[发明专利]基于深度学习的不定位置图片水印修复方法

说明书

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。

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