一种基于生成对抗网络的图像去水印方法和系统技术方案

本发明专利技术公开了一种基于生成对抗网络的图像去水印方法和系统，大大提升了图像去水印的效果。其技术方案为：将图像输入生成网络中，生成对抗网络中的生成网络根据输入图像生成相应的无水印图像，然后对抗网络根据生成网络输出图像的整体和局部特征判断是否为符合要求的图像，在此基础上再针对生成网络和对抗网络进行了部分优化。

【技术实现步骤摘要】
一种基于生成对抗网络的图像去水印方法和系统
本专利技术涉及图像处理技术，具体涉及一种应用于图像处理和视频处理领域的图像去水印的方法和系统。
技术介绍
在数字化的背景下，很多企业机构为提升工作效率，降低人力成本，纷纷引入扫描和OCR等技术，实现公司资料、合同文档、证件文书等纸质信息的高速录入。在文档资料电子化过程中，会有一定比例的文档存在有水印的情况，如工商局加盖水印的内档文件、客户增加手写签名的底稿文件等。这些加盖水印的文档正常难以进行文字识别，给后期的文本挖掘造成了障碍。因此，想要达到比较好的文本挖掘效果，需要对这些加盖水印的文档进行处理。传统去水印的方法包括锐化、维纳滤波、小波变换等，但这些方法都有比较大的使用局限，造成的结果是水印去除不彻底以及原有图像信息的丢失。随着近年来计算机的发展以及深度学习的不断研究，使用更有效的深度学习方法来解决传统的研究问题显得更加的有效可行。
技术实现思路
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。本专利技术的目的在于解决上述问题，提供了一种基于生成对抗网络的图像去水印方法和系统，大大提升了图像去水印的效果。本专利技术的技术方案为：本专利技术揭示了一种基于生成对抗网络的图像去水印方法，包括：准备数据集，其中数据集包括至少一张带水印图像和对应的原始的无水印图像；将带水印图像输入生成网络，生成网络根据定义的神经元类型、数目及连接方式进行计算处理，输出处理后为无水印图像；将生成网络输出的无水印图像和对应的原始的无水印图像共同输入至对抗网络，以使对抗网络对输入数据进行区别分类，以判断生成网络输出的无水印图像是否符合要求；重复前两步，对抗网络的输出反馈至生成网络，基于对抗网络的输出反馈结果来优化生成网络。根据本专利技术的基于生成对抗网络的图像去水印方法的一实施例，在将带水印图像输入生成网络之前还包括：对数据集进行包括尺度归一化在内的图像预处理。根据本专利技术的基于生成对抗网络的图像去水印方法的一实施例，图像预处理还包括对图像进行降噪处理以去除图像中的干扰颜色，以及先裁剪图像周围的空白区域再进行尺度归一化处理。根据本专利技术的基于生成对抗网络的图像去水印方法的一实施例，生成网络包括一个用于处理图像整体的全局生成器和多个用于处理图像局部细节的局部生成器。根据本专利技术的基于生成对抗网络的图像去水印方法的一实施例，全局生成器的处理过程包括：先通过卷积前端处理进行卷积操作，提取带水印图像的整体的图像空间表征；再利用残差网络建立深度卷积层；最后通过卷积后端处理进行反向卷积操作，在学习到的整体的图像空间表征的基础上通过上采样构建无水印图像。根据本专利技术的基于生成对抗网络的图像去水印方法的一实施例，残差网络通过在多层神经网络的连接中添加多个捷径以实现梯度远距离传递，避免梯度弥散的出现，其中残差网络中包括残差块，残差块由卷积层、InstanceNorm层和Relu激活函数层共同构成。根据本专利技术的基于生成对抗网络的图像去水印方法的一实施例，局部生成器的处理过程包括：先通过卷积前端处理进行卷积操作，提取带水印图像的局部细节的图像空间表征；最后通过卷积后端处理进行反向卷积操作，在学习到的局部细节的图像空间表征的基础上通过上采样构建无水印图像。根据本专利技术的基于生成对抗网络的图像去水印方法的一实施例，全局生成器和局部生成器进行特征匹配损失的处理。