beijing Zhuge Zhaofang Information Technology Co Ltd
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 Beijing Zhuge Zhaofang Information Technology Co Ltd filed Critical Beijing Zhuge Zhaofang Information Technology Co Ltd
Priority to CN201711443089.9A priority Critical patent/CN108109124A/zh
Publication of CN108109124A publication Critical patent/CN108109124A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Editing Of Facsimile Originals (AREA)

Abstract

本发明涉及一种基于深度学习的不定位置图片水印修复方法，其特征在于，包括以下步骤：（1）训练数据的采集及预处理；（2）对水印分割模型训练；（3）对水印区域填充。本发明的优点是：机器替代人力，节约成本，解放人力；操作更加标准化，避免人工的良莠不齐；相比于简单的水印修复技术，本发明可以自动寻找水印位置。

Description

基于深度学习的不定位置图片水印修复方法
技术领域
本发明涉及基于深度学习的不定位置图片水印修复方法。
背景技术
现有技术多是使用图片修复工具人工处理图片或者通过算法处理特定位置的特定形状的水印，无法精准的定位图片中的水印位置，自动复原水印。
现有方式的工作效率极低，成本极高，不能适应海量数据的处理，很难面对大数据时代的挑战。
发明内容
为克服现有技术的缺陷，本发明提供一种基于深度学习的不定位置图片水印修复方法，本发明的技术方案是：
基于深度学习的不定位置图片水印修复方法，包括以下步骤：
（1）训练数据的采集及预处理；
（2）对水印分割模型训练；
（3）对水印区域填充。
所述的步骤（1）的具体处理方法为：
（1-1）挑选有水印的图片数张作为样本，每一张图片的水印位置大小和形状不同；用photoshop把每一张图片的水印部分标记出来，标记的模板图片为png格式，无水印位置为透明色；
（1-2）对步骤（1-1）中标注的模板图片进行二值化处理，处理步骤如下：
（a）将模板图转化为灰度图；
（b）对灰度图进行灰度直方图均衡化处理；
（c）以16～32的阈值进行二值化；
（1-3）对二值化的模板图进行模型分割，具体如下：
（a）模板图片与待标记的图片形状相同，遍历模板图片的位置都能找到对应的在待标记图片上的位置，选择在模板图片上遍历每个像素点；
（b）如果遍历到当前像素点的值为0，则切割以当前像素为中心的29 * 29邻域作为负样本，如果当前像素点的值为1，切割以当前像素为中心的29*29邻域作为正样本；
（3）当正样本数量远小于负样本数量时，对负样本进行随机采样，使正负样本比例均衡；
所述的步骤（2）的具体处理方法为：图片像素点在步骤（1）中分成有水印和无水印两种，有水印的像素的邻域为正样本，无水印的像素的邻域为负样本，使用CNN卷积神经网络作为分类模型，基于CNN建立模型，模型共分八层，第一层：卷积层，卷积核3＊3，步长1，边缘填充；第二层：卷积层，卷积核3＊3，步长1，边缘填充；第三层：池化层，池化核2＊2；第四层：卷积层，卷积核1＊1，步长1；第五层：卷积层，卷积核1＊1，步长1；第六层：池化层，池化核2＊2； 第七层：全联接层；第八层：全联接层；激活函数使用reLu,，,激活函数在上述的第一、二、四、五层使用，最终通过交叉熵损失函数计算损失进反向传播；通过训练，自动识别图片中的水印位置、大小和形状。
所述的步骤（3）的具体处理方法为：通过步骤（3）中水印分割模型，得到一个水印模版，即标示图片中水印位置、大小和形状的图片；采用边缘渐进填充的方式，由水印区域的最边缘一圈开始，渐渐的向内圈填充形似外圈的像素，直到填充整个水印区域。
本发明的优点是：机器替代人力，节约成本，解放人力；操作更加标准化，避免人工的良莠不齐；相比于简单的水印修复技术，本发明可以自动寻找水印位置。
具体实施方式
下面结合具体实施例来进一步描述本发明，本发明的优点和特点将会随着描述而更为清楚。但这些实施例仅是范例性的，并不对本发明的范围构成任何限制。本领域技术人员应该理解的是，在不偏离本发明的精神和范围下可以对本发明技术方案的细节和形式进行修改或替换，但这些修改和替换均落入本发明的保护范围内。
本发明涉及一种1、基于深度学习的不定位置图片水印修复方法，包括以下步骤：
（1）训练数据的采集及预处理；
（2）对水印分割模型训练；
（3）对水印区域填充。
所述的步骤（1）的具体处理方法为：
（1-1）挑选有水印的图片数张作为样本，每一张图片的水印位置大小和形状不同；用photoshop把每一张图片的水印部分标记出来，标记的模板图片为png格式，无水印位置为透明色；
（1-2）对步骤（1-1）中标注的模板图片进行二值化处理，处理步骤如下：
（a）将模板图转化为灰度图；
（b）对灰度图进行灰度直方图均衡化处理；
（c）以16～32的阈值进行二值化；
（1-3）对二值化的模板图进行模型分割，具体如下：
（a）模板图片与待标记的图片形状相同，遍历模板图片的位置都能找到对应的在待标记图片上的位置，选择在模板图片上遍历每个像素点；
（b）如果遍历到当前像素点的值为0，则切割以当前像素为中心的29 * 29邻域作为负样本，如果当前像素点的值为1，切割以当前像素为中心的29*29邻域作为正样本；
（3）当正样本数量远小于负样本数量时，对负样本进行随机采样，使正负样本比例均衡；
所述的步骤（2）的具体处理方法为：图片像素点在步骤（1）中分成有水印和无水印两种，有水印的像素的邻域为正样本，无水印的像素的邻域为负样本，使用CNN卷积神经网络作为分类模型，基于CNN建立模型，模型共分八层，第一层：卷积层，卷积核3＊3，步长1，边缘填充；第二层：卷积层，卷积核3＊3，步长1，边缘填充；第三层：池化层，池化核2＊2；第四层：卷积层，卷积核1＊1，步长1；第五层：卷积层，卷积核1＊1，步长1；第六层：池化层，池化核2＊2； 第七层：全联接层；第八层：全联接层；激活函数使用reLu,，,激活函数在上述的第一、二、四、五层使用，最终通过交叉熵损失函数计算损失进反向传播；通过训练，自动识别图片中的水印位置、大小和形状。
所述的步骤（3）的具体处理方法为：通过步骤（3）中水印分割模型，得到一个水印模版，即标示图片中水印位置、大小和形状的图片；采用边缘渐进填充的方式，由水印区域的最边缘一圈开始，渐渐的向内圈填充形似外圈的像素，直到填充整个水印区域。

