CN113628089A - 图像处理方法、装置、存储介质及计算机设备 - Google Patents
图像处理方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN113628089A CN113628089A CN202010381061.2A CN202010381061A CN113628089A CN 113628089 A CN113628089 A CN 113628089A CN 202010381061 A CN202010381061 A CN 202010381061A CN 113628089 A CN113628089 A CN 113628089A
- Authority
- CN
- China
- Prior art keywords
- image
- watermark
- training
- processed
- processing
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 110
- 238000003672 processing method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims description 125
- 230000006870 function Effects 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 13
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 230000008439 repair process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000019646 color tone Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种图像处理方法、装置、存储介质及计算机设备,在获得待处理图像后,通过对其进行图像增强处理,得到至少一幅增强图像,这样,将所得增强图像与待处理图像作为模型输入,输入水印处理模型进行处理,能够利用增强图像中水印区域与图像自身内容的对比度较高的特性,准确且高效地得到待处理图像中的水印图像,并根据需要得到对该水印图像进行修复,得到高精度的修复图像,解决了传统的水印去除方法中,因水印区域与其周围图像内容对比度较低,导致无法可靠识别水印区域,进而使得修复水印区域后所得修复图像准确性较低的技术问题。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种图像处理方法、装置、存储介质及计算机设备
背景技术
如今,随着人们对版权产品归属保护意识的逐渐增强,发布到互联网上的很多图像上都会设置水印,即若干个汉字和/或字母等构成的标识符,以便后续通过检测图像上的水印,确定图像来源。
在实际应用中,当需要去除图像中的水印信息,以获得无水印的修复图像场景下,现有技术中是利用自编码器对带有水印信息的图像进行处理,得到去除水印并对相应区域修复后的修复图像。
然而,由于图像内容***,若水印区域与其周围图像内容差异较小,将无法可靠识别水印区域,导致对水印区域修复后所得的修复图像不够精准。
发明内容
有鉴于此,为了解决传统的水印去除方法中,因水印区域与其周围图像内容对比度较低,导致无法可靠识别水印区域,进而使得修复水印区域后所得修复图像准确性较低的技术问题,本申请提出一种图像处理方法,所述方法包括:
获取待处理图像;
对所述待处理图像进行增强处理,得到至少一幅增强图像;
将所述待处理图像及所述至少一幅增强图像输入水印处理模型进行处理,输出所述待处理图像的修复图像,和/或所述待处理图像包含的水印图像;
其中,所述修复图像是指对所述待处理图像包含的所述水印图像修复后的图像。
在一些实施例中,所述对所述待处理图像进行增强处理,得到至少一幅增强图像,包括:
获取所述待处理图像的各像素点的像素值;
将获取的各像素值分别与至少一个增强阈值进行比较,得到所述增强阈值对应的比较结果;
利用所述比较结果,调整相应像素点的像素值,得到所述增强阈值对应的增强图像。
在一些实施例中,所述水印处理模型的训练过程,包括:
获取多个原始图像、特定字符及水印图标;
利用所述特定字符及所述水印图标,对所述多个原始图像进行处理,生成对应每一个原始图像的测试图像和训练图像,所述测试图像与所述训练图像的区别为是否具有所述水印图标;
对所述训练图像分别进行增强处理,得到所述训练图像对应的至少一个训练增强图像;
由每一个所述训练图像与该训练图像对应的至少一个训练增强图像构成一个训练样本图组;
将所述训练样本图组输入自编码网络进行学习训练,直至输出的修复图像与对应的测试图像满足第一训练终止条件,输出的水印图像与对应的所述特定字符和所述水印图标满足第二训练终止条件,得到水印处理模型。
在一些实施例中,所述利用所述特定字符及所述水印图标,对所述多个原始图像进行处理,生成对应每一个原始图像的测试图像和训练图像,包括:
对所述多个原始图像分别添加所述特定字符,得到多个测试图像;
由所述特定字符及所述水印图标构成水印信息;
将所述水印信息添加至所述多个原始图像,得到相应的多个训练图像。
本申请还提出了一种图像处理装置,所述装置包括:
图像获取模块,用于获取待处理图像;
图像增强模块,用于对所述待处理图像进行增强处理,得到至少一幅增强图像;
图像处理模块,用于将所述待处理图像及所述至少一幅增强图像输入水印处理模型进行处理,输出所述待处理图像的修复图像,和/或所述待处理图像包含的水印图像;
