一种基于深度学习的图像去水印方法技术

本发明专利技术公开了一种基于深度学习的图像去水印方法，生成器结构中，每个卷积层得到的特征图都会级联到对应的上采样层，从而每层特征图都能有效使用到后续计算中。使用跳层连接的方法，避免了直接在高级特征图中进行监督和损失计算，实现了不同尺度下特征的融合，提高模型的结果精确度。在编码器处，执行卷积和最大池化。进行2*2最大池化时存储相应的最大池化索引。在编码器和解码器之间还存在短连接，使得网络生成结果更好。在该去水印模型中，采用感知损失和L1范数相结合的方式替换传统的均方误差损失法，使得无水印生成图像在细节和纹理上能够更贴近原图。输入带水印数据集后，该模型能分离出水印和背景图，进而还原图像。

【技术实现步骤摘要】
一种基于深度学习的图像去水印方法
本专利技术涉及图像去水印
，尤其涉及一种基于深度学习的图像去水印方法。
技术介绍
如今，水印作为一种保护版权的有效方式被广泛应用于海量的互联网图像中，针对水印的各种处理变得越来越重要，比如水印的检测以及水印的去除与反去除。在日常生活中如果下载和使用了带有水印的互联网图像，往往既不美观也可能构成侵权。面对细节丰富且复杂的水印，传统的PS去水印方法已经不能满足需求，对细节破坏的比较严重。水印在图像中的视觉显著性很低，而且水印面积小、颜色浅、透明度高，导致带水印图像与无水印图像间差异很小、区分度低，所以精度要求高的去水印操作有一定实现难度。研究发现，未经任何学习过程的卷积图像生成器架构可以捕捉到大量图像数据，尤其是解决不同图像修复问题的图像数据。在卷积网络对损坏图像反复迭代时，它能自动利用图像的全局统计信息重构丢失的部分。在图像复原中，基于学习的方法和基于非学习的方法是两种通用的方法。基于学习的方法是一种直接的方法，将有噪点图像作为输入数据，无噪点图像作为输出数据去训练深度卷积网络进行学习。基于非学习的方法或者说是手动制作先验的方法，是在合成数据里强行添加一些例如自然、真实图像的所属类别这样的信息。一般训练图像降噪模型，需要给神经网络输入带噪音图像和无噪音的干净样本这样成对的数据集。一组是清晰无噪点原图，一组是有噪点图，神经网络在大量对比中，学习到去除噪点的方法。L1损失可以得到目标的中值，这意味着网络可以被训练用来修复有显著异常内容的图像(最高可达50％)，而且也仅仅需要成对的被污染图像。这样的思路的瓶颈在于：寻找成对的符合要求的数据集是较困难的。图像到图像转换问题的一个特征定义是将高分辨率输入网格映射到高分辨率输出网格。输入和输出的表面外观虽然存在差异，但是两者是相同底层结构的渲染。使用对抗生成网络的生成器的输入结构大致与输出结构对齐。在某些常见情况下，网络可以学习恢复信号而不用输入“干净”的信号，且得到的结果接近或相当于使用“干净”样本进行训练。因此，现有技术需要进一步改进和完善。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于深度学习的图像去水印方法。本专利技术的目的通过下述技术方案实现：一种基于对抗生成网络的图像去水印方法，该方法主要包括如下具体步骤：1)自制有水印数据集。2)构造解决图像到图像的转换问题的生成对抗网络模型。水印去除问题可以看作是一个从图像到图像的转换问题，也就是把带水印图像转换为无水印图像。3)模型分为生成器和判别器。首先进行生成器模块的设计。为了在细节和边缘部分获得更好的结果，使用跳跃连接结构实现有噪点图像到复原图像间的转换。4)编码器的设计。编码器输出特征图的不同通道组合了图像的不同特征。13个卷积层，没有全连接层。5)解码器的设计。解码器使用最大池化的索引进行上采样。6)判别器模块的设计。为了更好地对图像的局部做判断，把图像等分成patch，判别器判断的是感受野N*N局部patch的真假性。7)设计损失函数。在该去水印模型中，采用感知损失和L1范数相结合的方式替换传统的均方误差损失法，使得无水印生成图像在细节和纹理上能够更贴近原图。8)把数据集输入到搭建的的模型中进行训练与测试。输入带水印数据集后，该模型能分离出水印和背景图，进而还原图像。进一步的，步骤1)还包括：收集各样的水印，为了保证模型的泛化性能，水印种类尽可能的多。网站上的图片都有统一样式的水印，去网站上传图片，让网站为图片加上水印，通过图像减法计算差值，得到了水印图像。一共收集了100种水印，选择网上的官方数据集作为原始的无水印图像，利用图像处理工具把收集的100种水印随机设置大小、位置以及透明度后，添加到原始图像上，得到自制的水印图像数据集。进一步的，步骤2)还包括：先通过水印检测模型检测出水印区域，然后再针对水印区域来进行水印去除操作。为了尽可能提升网络输出无水印图像的质量，将输入信息添加到输出中，从而尽可能保留图像的背景信息。进一步的，步骤3)还包括：生成器结构中，每个卷积层得到的特征图都会级联到对应的上采样层，从而每层特征图都能有效使用到后续计算中。使用跳层连接的方法，从而使得最终所得到的特征图中既包含了高级别的特征，也包含很多的低级别的特征，实现了不同尺度下特征的融合。进一步的，步骤4)还包括：在编码器处，执行卷积和最大池化。进行2*2最大池化时存储相应的最大池化索引。进一步的，步骤5)还包括：在解码器处，执行上采样和卷积。最后，每个像素送到Softmax分类器。在上采样期间，调用相应编码器层的最大池化索引以进行上采样。进一步的，步骤6)还包括：模型采用30*30大小的输出，每个元素感受野是70*70的patch，判别器会判断30个70*70的patch的真假性。对于不同尺寸的patch参数值做实验后，发现70*70的参数值比较合适。进一步的，步骤7)还包括：若仅仅使用GAN损失函数只能够衡量生成图片的结构与真实图片的结构是否相似，L1和L2范数并不能很好地恢复图像的高频部分，L1范数计算的是两个像素值的距离，能较好地恢复图像的低频部分即图像中的色块特征。在该去水印模型中，采用感知损失和L1范数相结合的方式替换传统的均方误差损失法，使得无水印生成图像在细节和纹理上能够更贴近原图。进一步的，步骤8)还包括：输入带水印数据集后，该模型能分离出水印和背景图，进而还原图像。模型能从大型真实图像数据集中学习到图像的先验信息，像素可以按照一定方式组合成一张无水印图像，通过这样的路径学习到通用图像信息的模型就能用来复原图像或者是生成高分辨率图像了。本专利技术的工作过程和原理是：本专利技术提供一种基于深度学习的图像去水印方法，在一定程度上，图像去水印的过程是一种图像恢复的工作，对抗生成网络能有效应对图像恢复。在生成器中输入带水印的原始图像作为条件约束，通过判别器和生成器间的对抗训练，提高生成器的能力，改善去水印效果。与现有技术相比，本专利技术还具有以下优点：(1)本专利技术所提供的基于深度学习的图像去水印方法与传统技术相比，可以生成分辨率更高的图片，在模型对抗生成的博弈过程中，若是生成不清晰的图片，判别网络会判别该生成图像是假的。(2)本专利技术所提供的基于深度学习的图像去水印方法具有高鲁棒性和安全性的去水印方案，使得不仅对单一图片可视水印的擦除性能显著，对大规模图片集也能保持高还原性。附图说明图1是本专利技术所提供的基于深度学习的图像去水印方法的流程图。图2是本专利技术所提供的图像生成网络生成器中的生成器的结构示意图。图3是本专利技术所提供的图像生成网络生成器中的编码器的结构示意图。图4是本专利技术所提供的图像生成网络生成器中的解码器使用最大池化的索引进行上采样的示意图。图5是本专利技术所提供的图像生成网络生成器中使用跳层连接的局部模型示意图。<本文档来自技高网...

