一种基于对抗神经网络去除水印的方法、装置、设备及可读介质制造方法及图纸

本发明专利技术提供了一种基于对抗神经网络去除水印的方法、装置、设备及可读介质，该方法包括：训练步骤，基于样本图像对对抗神经网络进行训练，获得对抗神经网络模型；去除步骤，将带有水印的图像输入对抗神经网络模型中去除水印，得到无水印的图像。本发明专利技术设计了具有残差块的对抗神经网络，对抗神经网络包括生成器网络和鉴别器网络，通过该对抗性神经网络中的生成器网络能够快速、高效、批量地去除图像中特定的水印，并通过鉴别器网络判断除去水印的效果是否达到要求，如果达到要求，则将图像输出。

【技术实现步骤摘要】
一种基于对抗神经网络去除水印的方法、装置、设备及可读介质
本专利技术涉及图像处理
，特别是一种基于对抗神经网络去除水印的方法、装置、设备及可读介质。
技术介绍
水印通常以一致的方式添加到许多图像中。当从单个图像自动去除水印是非常具有挑战性的，视觉水印通常包含复杂的结构，例如细线和阴影，使它们更难以去除，针对处理去水印的问题，目前的技术有以下几种。一、通过图像处理软件进行人工处理。如，利用photoshop进行水印的去除。二、Google展示了一种计算机算法能够自动获得图片版权保护并去除水印,使用户无障碍地访问清晰图像。提出了一种广义的多图像消隐算法，它将不必要的图像集合作为输入，并自动估计“前景”(水印)，其“阿尔法”和“背景”(原始)图像。由于这种攻击依赖于图像集合中水印的一致性，在水印过程中可能引入的不同类型的不一致性的鲁棒性，如水印的位置和混合因子的随机改变，或者在嵌入时对水印应用微小的几何变形在每个图像，可能潜在地用于使水印更加安全。三、ICA独立成分分析，使用独立分量分析(ICA)来分离源图像与水印。这些技术在单个图像上操作，需要用户手动标记水印区域，并且不能处理大的水印区域。可见现有技术的缺陷在于：无法进行大批量自动化去水印的操作，对于单张图片出现的水印数不能太多，需要人工标注出水印的区域。
技术实现思路
本专利技术针对上述现有技术中的缺陷，提出了如下技术方案。一种基于对抗神经网络去除水印的方法，该方法包括：训练步骤，基于样本图像对对抗神经网络进行训练，获得对抗神经网络模型；去除步骤，将带有水印的图像输入对抗神经网络模型中去除水印，得到无水印的图像。更进一步地，所述方法还包括：样本图像获取步骤，收集M个图像作为底片图像集及收集或抠取N个待去除的水印样本图像作为水印样本图像集，并基于所述底片图像集和水印样本图像集制作带水印的样本图像集和不带水印的样本图像集；其中，样本图像获取步骤在所述训练步骤之前，M、N为整数。更进一步地，所述对抗神经网络包括生成器网络和鉴别器网络。更进一步地，所述训练步骤包括：确定步骤，基于带水印的样本图像集和不带水印的样本图像集确定生成器网络和鉴别器网络的结构；初始化步骤，根据由带水印的图像生成不带水印的图像初始化对抗神经网络训练参数和训练参数；模型训练步骤，基于带水印的样本图像集和不带水印的样本图像对生成器网络和鉴别器网络进行训练；重复执行上述模型训练步骤直到生成器网络和鉴别器网络的损失函数小于第一阈值且图像去除水印准确率大于第二阈值，得到训练完成的生成器网络和鉴别器网络。更进一步地，所述去除步骤中是将带有水印的图像输入对抗神经网络模型中的生成器网络去除水印，得到无水印的图像。更进一步地，初始化步骤中初始化的参数有：初始学习率、动量、权重下降因子和学习策略。更进一步地，所述生成器网络包括：k个卷积层，k个下采样层，残差层，k个反卷积层和k个反池化层，其中，第1个卷积层接收输入的图像，第1个下采样层的输入连接第1个卷积层的输出，第2个卷积层的输入连接第1个下采样层的输出，第2个下采样层的输入连接第2个卷积层的输出，依次类推，第k个下采样层的输入连接残差层的输入，残差层的输出连接第1个反卷积层的输入，第1个反卷积层的输出连接第1个反池化层的输入，第2个反卷积层的输入连接第1个反池化层的输出，第2个反卷积层的输出连接第2个反池化层的输入，依次类推，第k个反池化层输出图像，所述卷积层使用的卷积核大小为3*3或8*8，输入和输出图像的大小为1024*800，其中k为大于3的整数。