一种基于生成式对抗网络的水印去除方法和装置[发明专利]
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910190722.0
(22)申请日 2019.03.13
(71)申请人 北京奇虎科技有限公司
地址 100088 北京市西城区新街口外大街
28号D座112室（德胜园区）
(72)发明人 董健　岳邦铮　
(74)专利代理机构 深圳市世纪恒程知识产权代
理事务所 44287
代理人 胡海国
(51)Int.Cl.
G06T  5/00(2006.01)
(54)发明名称
一种基于生成式对抗网络的水印去除方法
和装置
(57)摘要
本发明提供了一种基于生成式对抗网络的
好看的破案电视剧水印去除方法和装置。生成式对抗网络包括生成
器，上述方法包括：获取训练样本图像；将训练样
本图像输入生成器生成对应的无水印图像；计算
生成器损失函数，并根据生成器损失函数训练待
学习卷积核参数；多次重复上述步骤，当生成器
损失函数收敛时，将训练得到的卷积核参数和生
成器作为训练好的水印去除网络模型保存；将含
水印图像输入水印去除网络模型，获得对应的去
人外有人
除水印后的图像。本发明提供的方案能够较好的
模拟图像的真实分布，在有效去除水印的同时不
会破坏图像原本的像素，避免去除水印过程中图
像信息的丢失，提升去水印的效果，而且泛化能
力更好。权利要求书2页  说明书13页  附图4页CN 111696046 A 2020.09.22
C N  111696046
A
1.一种基于生成式对抗网络的水印去除方法，所述生成式对抗网络包括生成器，所述方法包括：
获取训练样本图像；
将所述训练样本图像输入所述生成器生成对应的无水印图像；
计算所述生成器损失函数，并根据所述生成器损失函数训练待学习卷积核参数；
多次重复上述步骤，当所述生成器损失函数收敛时，将训练得到的卷积核参数和所述生成器作为训练好的水印去除网络模型保存；
将含水印图像输入所述水印去除网络模型，获得对应的去除水印后的图像。
2.根据权利要求1所述的基于生成式对抗网络的水印去除方法，其中，在所述获取训练样本图像之前，包括：
对待学习卷积核进行参数初始化，赋予所述待学习卷积核初始值。
3.根据权利要求2所述的基于生成式对抗网络的水印去除方法，其中，所述对待学习卷积核进行参数初始化，包括：
使用均值为0，方差为0.01的高斯分布初始化所述待学习卷积核参数。
4.根据权利要求1所述的基于生成式对抗网络的水印去除方法，其中，所述将所述训练样本图像输入所述生成器生成对应的无水印图像，包括：
将含水印样本图像输入所述生成器，依次与所述卷积核参数初始值进行卷积、反卷积运算输出对应的无水印图像。
企业网站建设方案
5.根据权利要求1所述的基于生成式对抗网络的水印去除方法，其中，所述生成式对抗网络还包括辨别器，所述方法还包括：
将水印去除网络模型输出的去除水印后的图像和原始的不含水印图像共同输入至辨别器；
判断所述水印去除网络模型输出的去除水印后的图像是否符合要求；
将判断结果反馈至水印去除网络模型，基于所述判断结果来优化所述水印去除网络模型。
6.根据权利要求5所述的基于生成式对抗网络的水印去除方法，其中，所述辨别器包括全局辨别器和/或局部辨别器，所述方法还包括：
计算所述水印去除网络模型的损失函数，其中，所述损失函数包含有所述全局辨别器的损失函数和/或所述局部辨别器的损失函数；
根据所述损失函数调整所述待学习卷积核参数。
7.根据权利要求5所述的基于生成式对抗网络的水印去除方法，其中，所述判断所述水印去除网络模型输出的去除水印后的图像是否符合要求，将判断结果反馈至生成器，基于所述判断结果来优化所述水印去除网络模型，包括：
分别提取所述去除水印后的图像和对应的不含水印图像的整体图像特征，根据提取到的整体图像特征判断所述去除水印后的图像的整体图像是否为真实图像；和/或分别提取所述去除水印后的图像中对应的水印去除区域图像部分以及不含水印图像中对应的水印区域图像部分的局部特征，根据提取到的局部特征判断所述无水印图像的局部图像是否为真实图像；
将判断结果反馈至所述全局辨别器和/或局部辨别器，当所述整体图像和/或局部图像
为真实图像时，优化所述水印去除网络模型，并保存。
8.一种基于生成式对抗网络的水印去除装置，所述生成式对抗网络包括生成器，所述装置包括：
获取模块，用于获取训练样本图像；
生成模块，用于将所述训练样本图像输入所述生成器生成对应的无水印图像；
第一计算模块，用于计算所述生成器损失函数，并根据所述生成器损失函数训练待学习卷积核参数；
存储模块，用于多次重复上述步骤，当所述生成器损失函数收敛时，将训练得到的卷积核参数和所述生成器作为训练好的水印去除网络模型保存；
水印去除模块，用于将含水印图像输入所述水印去除网络模型，获得对应的去除水印后的图像。
9.一种计算机存储介质，所述计算机存储介质存储有计算机程序代码，当所述计算机程序代码在计算设备上运行时，导致所述计算设备执行权利要求1-7任一项所述的基于生成式网络的水印去除方法。
10.一种计算设备，包括：
处理器；
存储有计算机程序代码的存储器；
当所述计算机程序代码被所述处理器运行时，导致所述计算设备执行权利要求1-7任一项所述的基于生成式网络的水印去除方法。
一种基于生成式对抗网络的水印去除方法和装置
技术领域
[0001]本发明涉及图像处理技术领域，特别是涉及一种基于生成式对抗网络的水印去除方法和装置。