Claims (4)

1.基于深度学习的不定位置图片水印修复方法，其特征在于，包括以下步骤：
（1）训练数据的采集及预处理；
（2）对水印分割模型训练；
（3）对水印区域填充。
2.根据权利要求1所述的基于深度学习的不定位置图片水印修复方法，其特征在于，所述的步骤（1）的具体处理方法为：
（1-1）挑选有水印的图片数张作为样本，每一张图片的水印位置大小和形状不同；用photoshop把每一张图片的水印部分标记出来，标记的模板图片为png格式，无水印位置为透明色；
（1-2）对步骤（1-1）中标注的模板图片进行二值化处理，处理步骤如下：
（a）将模板图转化为灰度图；
（b）对灰度图进行灰度直方图均衡化处理；
（c）以16～32的阈值进行二值化，
（1-3）对二值化的模板图进行模型分割，具体如下：
（a）模板图片与待标记的图片形状相同，遍历模板图片的位置都能找到对应的在待标记图片上的位置，选择在模板图片上遍历每个像素点；
（b）如果遍历到当前像素点的值为0，则切割以当前像素为中心的29 * 29邻域作为负样本，如果当前像素点的值为1，切割以当前像素为中心的29*29邻域作为正样本；
（3）当正样本数量远小于负样本数量时，对负样本进行随机采样，使正负样本比例均衡。
3.根据权利要求1所述的基于深度学习的不定位置图片水印修复方法，其特征在于，所述的步骤（2）的具体处理方法为：图片像素点在步骤（1）中分成有水印和无水印两种，有水印的像素的邻域为正样本，无水印的像素的邻域为负样本，使用CNN卷积神经网络作为分类模型，基于CNN建立模型，模型共分八层，第一层：卷积层，卷积核3＊3，步长1，边缘填充；第二层：卷积层，卷积核3＊3，步长1，边缘填充；第三层：池化层，池化核2＊2；第四层：卷积层，卷积核1＊1，步长1；第五层：卷积层，卷积核1＊1，步长1；第六层：池化层，池化核2＊2； 第七层：全联接层；第八层：全联接层；激活函数使用reLu,，,激活函数在上述的第一、二、四、五层使用，最终通过交叉熵损失函数计算损失进反向传播；通过训练，自动识别图片中的水印位置、大小和形状。
4.根据权利要求1所述的基于深度学习的不定位置图片水印修复方法，其特征在于，所述的步骤（3）的具体处理方法为：通过步骤（3）中水印分割模型，得到一个水印模版，即标示图片中水印位置、大小和形状的图片；采用边缘渐进填充的方式，由水印区域的最边缘一圈开始，渐渐的向内圈填充形似外圈的像素，直到填充整个水印区域。
CN201711443089.9A 2017-12-27 2017-12-27 基于深度学习的不定位置图片水印修复方法 Pending CN108109124A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711443089.9A CN108109124A (zh) 2017-12-27 2017-12-27 基于深度学习的不定位置图片水印修复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711443089.9A CN108109124A (zh) 2017-12-27 2017-12-27 基于深度学习的不定位置图片水印修复方法