其中,所述修复图像是指对所述待处理图像包含的所述水印图像修复后的图像。
本申请还提出了存储介质,其上存储有计算机程序,所述计算机程序被处理器执行,实现上述的图像处理方法的各步骤。
本申请还提出了一种计算机设备,所述计算机设备包括:
通信接口;
存储器,用于存储实现如上述的图像处理方法的程序;
处理器,用于加载并执行所述存储器存储的程序,以实现如上述的图像处理方法的各步骤。
基于上述技术方案,本申请提供了一种图像处理方法、装置、存储介质及计算机设备,在获得待处理图像后,通过对其进行图像增强处理,得到至少一幅增强图像,这样,将所得增强图像与待处理图像作为模型输入,输入水印处理模型进行处理,能够利用增强图像中水印区域与图像自身内容的对比度较高的特性,准确且高效地得到待处理图像中的水印图像,并根据需要得到对该水印图像进行修复,得到高精度的修复图像,解决了传统的水印去除方法中,因水印区域与其周围图像内容对比度较低,导致无法可靠识别水印区域,进而使得修复水印区域后所得修复图像准确性较低的技术问题。
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简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1示出了实现本申请提出的图像处理方法的计算机设备的一可选示例的硬件结构示意图;
图2示出了本申请提出的图像处理方法的一可选示例的流程示意图;
图3示出了本申请提出的图像处理方法的一可选场景示例的流程示意图;
图4示出了本申请提出的图像处理方法的又一可选示例的示意图;
图5示出了本申请提出的图像处理方法的又一可选示例的示意图;
图6示出了本申请提出的一种图像处理装置的一可选示例的结构示意图;
图7示出了本申请提出的一种图像处理装置的又一可选示例结构示意图;
图8示出了本申请提出的一种图像处理装置的又一可选示例结构示意图;
图9示出了本申请实施例提出的分布式***应用于区块链***的一可选的结构示意图。
具体实施方式
针对背景技术提出的现有的水印检测和去除准确性较低的技术问题,随着人工智能(Artificial Intelligence,AI)在计算机视觉技术(Computer Vision,CV)、机器学习/深度学习方面的发展,本申请希望利用机器学习/深度学习这一人工智能技术,对样本数据进行训练,得到更加可靠的水印处理模型。
其中,计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。计算机视觉技术通常包括图像处理、图像识别、图像检索、视频处理等技术,本申请可以利用该计算机视觉技术,检测待处理图像中的水印信息,并去除待处理图像中的水印,得到修复图像,具体实现过程可以参照下文相应部分的描述。
为了改善现有的水印去除方式存在的问题,本申请提出能够更加可靠且准确地识别出原始图像中的水印区域,这样对其进行修复后,才能够保证所得修复图像足够精准。然而,现有的水印检测方法中,通常是使用目标检测算法对输入图像进行水印检测,若该输入图像自身内容中存在汉字、字母等字符,往往对水印检测造成误导,也就无法导致所检测到的水印区域不准确性,进而影响修复图像的精准度。
为了改善上述问题,通过对现有的水印检测与去除方法存在的技术问题的研究,针对水印区域与其周围图像对比度较低的问题,本申请提出通过构建多种增强图像,来凸显水印本身,即增加水印区域与其周围图像对比度的方式,来提高水印去除的可靠性,从而提高所得修复图像的准确性。
进一步地,对于针对某些原始图像中包含字符,导致无法可靠识别水印信息的问题,经过研发发现,原始图像中的水印信息中除了包含字符,还会包含水印图标,并由该水印图标来识别该图像来源的应用平台,而图像自身内容中即便包含字符,也不会包含水印图标。所以,本申请还可以通过识别字符前面是否存在水印图标的方式,来区分该字符属于图像自身内容还是水印信息内容,以此来提高水印检测的准确性。
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,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
应当理解,本申请中使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换该词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
其中,在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,在本申请实施例的描述中,“多个”是指两个或多于两个。以下术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
另外,本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
参照图1,为实现本申请提供的图像处理方法的计算机设备的一可选示例的结构示意图,在实际应用中,该计算机设备可以是服务器,或者具有图像处理能力的终端,如智能手机、平板电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、台式计算机等。本申请对该计算机设备的产品类型不做限定,图1示出的计算机设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限定。
如图1所示,本实施例提出的计算机设备可以包括:通信接口11、存储器12和处理器13,其中:
通信接口11、存储器12、处理器13各自的数量可以是至少一个,且通信接口11、存储器12以及处理器13可以连接通信总线,相互之间可以通过该通信总线实现数据交互,具体实现过程可以根据实际应用需求确定,本申请不做详述。
通信接口11可以为适用于无线网络或有线网络的通信模块的接口,如GSM模块、WIFI模块、蓝牙模块、无线射频模型、5G模块等通信模块的接口,可以实现与其他设备的数据交互,接收其他设备发送的如图像等信息;当然,该通信接口11还可以包括如USB接口、串/并口等接口,用于实现计算机设备内部组成部件之间的数据交互,可以根据该计算机设备的产品类型确定,本申请不做一一详述。
存储器12可以用于存储实现本申请提出的图像处理方法的程序;处理器13可以用于加载并执行存储器12存储的程序,以实现本申请实施例提出的图像处理方法的各步骤,具体实现过程可以参照但并不局限于下文实施例相应部分的描述。
本申请实施例中,存储器12可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件或其他易失性固态存储器件。处理器13,可以为中央处理器(Central Processing Unit,CPU)、特定应用集成电路(application-specificintegrated circuit,ASIC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件等。
在一种可能的实现方式中,存储器12可以包括程序存储区和数据存储区,该程序存储区可以存储操作***、以及至少一个功能(如图像显示功能、图像识别功能)所需的应用程序、实现本申请提出的图像处理方法的程序等;数据存储区可以存储计算机设备使用过程中所产生的数据,如获取的待处理图像、经处理得到的增强图像、水印信息、修复图像等。
应该理解的是,图1所示的计算机设备的结构并不构成对本申请实施例中计算机设备的限定,在实际应用中,计算机设备可以包括比图1所示的更多或更少的部件,或者组合某些部件,可以结合该计算机设备的产品类型及功能需求确定,本申请在此不做一一列举。
参照图2,为本申请提出的图像处理方法的一可选示例的流程示意图,该方法可以适用于计算机设备,该可以计算机设备类型及结构可以参照但并不局限于上文实施例描述的计算机设备,如图2所示,本实施例提出的该图像处理方法可以包括但并不局限于以下步骤:
步骤S11,获取待处理图像;
本实施例中,待处理图像可以是包含水印信息的图像,本申请对该待处理图像的来源不做限定,可以是用户上传至计算机设备的,也可以是由计算机设备从第三方应用平台爬取的等等,可以根据实际场景需求确定。
在一些实施例中,上述待处理图像除了包含水印信息外,待处理图像的图像内容自身还可能包含字符,如至少一个文字、和/或至少一个字母、和/或至少一个符号,本申请对该字符内容及数量不做限定,可以是单个字符也可以是多个字符形成的字符串,当然,该图像内容自身也可能未包含字符,仅包含图像,本申请对此不做限定。
步骤S12,对该待处理图像进行增强处理,得到至少一幅增强图像;
需要说明,本申请对图像的增强处理方法不做限定,在计算机视觉技术中,图像增强处理可以改善图像的视觉效果,有目的地强调图像的整体或局部特性,将原来不清晰的图像变得清晰或强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,使之改善图像质量、丰富信息量,加强图像判读和识别效果,满足某些特殊分析的需要。
基于此,在本实施例中,通过对待处理图像进行增强处理,可以将待处理图像中的水印区域的水印信息变得更加清晰,将图像自身内容变得不清晰,从而增大水印信息与图像自身内容的对比度,也就增大了水印信息与其周围图像内容之间的对比度,尤其是在待处理图像中水印信息与其周围图像内容颜色接近,对比度较低的情况下,通过这种图像增强技术,提高该对比度,有助于后续可靠识别待处理图像中的水印信息,提高修复图像的精准度。
本申请实施例中,参照图3所示的场景流程示意图,计算机设备获得待处理图像后,图3以该待处理图像内容自身也包含字符为例进行说明,在一些实施例中,该待处理图像内容自身可能未包含字符,这种待处理图像的处理过程类似,本申请不再详述。为了提高图像处理精准度,本实施例可以按照至少一个对比度,对待处理图像进行增强处理,得到具有相应对比度的增强图像,如图3所示,每一个增强图像中水印信息与待处理图像自身内容的对比度的数值不同,图3中增强图像2的对比度大于增强图像1的对比度。
需要说明,本申请对所得增强图像的对比度及数量不做限定,且不同增强图像的获取方式可以相同,也可以不同,也就是说,本申请可以采用一种图像增强方式,对待处理图像进行增强处理,得到一个或多个增强图像,也可以采用不同的图像增强方式,对待处理图像进行增强处理,得到多个增强图像,本申请对步骤S12的具体实现方法不做限定。
步骤S13,将待处理图像及该至少一幅增强图像输入水印处理模型进行处理,输出待处理图像的修复图像,和/或待处理图像包含的水印图像。
继上文描述,本申请得到待处理图像及其对应的至少一幅增强图像后,如图3所示,可以将这些图像作为模型输入图像,输入预先训练得到的水印处理模型进行处理,输出所需的水印图像即水印信息,和/或所需的修复图像,该修复图像是将待处理图像中的水印信息去除后,并对去除水印的区域进行修复处理后得到的图像。
可见,在一些实施例中,本申请利用一个水印处理模型,可以同时输出待处理图像的水印图像和修复图像,相对于传统构思分别构建水印检测模型和水印去除模型,分别对待处理图像进行处理,输出相应的水印图像或修复图像的方案,本申请实施例简化了图像处理步骤,提高了图像处理效率。