背景技术
[0002]水印是一种被广泛使用的保护图像、视频等多媒体数据版权信息的方式。但是，一些恶意营销性质的水印会影响图像的可欣赏性。因此，如何去除这些营销水印成为了一个比较重要的技术需求。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，在进行水印去除时需要知道水印的样子和模式，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。生成式对抗网络是一种深度学习模型，被广泛的应用在数据生成、图像修复等多个领域。
发明内容马蓉与闺蜜同出轨
[0003]本发明提出了一种基于生成式对抗网络的水印去除方法和装置以克服上述问题或者至少部分解决上述问题。
[0004]根据本发明的一个方面，提供了一种基于生成式对抗网络的水印去除方法，所述生成式对抗网络包括生成器，所述方法包括：
[0005]获取训练样本图像；
[0006]将所述训练样本图像输入所述生成器生成对应的无水印图像；
[0007]计算所述生成器损失函数，并根据所述生成器损失函数训练待学习卷积核参数；[0008]多次重复上述步骤，当所述生成器损失函数收敛时，将训练得到的卷积核参数和所述生成器作为训练好的水印去除网络模型保存；
[0009]将含水印图像输入所述水印去除网络模型，获得对应的去除水印后的图像。[0010]可选的，在所述获取训练样本之前，包括：
[0011]对待学习卷积核进行参数初始化，赋予所述待学习卷积核初始值。
[0012]可选的，所述对待学习卷积核进行参数初始化，包括：
[0013]使用均值为0，方差为0.01的高斯分布初始化所述待学习卷积核参数。
[0014]可选的，所述将所述训练样本图像输入所述生成器生成对应的无水印图像，包括：[0015]将含水印样本图像输入所述生成器，依次与所述卷积核参数初始值进行卷积、反卷积运算输出对应的无水印图像。
[0016]可选的，所述生成式对抗网络还包括辨别器，所述方法还包括：
[0017]将水印去除网络模型输出的去除水印后的图像和原始的不含水印图像共同输入至辨别器；
[0018]判断所述水印去除网络模型输出的去除水印后的图像是否符合要求；
[0019]将判断结果反馈至水印去除网络模型，基于所述判断结果来优化所述水印去除网
络模型。
[0020]可选的，所述辨别器包括全局辨别器和/或局部辨别器，所述方法还包括：[0021]计算所述水印
去除网络模型的损失函数，其中，所述损失函数包含有所述全局辨别器的损失函数和/或所述局部辨别器的损失函数；
[0022]根据所述损失函数调整所述待学习卷积核参数。
[0023]可选的，所述判断所述水印去除网络模型输出的去除水印后的图像是否符合要求，将判断结果反馈至生成器，基于所述判断结果来优化所述水印去除网络模型，包括：[0024]分别提取所述去除水印后的图像和对应的不含水印图像的整体图像特征，根据提取到的整体图像特征判断所述去除水印后的图像的整体图像是否为真实图像；和/或[0025]分别提取所述去除水印后的图像中对应的水印去除区域图像部分以及不含水印图像中对应的水印区域图像部分的局部特征，根据提取到的局部特征判断所述无水印图像的局部图像是否为真实图像；
[0026]将判断结果反馈至所述全局辨别器和/或局部辨别器，当所述整体图像和/ 或局部图像为真实图像时，优化所述水印去除网络模型，并保存。
[0027]可选的，在所述获取训练样本图像之前，还包括：
[0028]收集大量的不含水印图像和水印图像；
[0029]将所述不含水印图像作为原始图像，并将水印图像以随机的透明度添加到原始图像上以合成含
水印图像；
[0030]将所述含水印图像作为训练样本生成训练样本图像集。
[0031]可选的，所述将所述训练样本图像输入所述生成器生成对应的无水印图像之前，还包括：
[0032]对输入的训练样本图像进行尺度归一化预处理。
[0033]可选的，所述生成器为encode-decode结构的全卷积网络，包括编码器和解码器；[0034]所述编码器包括第一卷积模块、第二卷积模块、第三卷积模块，所述解码器包括第一反卷积模块、第二反卷积模块、第三反卷积模块；
[0035]其中，每个卷积模块和每个反卷积模块分别包含两个串联的卷积层，在第三卷积模块和第一反卷积模块之间包含4个串联的空洞卷积层。
[0036]基于与上述方法相同的发明构思，还提供了一种基于生成式对抗网络的水印去除装置，所述生成式对抗网络包括生成器，所述装置包括：
[0037]获取模块，用于获取训练样本图像；
万里长城的历史简介和资料[0038]生成模块，用于将所述训练样本图像输入所述生成器生成对应的无水印图像；[0039]第一计算模块，用于计算所述生成器损失函数，并根据所述生成器损失函数训练待学习卷积核参数；
[0040]存储模块，用于多次重复上述步骤，当所述生成器损失函数收敛时，将训练得到的卷积核参数和所述生成器作为训练好的水印去除网络模型保存；
[0041]水印去除模块，用于将含水印图像输入所述水印去除网络模型，获得对应的去除水印后的图像。
[0042]可选的，上述装置还包括：考健身教练证需要什么条件
[0043]初始化模块，用于在所述获取训练样本之前，对待学习卷积核进行参数初始化，赋

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。