根据本专利技术的基于生成对抗网络的图像去水印方法的一实施例，包括全局生成器和多个局部生成器的生成网络的训练处理过程包括：一次将多个带水印图像输入到生成网络中，先单独训练全局生成器一定轮数，再单独训练局部生成器一定轮数，最后将全局生成器和局部生成器的网络参数加以保持并加载单独训练的网络参数后进一步训练全局生成器和局部生成器。根据本专利技术的基于生成对抗网络的图像去水印方法的一实施例，采用多个不同尺度的对抗网络，各个生成器的输出与对应尺度的对抗网络的输入相连，每一尺度的对抗网络的输出再反馈至对应的生成器。本专利技术还揭示了一种基于生成对抗网络的图像去水印系统的一实施例，包括：数据集预备模块，准备数据集，其中数据集包括至少一张带水印图像和对应的原始的无水印图像；生成网络处理模块，将带水印图像输入生成网络，生成网络根据定义的神经元类型、数目及连接方式进行计算处理，输出处理后为无水印图像；对抗网络处理模块，将生成网络输出的无水印图像和对应的原始的无水印图像共同输入至对抗网络，以使对抗网络对输入数据进行区别分类，以判断生成网络输出的无水印图像是否符合要求；其中对抗网络处理模块的输出反馈至生成网络处理模块，基于对抗网络处理模块的输出反馈结果来优化生成网络。根据本专利技术的基于生成对抗网络的图像去水印系统的一实施例，系统还包括：图像预处理模块，对数据集进行包括尺度归一化在内的图像预处理。根据本专利技术的基于生成对抗网络的图像去水印系统的一实施例，图像预处理模块还配置为对图像进行降噪处理以去除图像中的干扰颜色，以及先裁剪图像周围的空白区域再进行尺度归一化处理。根据本专利技术的基于生成对抗网络的图像去水印系统的一实施例，生成网络处理模块中包括一个用于处理图像整体的全局生成器和多个用于处理图像局部细节的局部生成器。根据本专利技术的基于生成对抗网络的图像去水印系统的一实施例，全局生成器包括：第一卷积前端模块，通过卷积前端处理进行卷积操作，提取带水印图像的整体的图像空间表征；残差网络模块，利用残差网络建立深度卷积层；第一转置卷积后端模块，通过卷积后端处理进行反向卷积操作，在学习到的整体的图像空间表征的基础上通过上采样构建无水印图像。根据本专利技术的基于生成对抗网络的图像去水印系统的一实施例，残差网络模块通过在多层神经网络的连接中添加多个捷径以实现梯度远距离传递，避免梯度弥散的出现，其中残差网络模块中包括残差块，残差块由卷积层单元、InstanceNorm层单元和Relu激活函数层单元共同构成，其中InstanceNorm层单元用于对数据进行归一化，Relu激活函数层单元用于将非线性特性引入神经网络以方便梯度传递。根据本专利技术的基于生成对抗网络的图像去水印系统的一实施例，局部生成器包括：第二卷积前端模块，通过卷积前端处理进行卷积操作，提取带水印图像的局部细节的图像空间表征；第二转置卷积后端模块，通过卷积后端处理进行反向卷积操作，在学习到的局部细节的图像空间表征的基础上通过上采样构建无水印图像。根据本专利技术的基于生成对抗网络的图像去水印系统的一实施例，全局生成器和局部生成器进行特征匹配损失的处理。根据本专利技术的基于生成对抗网络的图像去水印系统的一实施例，包括全局生成器和多个局部生成器的生成网络处理模块被配置为：一次将多个带水印图像输入到生成网络中，先单独训练全局生成器一定轮数，再单独训练局部生成器一定轮数，最后将全局生成器和局部生成器的网络参数加以保持并加载单独训练的网络参数后进一步训练全局生成器和局部生成器。根据本专利技术的基于生成对抗网络的图像去水印系统的一实施例，对抗网络处理模块采用多个不同尺度的对抗网络，各个生成器的输出与对应本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的图像去水印方法，其特征在于，包括：准备数据集，其中数据集包括至少一张带水印图像和对应的原始的无水印图像；将带水印图像输入生成网络，生成网络根据定义的神经元类型、数目及连接方式进行计算处理，输出处理后为无水印图像；将生成网络输出的无水印图像和对应的原始的无水印图像共同输入至对抗网络，以使对抗网络对输入数据进行区别分类，以判断生成网络输出的无水印图像是否符合要求；重复前两步，对抗网络的输出反馈至生成网络，基于对抗网络的输出反馈结果来优化生成网络。