其中,水印处理模型可以利用自编码网络,对样本数据训练得到,该样本数据中包含样本训练图像,以及对其增强处理后得到的训练增强图像,本申请对该水印处理模型的具体训练方法不做限定。应该理解的是,在水印处理模型的训练过程中,为了提高所得水印图像的准确性,所依据的水印图像的损失函数,与为了提高所得修复图像的准确性,所依据的修复图像的损失函数可能不同,也可能相同,本申请对该损失函数的类型不做限定。
自编码网络可以是一个3层或大于3层的神经网络,是非监督学习领域中的一种,可以自动从无标注的数据中学习特征,是一种以重构输入信息为目标的神经网络,它可以给出比原始数据更好的特征描述,具有较强的特征学习能力,在深度学习中常用自编码网络生成的特征来取代原始数据,以取得更好的效果,本申请对模型训练所使用的自编码网络的类型及运算原理不做限定,可以根据实际需求灵活选择。
综上所述,本实施例中,在获得待处理图像后,并不是将其直接输入水印处理模型进行处理,而是先对待处理图像进行图像增强处理,得到至少一幅增强图像后,将所得增强图像与待处理图像作为模型输入,再输入水印处理模型进行处理,以使该水印处理模型进行图像处理过程中,能够利用增强图像中水印区域与图像自身内容的对比度较高的特性,更加准确且高效地得到待处理图像中的水印图像,并对待处理图像中水印图像所在区域进行修复,得到修复图像,相对于现有技术中利用自编码器直接对待处理图像进行处理,极大提高了所处水印图像以及修复图像的精准度,且提高了图像处理效率。
参照图4,为本申请提出的图像处理方法的又一可选示例的流程示意图,本实施例可以是对上述实施例描述的图像处理方法中,实现图像增强的一可选实现方式,关于图像处理的其他处理步骤,可以参照上述实施例相应部分的描述,本实施例不再赘述,主要对上述步骤S12的细化实现过程进行描述,如图4所示,该实现方法可以包括:
步骤S21,获取待处理图像的各像素点的像素值;
步骤S22,将获取的各像素值分别与至少一个增强阈值进行比较,得到增强阈值对应的比较结果;
本申请实施例对各增强阈值的具体数值不做限定,可以依据待处理图像的各像素点的像素值确定。
步骤S23,利用比较结果,调整相应像素点的像素值,得到增强阈值对应的增强图像。
结合上述描述,本实施例构建增强图像是为了突显图像中的水印本身,以便提高水印去除的可靠性,而通常情况下,水印区域的亮度与图像内容自身的亮度是不同的,本实施例可以基于该差异,实现对待处理图像的增强处理。
具体的,本实施例可以利用像素点的像素值来表明待处理图像的亮度值,在确定一增强阈值T后,对于待处理图像的各像素点,若其像素值小于T,通常认为该像素点属于待处理图像内容自身的像素点,而非水印信息的像素点,为了凸出水印信息,本实施例可以降低该像素点的像素值,如可以将像素值小于T的像素点的像素值调整为0,但并不局限于此。
若待处理图像中的像素点的像素值大于T,可以将该像素点的像素值调整值0~256之间,具体所要调整到的像素值大小可以根据实际情况确定,本申请不做限定,但应该理解的是,像素值大于T的像素点,与像素值小于T的像素点,经过上述像素值的调整后,会增大这两类像素点的像素值的差距,从而增大水印信息与图像内容之间的对比度。
按照上文描述的增强处理过程,本申请选用不同的增强阈值T进行处理,可以得到具有不同对比度的增强图像,具体实现过程本申请不做一一详述。
综上,本实施例利用待处理图像中水印区域与图像内容区域之间的亮度差异,通过调整各区域像素点的像素值,来强化该亮度差异,即提高对比度,从而得到具有不同对比度的增强图像,以辅助实现对待处理图像中水印信息的提取以及去除,提高了图像处理效率及精准度。
在一些实施例中,为了实现对待处理图像的增强处理,得到增强图像,本申请还可以采用直方图均衡化方式和/或直方图匹配方式,对待处理图像进行增强处理,得到至少一幅增强图像。
其中,直方图均衡化是图像处理领域利用图像直方图对对比度进行调整的方法,通常用来增加许多图像的全局对比度,尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法,亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度。直方图是一种对数据分布情况的图形表示,是一种二维统计图表,它的两个坐标分别是统计样本和该样本对应的某个属性的度量。
基于此,本申请可以获取待处理图像的直方图信息,利用该直方图信息,得到一变换函数,从而利用该变换函数实现对待处理图像的处理,以增加待处理图像的对比度。本申请对如何利用直方图均衡化方式,实现图像增强处理的具体方法不做详述。
直方图匹配又称为直方图规定化,是指将一幅图像的直方图变成规定形状的直方图而进行的图像增强方法。具体的,其可以将某幅影像或某一区域的直方图匹配到另一幅影像上,使两幅影像的色调保持一致,且可以在单波段影像直方图之间进行匹配,也可以对多波段影像进行同时匹配,两幅图像比对前,通常要使其直方图形式一致。本申请对如何采用直方图匹配方法,实现对待处理图像的增强处理过程不做详述。
需要说明的是,本申请对图像增强处理的实现方式不做限定,并不局限于本申请列举的几种实现方式,本实施例可以根据实际情况灵活选择图像增强方式,实现对待处理图像的增强处理,本申请不做一一详述。
参照图5,为本申请提出的图像处理方法的又一可选示例的流程示意图,本实施例可以是上述水印处理模型的一可选训练实现方式,如图5所示,该训练过程可以包括:
步骤S31,获取多个原始图像、特定字符及水印图标;
本实施例中,该原始图像可以是任一自然图像,可以认为是纯图像,未包含字符和水印图标。本申请对该原始图像的来源不做限定。