【技术保护点】
1.一种基于深度学习的图像去水印方法，其特征在于，包括如下步骤：/n步骤S1：自制有水印数据集；/n步骤S2：设计生成器模块，使用跳跃连接结构实现有噪点图像到复原图像间的转换；/n步骤S3：设计判别器模块，把图像等分成patch，判别器判断的是感受野局部patch的真假性；/n步骤S4：设计损失函数，感知损失和L1范数相结合的方式替换传统的均方误差损失法；/n步骤S5：输入带水印数据集后，模型能分离出水印和背景图，进而还原图像。/n

【技术特征摘要】
1.一种基于深度学习的图像去水印方法，其特征在于，包括如下步骤：
步骤S1：自制有水印数据集；
步骤S2：设计生成器模块，使用跳跃连接结构实现有噪点图像到复原图像间的转换；
步骤S3：设计判别器模块，把图像等分成patch，判别器判断的是感受野局部patch的真假性；
步骤S4：设计损失函数，感知损失和L1范数相结合的方式替换传统的均方误差损失法；
步骤S5：输入带水印数据集后，模型能分离出水印和背景图，进而还原图像。


2.根据权利要求1所述的基于深度学习的图像去水印方法，其特征在于，所述步骤S1还包括：在网站上传图片，并为图片加上水印，通过图像减法计算差值，获得水印图像。


3.根据权利要求2所述的基于深度学习的图像去水印方法，其特征在于，收集100种水印，选择官方数据集作为原始的无水印图像，利用图像处理工具把收集的100种水印随机设置大小、位置以及透明度后，添加到原始图像上，得到水印图像数据集。


4.根据权利要求1所述的基于深度学习的图像去水印方法，其特征在于，所述步骤S2还包括：生成器结构中，每个卷积层得到的特征图都会级联到对应的上采样层，从而每层特征图都能有效使用到后续计算中。


5.根据权利要求4所述的基于深度学习的图像去水印方法，其特征在于，使用跳层连接的方法，从而使得最终所得到的特征图中既包含了高级别的特征，也包含很多的低级别的特征，实现了不同尺度下特征的融合。


6.根据权利要求1所述的基于深度学习的图像去水印方法...

【专利技术属性】
技术研发人员：杨海东，史扬艺，黄坤山，
申请(专利权)人：佛山市南海区广工大数控装备协同创新研究院，佛山市广工大数控装备技术发展有限公司，
类型：发明
国别省市：广东;44