更进一步地，所述鉴别器网络包括p个依次相连的卷积层，鉴别器网络通过激活函数输出一个标量，其表示输入图像属于训练样本图像而非生成器网络生成图像的概率，所述卷积层使用的卷积核大小为3*3或8*8，其中p为大于3的整数。本专利技术还提出了一种基于对抗神经网络去除水印的装置，该装置包括：训练单元，用于基于样本图像对对抗神经网络进行训练，获得对抗神经网络模型；去除单元，用于将带有水印的图像输入对抗神经网络模型中去除水印，得到无水印的图像。更进一步地，所述装置还包括：样本图像获取单元，用于收集M个图像作为底片图像集及收集或抠取N个待去除的水印样本图像作为水印样本图像集，并基于所述底片图像集和水印样本图像集制作带水印的样本图像集和不带水印的样本图像集；其中，样本图像获取单元的操作在所述训练单元的操作之前执行，M、N为整数。更进一步地，所述对抗神经网络包括生成器网络和鉴别器网络。更进一步地，所述训练单元包括：确定模块，用于基于带水印的样本图像集和不带水印的样本图像集确定生成器网络和鉴别器网络的结构；初始化模块，用于根据由带水印的图像生成不带水印的图像初始化对抗神经网络训练参数和训练参数；模型训练模块，用于基于带水印的样本图像集和不带水印的样本图像对生成器网络和鉴别器网络进行训练；重复执行上述模型训练模块的操作直到生成器网络和鉴别器网络的损失函数小于第一阈值且图像去除水印准确率大于第二阈值，得到训练完成的生成器网络和鉴别器网络。更进一步地，所述去除单元中是将带有水印的图像输入对抗神经网络模型中的生成器网络去除水印，得到无水印的图像。更进一步地，初始化模块中初始化的参数有：初始学习率、动量、权重下降因子和学习策略。更进一步地，所述生成器网络包括：k个卷积层，k个下采样层，残差层，k个反卷积层和k个反池化层，其中，第1个卷积层接收输入的图像，第1个下采样层的输入连接第1个卷积层的输出，第2个卷积层的输入连接第1个下采样层的输出，第2个下采样层的输入连接第2个卷积层的输出，依次类推，第k个下采样层的输入连接残差层的输入，残差层的输出连接第1个反卷积层的输入，第1个反卷积层的输出连接第1个反池化层的输入，第2个反卷积层的输入连接第1个反池化层的输出，第2个反卷积层的输出连接第2个反池化层的输入，依次类推，第k个反池化层输出图像，所述卷积层使用的卷积核大小为3*3或8*8，输入和输出图像的大小为1024*800，其中k为大于3的整数。更进一步地，所述鉴别器网络包括p个依次相连的卷积层，鉴别器网络通过激活函数输出一个标量，其表示输入图像属于训练样本图像而非生成器网络生成图像的概率，所述卷积层使用的卷积核大小为3*3或8*8，其中p为大于3的整数。本专利技术还提出了一种基于对抗神经网络去除水印的设备，其特征在于，所述设备包括处理器、存储器，所述处理器与所述存储器通过总线相连接，所述存储器中存储机器可读代码，所述处理器执行存储器中的机器可读代码以执行上述之任一项所述的方法。本专利技术还提出了一种计算机可读存储介质，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时可执行上述之任一所述的方法。本专利技术的技术效果为：本专利技术设计了具有残差块的对抗神经网络，对抗神经网络包括生成器网络和鉴别器网络，通过该对抗性神经网络中的生成器网络能够快速、高效、批量地去除图像中特定的水印，并通过鉴别器网络判断除去水印的效果是否达到要求，如果达到要求，则将图像输出。附图说明图1是根据本专利技术的实施例的基于对抗神经网络去除水印的方法的流程图。图2是根据本专利技术的实施例的训练步骤的流程图。图3是根据本专利技术的实施例的生成器网络的结构图。图4是根据本专利技术的实施本文档来自技高网...