特定字符可以是由至少一个文字、至少一个字母和/或至少一个符号组成的单个字符或字符串,本申请对该特定字符的内容不做限定,且在实际应用中,根据实际需要,本申请可以选用一组或多组特定字符,以构建测试图像和训练图像,针对每一组字符,可以配置相应的水印图标。
其中,水印图标可以是不同应用平台的唯一标识符,如应用平台的logo标识等,以便通过识别该水印图标来确定图像来源,本申请对该水印图标的内容不做限定。
步骤S32,对多个原始图像分别添加特定字符,得到多个测试图像;
步骤S33,由特定字符及水印图标构成水印信息,将水印信息添加至多个原始图像,得到相应的多个训练图像;
本实施例是为了可靠区别水印图像中的字符以及图像内容自身具有的字符,可以利用预先设置的水印图标及特定字符,来构建类似现实场景中的水印图像,即水印图标后可以跟着一个或多个字符,作为该图像的识别ID。同时,构建图像内容自带字符的测试图像,以便在模型训练过程中,学习到水印图像中的字符必须依赖水印图标这一依赖条件,使得所得模型只去识别前面带有水印图标的字符,忽略前面没有水印图标的字符。
基于此,针对每一幅原始图像,一方面,本申请实施例可以添加上述特定字符,将得到的图像作为测试图像,另一方面,可以在该原始图像中添加到特定字符和水印图标,将所得图像作为训练图像,可见,针对同一原始图像处理得到的测试图像和训练图像中,包含有相同的字符,区别在于,该测试图像仅包含字符未包含水印图标,而训练图像同时包含字符和水印图标。该训练图像可以参照上图3所示的待处理图像,测试图像可以参照上图3所示的修复图像。
可见,本申请可以利用预先的特定字符及水印图标,对多个原始图像进行处理,生成对应每一个原始图像的测试图像和训练图像,且对应于同一个原始图像的测试图像与训练图像的区别为是否具有水印图标。
在一种可能的实现方式中,上述构建水印信息的过程可以为:配置水印图标与特定字符相邻,且水印图标位于特定字符的读取顺序前方,得到相应的水印信息,即“水印图标+特定字符”的格式。
步骤S34,对训练图像分别进行增强处理,得到训练图像对应的至少一个训练增强图像;
关于步骤S34的图像增强处理过程,可以参照上述实施例相应部分的描述,本申请实施例不再赘述。
步骤S35,由每一个训练图像与该训练图像对应的至少一个训练增强图像构成一个训练样本图组;
本实施例中,采用不同增强阈值T,对每一幅训练图像进行增强处理后,可以将所得训练增强图像与相应的训练图像放在一起,构成一个图像组即训练样本图像组,本申请对每一个训练样本图像组包含的增强图像的数量不做限定,可以是图3所示的2个增强图像,也可以包含3个甚至更多的增强图像,具体实现过程类似,本申请不做一一详述。
步骤S36,将训练样本图组输入自编码网络进行学习训练,直至输出的修复图像与对应的测试图像满足第一训练终止条件,输出的水印图像与对应的水印信息满足第二训练终止条件,得到水印处理模型。
结合上述分析,在一些实施例中,该自编码网络可以是一个全卷积神经网络,可以先对输入图像进行特征提取,再从提取到的特征中恢复出所需目标图像,本申请对该全卷积神经网络的具体运算过程不作详述。
本申请实施例中,模型输出的修复图像是原始图像叠加字符,未添加水印图标的图像,如上述测试图像,因此,上述第一训练终止条件可以为模型输出的修复图像与上述对应的测试图像之间的相似度高于第一相似阈值,可以认为满足该第一训练终止条件。
同理,由于本申请实现水印检测和水印去除的自编码网络是共享的,正常情况下,模型输出的水印图像应该为输入的训练图像中水印信息的图像,所以,上述第二训练终止条件可以为模型输出的水印图像与上述对应的水印信息之间的相似度高于第二相似阈值,可以认为满足该第二训练终止条件。
需要说明,本申请对上述第一相似阈值和第二相似阈值的具体数值不做限定,且对上述第一训练终止条件和第二训练终止条件的内容不做限定。
在一些实施例中,本申请可以利用损失函数实现模型的训练,具体的,本实施例将训练样本图组输入自编码网络进行学***稳,可以停止训练,将最终训练得到的模型记为水印处理模型。
在一种可能的实现方式中,上述修复图像的损失函数可以为修复图像与测试图像之间的L1损失函数;水印图像的损失函数可以为逐像素输出的水印图像与水印信息之间的交叉熵分类损失函数。
其中,L1损失函数即L1范数损失函数,也被称为最小绝对值偏差(LAD),最小绝对值误差(LAE)。总的说来,它是把目标值与估计值的绝对差值的总和最小化,本申请对该L1损失函数在水印处理模型训练过程中的应用不做详述。
交叉熵(Cross Entropy)主要用于度量两个概率分布间的差异性信息。交叉熵在神经网络(机器学习)中作为损失函数,若p表示真实标记的分布,q则为训练后的模型的预测标记分布,交叉熵损失函数可以衡量p与q的相似性。本申请实施例使用交叉熵作为损失函数,因为学习速率可以被输出的误差所控制,所以说,使用sigmoid函数在梯度下降时,避免均方误差损失函数学习速率降低的问题。本申请对交叉熵损失函数在水印处理模型训练过程中的应用不做详述。
综上所述,本实施例在训练水印处理模型过程中,将针对同一原始图像,构建包含字符的测试图像,以及包含该字符及水印图标的训练图像,以使训练所测模型在水印检测时,只识别带有水印图标的字符,忽略前面没有水印图标的字符,从而避免了图像内容自身带有的字符,对水印检测结果的不利影响,降低水印检测的准确性。
且对于输入模型的训练样本数据,除了上述所得训练图像外,本申请还可以对其进行增强处理,得到相应的增强图像,从而将该训练图像与其对应的增强图像作为训练样本图组,输入自编码网络进行学习训练,以便利用增强图像中水印区域与其周围图像内容之间的高对比度,可靠识别未包含水印信息的修复图像,提高训练所得水印处理模型的可靠性及训练效率。