Publications (1)

Publication Number Publication Date
CN108109124A true CN108109124A (zh) 2018-06-01

Family

ID=62211849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711443089.9A Pending CN108109124A (zh) 2017-12-27 2017-12-27 基于深度学习的不定位置图片水印修复方法

Country Status (1)

Country Link
CN (1) CN108109124A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109065001A (zh) * 2018-06-20 2018-12-21 腾讯科技（深圳）有限公司 一种图像的降采样方法、装置、终端设备和介质
CN111199175A (zh) * 2018-11-20 2020-05-26 株式会社日立制作所 一种目标检测网络模型的训练方法及装置
CN111435544A (zh) * 2019-01-14 2020-07-21 珠海格力电器股份有限公司 图片处理方法和装置
CN111626912A (zh) * 2020-04-09 2020-09-04 智者四海（北京）技术有限公司 水印去除方法及装置
CN112967166A (zh) * 2021-03-19 2021-06-15 北京星汉博纳医药科技有限公司 一种基于openCV的图片水印自动识别处理方法及***

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050123194A1 (en) * 2002-02-21 2005-06-09 Xerox Corporation Method of embedding color information in printed documents using watermarking
CN101118592A (zh) * 2007-08-22 2008-02-06 大连理工大学 一种基于字符打印特征的打印机取证方法
JP2010079507A (ja) * 2008-09-25 2010-04-08 Fuji Xerox Co Ltd 画像処理装置及び画像処理プログラム
CN102194204A (zh) * 2010-03-15 2011-09-21 北京大学 可逆水印嵌入、提取方法及装置和图像恢复方法及装置
CN103533343A (zh) * 2013-09-29 2014-01-22 宁波大学 一种基于数字水印的立体图像质量客观评价方法
CN104077577A (zh) * 2014-07-03 2014-10-01 浙江大学 一种基于卷积神经网络的商标检测方法
CN104217387A (zh) * 2014-01-22 2014-12-17 河南师范大学 一种基于量化嵌入的图像水印嵌入、提取的方法与装置
CN104899821A (zh) * 2015-05-27 2015-09-09 合肥高维数据技术有限公司 一种用于文档类图像可视水印的擦除方法
CN105184226A (zh) * 2015-08-11 2015-12-23 北京新晨阳光科技有限公司 数字识别方法和装置及神经网络训练方法和装置
CN106096605A (zh) * 2016-06-02 2016-11-09 史方 一种基于深度学习的图像模糊区域检测方法及装置
CN106204424A (zh) * 2016-06-30 2016-12-07 厦门美图之家科技有限公司 图像去水印方法、应用和计算设备
CN106296593A (zh) * 2015-05-29 2017-01-04 腾讯科技（深圳）有限公司 图像恢复方法和装置
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
CN107220655A (zh) * 2016-03-22 2017-09-29 华南理工大学 一种基于深度学习的手写、印刷文本的分类方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050123194A1 (en) * 2002-02-21 2005-06-09 Xerox Corporation Method of embedding color information in printed documents using watermarking
CN101118592A (zh) * 2007-08-22 2008-02-06 大连理工大学 一种基于字符打印特征的打印机取证方法
JP2010079507A (ja) * 2008-09-25 2010-04-08 Fuji Xerox Co Ltd 画像処理装置及び画像処理プログラム
CN102194204A (zh) * 2010-03-15 2011-09-21 北京大学 可逆水印嵌入、提取方法及装置和图像恢复方法及装置
CN103533343A (zh) * 2013-09-29 2014-01-22 宁波大学 一种基于数字水印的立体图像质量客观评价方法
CN104217387A (zh) * 2014-01-22 2014-12-17 河南师范大学 一种基于量化嵌入的图像水印嵌入、提取的方法与装置
CN104077577A (zh) * 2014-07-03 2014-10-01 浙江大学 一种基于卷积神经网络的商标检测方法
CN104899821A (zh) * 2015-05-27 2015-09-09 合肥高维数据技术有限公司 一种用于文档类图像可视水印的擦除方法
CN106296593A (zh) * 2015-05-29 2017-01-04 腾讯科技（深圳）有限公司 图像恢复方法和装置
CN105184226A (zh) * 2015-08-11 2015-12-23 北京新晨阳光科技有限公司 数字识别方法和装置及神经网络训练方法和装置
CN107220655A (zh) * 2016-03-22 2017-09-29 华南理工大学 一种基于深度学习的手写、印刷文本的分类方法
CN106096605A (zh) * 2016-06-02 2016-11-09 史方 一种基于深度学习的图像模糊区域检测方法及装置
CN106204424A (zh) * 2016-06-30 2016-12-07 厦门美图之家科技有限公司 图像去水印方法、应用和计算设备
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

