[发明专利]一种基于对抗网络的图像去水印的方法

权利要求书

1.一种基于对抗网络的图像去水印的方法，其特征在于，包括以下步骤：

第一步，给定一个包含带水印图片和相应真实图片的数据集，将带水印图片输入到对抗网络的生成器中，生成消除水印的图片；

第二步，接着将生成的消除水印的图片送入到对抗网络的判别器中，通过判别器区分是生成的图片还是真实图片，并在图片水平上评估生成器生成的去水印图片和真实图片的差距，计算损失；

第三步，通过生成器和判别器的对抗过程逐渐优化对抗网络模型，使得对抗网络模型能够生成高水平的去水印图片；

第四步，将带水印图片输入到训练好的对抗网络的生成器中，生成消除水印的图片即可。

2.根据权利要求1所述的基于对抗网络的图像去水印的方法，其特征在于：所述第一步中，将数据集分为训练集和测试集，并标注带水印图片及其相应的真实图片。

3.根据权利要求1所述的基于对抗网络的图像去水印的方法，其特征在于：所述第一步和第四步中，将RGB三通道带水印的图片x输入生成器，经过卷积、激活、正则化以及上采样操作后，生成与输入图片相同尺寸的RGB三通道去水印图片G(x)。

4.根据权利要求1或3所述的基于对抗网络的图像去水印的方法，其特征在于：采用医学领域常用的深度学习分割网络U-net作为对抗网络的生成器，深度学习分割网络U-net通过跳越结构连接网络的低层次特征和高层次特征，使得网络可以同时利用低层次特征的结构信息和高层次特征的语义信息。

5.根据权利要求1所述的基于对抗网络的图像去水印的方法，其特征在于：所述第二步中，将生成器生成的去水印图片标记为负样本输入判别器，将真实图片标记为正样本输入判别器，逐渐训练判别器。

6.根据权利要求1或5所述的基于对抗网络的图像去水印的方法，其特征在于：所述第二步中，判别器用于区分输入图片是真实图片还是生成的图片，属于二分类问题，因而选用预训练模型Resnet-101作为判别器，同时在预训练模型Resnet-101的基础上加入特征金字塔结构FPN，以增强网络信息表达能力。

7.根据权利要求1所述的基于对抗网络的图像去水印的方法，其特征在于：所述第三步中，使用图片级损失函数L_1，常规的交叉熵目标函数L_2和感知损失函数L_3，三种损失函数用于指导对抗模型训练。

8.根据权利要求7所述的基于对抗网络的图像去水印的方法，其特征在于：

所述图片级损失函数L_1用于评估生成图片G(x)和真实图片Y之间的差距，图片级损失函数L_1采用像素级别的平方差损失；

判别器目标是最小化该目标函数，生成器目标是最大化该目标函数，为了统一三个损失函数的形式，将所述常规的交叉熵目标函数L_2取反，对抗的目标变为arg(min)_G(max)_D((-L)_2)；

为了避免图像中小水印特征被忽略，截取预训练模型Resnet-101的conv5最后一层，利用生成图片和真实图片在该层的特征图feature map，所述感知损失函数L_3采用像素级别的平方差损失，计算感知损失。

9.根据权利要求7或8所述的基于对抗网络的图像去水印的方法，其特征在于：所述第三步中，优化对抗网络模型，包括以下步骤：

(1)固定判别器参数，输入带水印图片到生成器中，训练k轮；

(2)固定生成器参数，真实图片和生成的去水印图片输入到判别器中，训练k轮；

(3)交替进行步骤(1)和步骤(2)，同时训练生成器和判别器，从整体上逐渐优化模型。