在一些实施例中,经过上述步骤S33得到多个训练图像后,可以直接将其作为模型训练样本,直接将其输入自编码网络进行学习训练,关于模型训练过程可以参照上文实施例相应部分的描述,这样训练得到水印处理模型,能够只识别带有水印图标的字符,忽略前面没有水印图标的字符,从而避免图像内容自身带有的字符,对水印检测结果的不利影响,降低水印检测及水印去除的准确性。所以,在实际应用中,获取待处理图像后,可以直接将该待处理图像输入该水印处理模型进行处理,就能够得到精准可靠的水印图像和/或修复图像,满足图像处理需求,具体实现过程可以参照上文实施例相应部分的描述,本申请不再单独描述。
可见,在实际应用中,本申请可以依据待处理图像的水印区域的具体情况,灵活选择按照上述不同训练样本训练得到的水印处理模型,实现水印检测和/或水印去除,满足应用需求。
在一些实施例中,若实际需要处理的待处理图像内容自身均未包含字符,那么,在训练水印处理模型时,可以将原始图像作为测试图像,将原始图像添加水印信息后的图像作为训练图像,之后,按照上文描述的方式进行模型训练,得到适用于该场景下的待处理图像的水印处理模型,提高图像处理效率。当然,对于本申请上文训练得到的水印处理模型,仍可适用于上文未携带字符的待处理图像的图像处理场景,关于该场景下的图像处理过程,与上文实施例相应部分的描述过程类似,本申请不再赘述。
参照图6,为本申请提出的图像处理装置的一可选示例的结构示意图,该装置可以适用于计算机设备,如图6所示,该装置可以包括:
图像获取模块21,用于获取待处理图像;
图像增强模块22,用于对所述待处理图像进行增强处理,得到至少一幅增强图像;
在一些实施例中,如图7所示,上述图像增强模块22可以包括:
像素值获取单元221,用于获取所述待处理图像的各像素点的像素值;
比较单元222,用于将获取的各像素值分别与至少一个增强阈值进行比较,得到所述增强阈值对应的比较结果;
像素值调整单元223,用于利用所述比较结果,调整相应像素点的像素值,得到所述增强阈值对应的增强图像。
在又一些实施例中,上述图像增强模块22还可以包括:
第一增强处理单元,用于采用直方图均衡化方式,对所述待处理图像进行增强处理,得到至少一幅增强图像。
第二增强处理单元,用于采用直方图匹配方式,对所述待处理图像进行增强处理,得到至少一幅增强图像。
需要说明,本申请对上述图像增强处理方式不做限定,对于不同的图像增强方式,可以采用相应的功能模块实现,本申请不做一一详述。
图像处理模块23,用于将所述待处理图像及所述至少一幅增强图像输入水印处理模型进行处理,输出所述待处理图像的修复图像,和/或所述待处理图像包含的水印图像;
其中,所述修复图像是指对所述待处理图像包含的所述水印图像修复后的图像。
在一些实施例中,为了实现水印处理模型的构建,如图8所示,本申请提出的图像处理装置还可以包括:
原始数据获取模块24,用于获取多个原始图像、特定字符及水印图标;
样本图像生成模块25,用于利用所述特定字符及所述水印图标,对所述多个原始图像进行处理,生成对应每一个原始图像的测试图像和训练图像,所述测试图像与所述训练图像的区别为是否具有所述水印图标;
在一种可能的实现方式中,样本图像生成模块25可以包括:
测试图像得到单元,用于对所述多个原始图像分别添加所述特定字符,得到多个测试图像;
水印信息构成单元,用于由所述特定字符及所述水印图标构成水印信息;
训练图像得到单元,用于将所述水印信息添加至所述多个原始图像,得到相应的多个训练图像。
增强处理模块26,用于对所述训练图像分别进行增强处理,得到所述训练图像对应的至少一个训练增强图像;
训练样本图组构建模块27,用于由每一个所述训练图像与该训练图像对应的至少一个训练增强图像构成一个训练样本图组;
模型训练模块28,用于将所述训练样本图组输入自编码网络进行学习训练,直至输出的修复图像与对应的测试图像满足第一训练终止条件,输出的水印图像与对应的所述特定字符和所述水印图标满足第二训练终止条件,得到水印处理模型。
在一种可能的实现方式中,模型训练模块28可以包括:
学习训练单元,用于将所述训练样本图组输入自编码网络进行学习训练,直至修复图像的损失函数及水印图像的损失函数各自的损失值小于阈值;
其中,所述修复图像的损失函数为修复图像与测试图像之间的L1损失函数;所述水印图像的损失函数为逐像素输出的水印图像与水印信息之间的交叉熵分类损失函数。
需要说明的是,关于上述各装置实施例中的各种模块、单元等,均可以作为程序模块存储在存储器中,由处理器执行存储在存储器中的上述程序模块,以实现相应的功能,关于各程序模块及其组合所实现的功能,以及达到的技术效果,可以参照上述方法实施例相应部分的描述,本实施例不再赘述。
本申请实施例还提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行,实现上述图像处理方法的各步骤,该图像处理方法的实现过程可以参照上述方法实施例的描述。
参照上图2,本申请实施例还提出了一种计算机设备,关于该计算机设备的组成结构及其功能,可以参照上文实施例相应部分的描述,本申请不再赘述。
在实际应用中,本申请提出的计算机设备可以是分布式***中的一个节点,该分布式***可以由客户端、多个节点(接入网络中的任意形式的计算机设备,如服务器、用户终端)通过网络通信的形式连接形成,本申请对该分布式***的类型及其组成结构不作限定。