【技术保护点】
1.一种基于对抗神经网络去除水印的方法，其特征在于，该方法包括：训练步骤，基于样本图像对对抗神经网络进行训练，获得对抗神经网络模型；去除步骤，将带有水印的图像输入对抗神经网络模型中去除水印，得到无水印的图像。

【技术特征摘要】
1.一种基于对抗神经网络去除水印的方法，其特征在于，该方法包括：训练步骤，基于样本图像对对抗神经网络进行训练，获得对抗神经网络模型；去除步骤，将带有水印的图像输入对抗神经网络模型中去除水印，得到无水印的图像。2.根据权利要求1的方法，其特征在于，所述方法还包括：样本图像获取步骤，收集M个图像作为底片图像集及收集或抠取N个待去除的水印样本图像作为水印样本图像集，并基于所述底片图像集和水印样本图像集制作带水印的样本图像集和不带水印的样本图像集；其中，样本图像获取步骤在所述训练步骤之前，M、N为整数。3.根据权利要求2的方法，其特征在于，所述对抗神经网络包括生成器网络和鉴别器网络。4.根据权利要求3的方法，其特征在于，所述训练步骤包括：确定步骤，基于带水印的样本图像集和不带水印的样本图像集确定生成器网络和鉴别器网络的结构；初始化步骤，根据由带水印的图像生成不带水印的图像初始化对抗神经网络训练参数和训练参数；模型训练步骤，基于带水印的样本图像集和不带水印的样本图像对生成器网络和鉴别器网络进行训练；重复执行上述模型训练步骤直到生成器网络和鉴别器网络的损失函数小于第一阈值且图像去除水印准确率大于第二阈值，得到训练完成的生成器网络和鉴别器网络。5.根据权利要求4的方法，其特征在于，所述去除步骤中是将带有水印的图像输入对抗神经网络模型中的生成器网络去除水印，得到无水印的图像。6.根据权利要求4的方法，其特征在于，初始化步骤中初始化的参数有：初始学习率、动量、权重下降因子和学习策略。7.根据权利要求5的方法，其特征在于，所述生成器网络包括：k个卷积层，k个下采样层，残差层，k个反卷积层和k个反池化层，其中，第1个卷积层接收输入的图像，第1个下采样层的输入连接第1个卷积层的输出，第2个卷积层的输入连接第1个下采样层的输出，第2个下采样层的输入连接第2个卷积层的输出，依次类推，第k个下采样层的输入连接残差层的输入，残差层的输出连接第1个反卷积层的输入，第1个反卷积层的输出连接第1个反池化层的输入，第2个反卷积层的输入连接第1个反池化层的输出，第2个反卷积层的输出连接第2个反池化层的输入，依次类推，第k个反池化层输出图像，所述卷积层使用的卷积核大小为3*3或8*8，输入和输出图像的大小为1024*800，其中k为大于3的整数。8.根据权利要求5的方法，其特征在于，所述鉴别器网络包括p个依次相连的卷积层，鉴别器网络通过激活函数输出一个标量，其表示输入图像属于训练样本图像而非生成器网络生成图像的概率，所述卷积层使用的卷积核大小为3*3或8*8，其中p为大于3的整数。9.一种基于对抗神经网络去除水印的装置，其特征在于，该装置包括：训练单元，用于基于样本图像对对抗神经网络进行训练，获得对抗神经网络模型；去除单元，用于将带有水印的图像输入对抗神经网络模型中去除水印，得到无水印的图像。10....

【专利技术属性】
技术研发人员：庄进发，黄仁裕，吴婷婷，雷李辉，杨培德，高志鹏，尤俊生，
申请(专利权)人：厦门市美亚柏科信息股份有限公司，
类型：发明
国别省市：福建,35