【技术特征摘要】
1.一种基于生成对抗网络的图像去水印方法，其特征在于，包括：准备数据集，其中数据集包括至少一张带水印图像和对应的原始的无水印图像；将带水印图像输入生成网络，生成网络根据定义的神经元类型、数目及连接方式进行计算处理，输出处理后为无水印图像；将生成网络输出的无水印图像和对应的原始的无水印图像共同输入至对抗网络，以使对抗网络对输入数据进行区别分类，以判断生成网络输出的无水印图像是否符合要求；重复前两步，对抗网络的输出反馈至生成网络，基于对抗网络的输出反馈结果来优化生成网络。2.根据权利要求1所述的基于生成对抗网络的图像去水印方法，其特征在于，在将带水印图像输入生成网络之前还包括：对数据集进行包括尺度归一化在内的图像预处理。3.根据权利要求2所述的基于生成对抗网络的图像去水印方法，其特征在于，图像预处理还包括对图像进行降噪处理以去除图像中的干扰颜色，以及先裁剪图像周围的空白区域再进行尺度归一化处理。4.根据权利要求1所述的基于生成对抗网络的图像去水印方法，其特征在于，生成网络包括一个用于处理图像整体的全局生成器和多个用于处理图像局部细节的局部生成器。5.根据权利要求4所述的基于生成对抗网络的图像去水印方法，其特征在于，全局生成器的处理过程包括：先通过卷积前端处理进行卷积操作，提取带水印图像的整体的图像空间表征；再利用残差网络建立深度卷积层；最后通过卷积后端处理进行反向卷积操作，在学习到的整体的图像空间表征的基础上通过上采样构建无水印图像。6.根据权利要求5所述的基于生成对抗网络的图像去水印方法，其特征在于，残差网络通过在多层神经网络的连接中添加多个捷径以实现梯度远距离传递，避免梯度弥散的出现，其中残差网络中包括残差块，残差块由卷积层、InstanceNorm层和Relu激活函数层共同构成。7.根据权利要求4所述的基于生成对抗网络的图像去水印方法，其特征在于，局部生成器的处理过程包括：先通过卷积前端处理进行卷积操作，提取带水印图像的局部细节的图像空间表征；最后通过卷积后端处理进行反向卷积操作，在学习到的局部细节的图像空间表征的基础上通过上采样构建无水印图像。8.根据权利要求4所述的基于生成对抗网络的图像去水印方法，其特征在于，全局生成器和局部生成器进行特征匹配损失的处理。9.根据权利要求4所述的基于生成对抗网络的图像去水印方法，其特征在于，包括全局生成器和多个局部生成器的生成网络的训练处理过程包括：一次将多个带水印图像输入到生成网络中，先单独训练全局生成器一定轮数，再单独训练局部生成器一定轮数，最后将全局生成器和局部生成器的网络参数加以保持并加载单独训练的网络参数后进一步训练全局生成器和局部生成器。10.根据权利要求1所述的基于生成对抗网络的图像去水印方法，其特征在于，采用多个不同尺度的对抗网络，各个生成器的输出与对应尺度的对抗网络的输入相连，每一尺度的对抗网络的输出再反馈至对应的生成器。11.一种基于生成对抗网络的图像去水印系统，其特征在于，包括：数据集预备模块，准备数据集，其中数据集包括至少一张带水印图像和对应的原始的无水印图像；生成网络处理模块，将带水印图像输入生成网络，生成网络根据定义的神经元类型、数目及连接方式进行计算处理，输出处理后为无水印图像；对抗网络处理模块，将生成网络输出的无水印图像和对应的原始的无水印图像共同输入至对抗网络，以使对抗网络对输入数据进行区别分类，以判断生成网络输出的...

【专利技术属性】
技术研发人员：姚毅，章国川，阳帅，
申请(专利权)人：上海唯识律简信息科技有限公司，
类型：发明
国别省市：上海,31