以分布式***为区块链***为例,参照图9所示的本申请实施例提出的分布式***应用于区块链***的一可选的结构示意图,该分布式***100可以由多个节点200和客户端300形成,节点之间可以组成点对点(P2P,Peer To Peer)网络,P2P协议是一个运行在传输控制协议(TCP,Transmission Control Protocol )协议之上的应用层协议。在分布式***中,任何机器如服务器、终端都可以加入而成为节点,节点包括硬件层、中间层、操作***层和应用层。
如图9中,路由可以是节点具有的基本功能,用于支持节点之间的通信;应用部署在区块链中,可以根据实际业务需求而实现特定业务,记录实现功能相关的数据形成记录数据,在记录数据中携带数字签名以表示任务数据的来源,将记录数据发送到区块链***中的其他节点,供其他节点在验证记录数据来源以及完整性成功时,将记录数据添加到临时区块中。在本实施例中,该应用可以支持实现上述实施例描述的图像处理方法。
其中,区块链包括一系列按照产生的先后时间顺序相互接续的区块(Block),其本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了相关的信息,用于验证其信息的有效性(防伪)和生成下一个区块,以提高数据存储的安全性。本申请对区块链的具体结构及其应用不做详述。
基于图9所示的分布式***,当用户需要对某一图像进行水印检测和水印去除时,可以通过客户端,将其发送至该分布式***中任一节点的计算机设备进行处理,具体处理过程可以参照上述方法实施例相应部分的描述,本申请不再赘述,该节点可以将所得修复图像和/或水印图像反馈至客户端输出,满足用户需求。
需要说明的是,对于本申请提出的计算机设备,也可能不属于分布式***中的一节点,即便属于分布式***的节点,该分布式***也并不局限于区块链***,本申请可以根据实际需求确定。
另外,本说明书中各个实施例采用递进或并列的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、计算机设备而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的核心思想或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
获取待处理图像;
对所述待处理图像进行增强处理,得到至少一幅增强图像;
将所述待处理图像及所述至少一幅增强图像输入水印处理模型进行处理,输出所述待处理图像的修复图像,和/或所述待处理图像包含的水印图像;
其中,所述修复图像是指对所述待处理图像包含的所述水印图像修复后的图像。
2.根据权利要求1所述的方法,其特征在于,所述对所述待处理图像进行增强处理,得到至少一幅增强图像,包括:
获取所述待处理图像的各像素点的像素值;
将获取的各像素值分别与至少一个增强阈值进行比较,得到所述增强阈值对应的比较结果;
利用所述比较结果,调整相应像素点的像素值,得到所述增强阈值对应的增强图像。
3.根据权利要求1所述的方法,其特征在于,所述对所述待处理图像进行增强处理,得到至少一幅增强图像,包括:
采用直方图均衡化方式和/或直方图匹配方式,对所述待处理图像进行增强处理,得到至少一幅增强图像。
4.根据权利要求1~3任一项所述的方法,其特征在于,所述水印处理模型的训练过程,包括:
获取多个原始图像、特定字符及水印图标;
利用所述特定字符及所述水印图标,对所述多个原始图像进行处理,生成对应每一个原始图像的测试图像和训练图像,所述测试图像与所述训练图像的区别为是否具有所述水印图标;
对所述训练图像分别进行增强处理,得到所述训练图像对应的至少一个训练增强图像;
由每一个所述训练图像与该训练图像对应的至少一个训练增强图像构成一个训练样本图组;
将所述训练样本图组输入自编码网络进行学习训练,直至输出的修复图像与对应的测试图像满足第一训练终止条件,输出的水印图像与对应的所述特定字符和所述水印图标满足第二训练终止条件,得到水印处理模型。
5.根据权利要求4所述的方法,其特征在于,所述利用所述特定字符及所述水印图标,对所述多个原始图像进行处理,生成对应每一个原始图像的测试图像和训练图像,包括:
对所述多个原始图像分别添加所述特定字符,得到多个测试图像;
由所述特定字符及所述水印图标构成水印信息;
将所述水印信息添加至所述多个原始图像,得到相应的多个训练图像。
6.根据权利要求5所述的方法,其特征在于,所述由所述特定字符及所述水印图标构成水印信息,包括:
配置所述水印图标与所述特定字符相邻,且所述水印图标位于所述特定字符的读取顺序前方,得到相应的水印信息,所述特定字符包含至少一个文字、和/或至少一个字母、和/或至少一个符号。
7.根据权利要求4所述的方法,其特征在于,所述将所述训练样本图组输入自编码网络进行学习训练,直至输出的修复图像与对应的测试图像满足第一训练终止条件,输出的水印图像与对应的所述特定字符和所述水印图标满足第二训练终止条件,包括:
将所述训练样本图组输入自编码网络进行学习训练,直至修复图像的损失函数及水印图像的损失函数各自的损失值小于阈值;
其中,所述修复图像的损失函数为修复图像与测试图像之间的L1损失函数;所述水印图像的损失函数为逐像素输出的水印图像与水印信息之间的交叉熵分类损失函数。
8.一种图像处理装置,其特征在于,所述装置包括:
图像获取模块,用于获取待处理图像;
图像增强模块,用于对所述待处理图像进行增强处理,得到至少一幅增强图像;
图像处理模块,用于将所述待处理图像及所述至少一幅增强图像输入水印处理模型进行处理,输出所述待处理图像的修复图像,和/或所述待处理图像包含的水印图像;
其中,所述修复图像是指对所述待处理图像包含的所述水印图像修复后的图像。