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109065001A (zh) * 2018-06-20 2018-12-21 腾讯科技（深圳）有限公司 一种图像的降采样方法、装置、终端设备和介质
CN109065001B (zh) * 2018-06-20 2021-06-25 腾讯科技（深圳）有限公司 一种图像的降采样方法、装置、终端设备和介质
CN111199175A (zh) * 2018-11-20 2020-05-26 株式会社日立制作所 一种目标检测网络模型的训练方法及装置
CN111435544A (zh) * 2019-01-14 2020-07-21 珠海格力电器股份有限公司 图片处理方法和装置
CN111435544B (zh) * 2019-01-14 2021-11-05 珠海格力电器股份有限公司 图片处理方法和装置
CN111626912A (zh) * 2020-04-09 2020-09-04 智者四海（北京）技术有限公司 水印去除方法及装置
CN112967166A (zh) * 2021-03-19 2021-06-15 北京星汉博纳医药科技有限公司 一种基于openCV的图片水印自动识别处理方法及***

Similar Documents

Publication Publication Date Title
CN108109124A (zh) 基于深度学习的不定位置图片水印修复方法
CN111179229B (zh) 一种基于深度学习的工业ct缺陷检测方法
CN108562589A (zh) 一种对磁路材料表面缺陷进行检测的方法
CN108960135B (zh) 基于高分辨遥感图像的密集舰船目标精确检测方法
CN110222628A (zh) 一种基于生成式对抗网络的人脸修复方法
CN110544251A (zh) 基于多迁移学习模型融合的大坝裂缝检测方法
CN106709909A (zh) 一种基于深度学习的柔性机器人视觉识别与定位***
CN111415329A (zh) 一种基于深度学习的工件表面缺陷检测方法
CN111598856B (zh) 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及***
CN108197642A (zh) 一种***鉴别方法及装置
CN104680509B (zh) 一种实时圆形印刷图像缺陷检测方法
CN112037219A (zh) 一种基于两阶段卷积神经网络的金属表面缺陷检测方法
CN112184686B (zh) 一种用于检测动力电池安全阀激光焊接缺陷的分割算法
CN110060251A (zh) 一种基于U-Net的建筑物表面裂纹检测方法
CN107451588A (zh) 一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法
CN104881665A (zh) 一种芯片字符识别与校验方法及装置
CN110189351A (zh) 一种基于生成式对抗网络的划痕图像数据扩增方法
CN109800619A (zh) 成熟期柑橘果实图像识别方法
CN111160328A (zh) 一种基于语义分割技术的交通标线自动提取的方法
CN109086772A (zh) 一种扭曲粘连字符图片验证码的识别方法及***
CN110866915A (zh) 基于度量学习的圆形砚台质量检测方法
CN111091122B (zh) 一种多尺度特征卷积神经网络的训练和检测方法、装置
CN103900499B (zh) 基于计算机视觉技术的卷烟包装警语区域面积测定方法
CN112818970B (zh) 一种钢卷喷码识别通用检测方法
CN115526852A (zh) 基于目标检测的选区激光熔融过程中熔池与飞溅监测方法及应用

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
CB03 Change of inventor or designer information

Inventor after: Li Zuochao

Inventor after: Bai Junfeng

Inventor after: Zhang Wenzhan

Inventor after: Liu Ziyao

Inventor after: Su Weijie

Inventor before: Bai Junfeng

Inventor before: Zhang Wenzhan

Inventor before: Liu Ziyao

Inventor before: Su Weijie

CB03 Change of inventor or designer information
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180601

WD01 Invention patent application deemed withdrawn after publication