9.一种存储介质,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,实现如权利要求1-7任意一项所述的图像处理方法的各步骤。
10.一种计算机设备,其特征在于,所述计算机设备包括:
通信接口;
存储器,用于存储实现如权利要求1-7任意一项所述的图像处理方法的程序;
处理器,用于加载并执行所述存储器存储的程序,以实现如权利要求1-7任意一项所述的图像处理方法的各步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010381061.2A CN113628089A (zh) | 2020-05-08 | 2020-05-08 | 图像处理方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010381061.2A CN113628089A (zh) | 2020-05-08 | 2020-05-08 | 图像处理方法、装置、存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113628089A true CN113628089A (zh) | 2021-11-09 |
Family
ID=78377195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010381061.2A Pending CN113628089A (zh) | 2020-05-08 | 2020-05-08 | 图像处理方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628089A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114302252A (zh) * | 2021-12-31 | 2022-04-08 | 深圳万兴软件有限公司 | 视频去除水印的方法、装置、计算机设备及存储介质 |
-
2020
- 2020-05-08 CN CN202010381061.2A patent/CN113628089A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114302252A (zh) * | 2021-12-31 | 2022-04-08 | 深圳万兴软件有限公司 | 视频去除水印的方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Busternet: Detecting copy-move image forgery with source/target localization | |
Zhou et al. | Coverless image steganography using partial-duplicate image retrieval | |
CN108229526B (zh) | 网络训练、图像处理方法、装置、存储介质和电子设备 | |
CN110853033B (zh) | 基于帧间相似度的视频检测方法和装置 | |
US8861884B1 (en) | Training classifiers for deblurring images | |
CN111275784B (zh) | 生成图像的方法和装置 | |
CN110472494A (zh) | 脸部特征提取模型训练方法、脸部特征提取方法、装置、设备及存储介质 | |
CN108154080B (zh) | 一种视频设备快速溯源的方法 | |
CN109389096B (zh) | 检测方法和装置 | |
CN110598019B (zh) | 重复图像识别方法及装置 | |
CN110942456B (zh) | 篡改图像检测方法、装置、设备及存储介质 | |
CN110533119B (zh) | 标识识别方法及其模型的训练方法、装置及电子*** | |
JP2012058787A (ja) | 情報処理装置、およびその処理方法 | |
CN116822623B (zh) | 一种生成对抗网络联合训练方法、装置、设备及存储介质 | |
CN111275070B (zh) | 一种基于局部特征匹配的签名验证方法及设备 | |
CN114724218A (zh) | 视频检测方法、装置、设备及介质 | |
CN112818821A (zh) | 基于可见光和红外光的人脸采集源检测方法和装置 | |
CN108921138B (zh) | 用于生成信息的方法和装置 | |
CN110428006A (zh) | 计算机生成图像的检测方法、***、装置 | |
CN112488137A (zh) | 样本获取方法、装置、电子设备及机器可读存储介质 | |
CN113628089A (zh) | 图像处理方法、装置、存储介质及计算机设备 | |
CN111753729A (zh) | 一种假脸检测方法、装置、电子设备及存储介质 | |
Hadiprakoso | Face anti-spoofing method with blinking eye and hsv texture analysis | |
CN115797291A (zh) | 回路端子的识别方法、装置、计算机设备和存储介质 | |
JP2020003879A (ja) | 情報処理装置、情報処理方法、透かし検出装置、透かし検出方法、及びプログラム |
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 |