本發(fā)明涉及計算機技術(shù)領(lǐng)域，尤其是一種基于機器學習的圖像水印去除方法。

背景技術(shù)：

在對圖像/視頻進行版權(quán)保護(或版權(quán)申明)時，有一類常見的方法是給圖像疊加上可見的水印記號，而有時圖像的使用者需要去除水印，利用完整的原始圖像，就需要進行水印去除。

一種方法是利用人工使用圖像編輯軟件如PhotoShop的方法去除，去除效果依賴人眼、人腦和繪圖工具的高度協(xié)調(diào)配合，而不能批量和高效處理大量圖像。

另外一種方法是采用圖像內(nèi)插(inpaint)的技術(shù)，對圖像進行自動修補，只需要事先標記水印區(qū)域，即可進行批量和自動的水印去除。inpaint方法中比較成熟的是Telea在2004年發(fā)表的An Image Inpainting Technique Based on the Fast Marching Method，簡稱FMM方法。該方法能夠利用待修補區(qū)域周圍圖像的顏色梯度信息，加以方向權(quán)值、距離權(quán)值，對待修補點進行估計，在圖像顏色變化比較平穩(wěn)和被破壞區(qū)域線條比較細的情況，修復(fù)效果較為理想。但此方法未利用半透明水印中包含的原始圖像的亮度和結(jié)構(gòu)信息，對大塊區(qū)域和劇烈變化區(qū)域的估計值(重建值)偏差較大。

本發(fā)明正是利用機器學習技術(shù)解決可視水印去除的方法。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是：提供了一種基于機器學習的圖像水印去除方法，它能夠利用少量修復(fù)的原圖，通過機器學習方法，得到通用的水印去除參數(shù)，算法能夠適應(yīng)灰度和彩色水印，以及圖案不規(guī)則、透明度不均勻的水印，同時能夠自動的不需要人工太多干預(yù)和操作的批量去除水印，以克服現(xiàn)有技術(shù)不足。

本發(fā)明是這樣實現(xiàn)的：基于機器學習的圖像水印去除方法，構(gòu)造100-1000張可以含有誤差的水印圖像和原始圖像的估計圖像作為訓練集，然后使用機器學習的方法求解出水印圖像和原始圖像對應(yīng)像素間的變換函數(shù)，對此函數(shù)求逆得到水印去除函數(shù)，從而對含相同水印的非樣本圖像中的水印給予去除。

具體包括如下步驟；

1)構(gòu)造學習樣本：從100-1000張含相同水印的圖像中，選取5-50張圖像；所選取的圖像的水印為能利用無偏估計的方式進行估計的水印，估計后得到估計值所選取的圖像盡量選容易估計準確的樣本，相同的圖像，如果是不熟悉圖像處理的人，他們來做會比較困難，可以利用的訓練樣本拿得就較少，對于熟悉圖像處理的技術(shù)人員而言，這個容易比較好滿足，訓練樣本拿到更多。

2)通過機器學習，得到水印值W和透明度P：根據(jù)水印混合模型Y＝W(1-P)+XP，令B＝W(1-P)，即可變換為Y＝B+XP，直接利用直線方程最小二乘法求解斜率和截距的結(jié)論，得到P和B，進而得到W；

3)水印去除：得到W和P的值以后，根據(jù)公式(1)重建圖像X₁：

X₁＝[Y-W×(1-P)]/P (1)

式中，X表示原圖像，X₁表示重建圖像，Y表示含水印的圖像，W表示水印值，P表示透明度。

根據(jù)透明水印混合的原理，原圖像X被疊加了半透明圖像W之后，得到含水印的圖像Y，其變換過程可以表達為Y＝g(f(X,W))，其中f為水印疊加變換，g為重采樣和圖像有損壓縮導(dǎo)致的圖像變化。

對于高質(zhì)量的圖像壓縮，我們可以假設(shè)g導(dǎo)致的圖像變化可以忽略不計，則Y＝f(X,W)。

為了處理彩色圖像和水印透明度在不同位置會發(fā)生變化的真實情況，我們設(shè)不同位置的坐標為(x，y)，RGB彩色圖像不同通道的編號為c，則未加水印的彩色圖像X上任意一點的任意一個顏色通道的像素值為X(x,y,c)，加了水印W對應(yīng)位置為W(x,y,c)，混合后的圖像Y的對應(yīng)位置為Y(x,y,c)。

常見的水印透明模型為：Y(x,y,c)＝W(x,y,c)×[1-P(x,y,c)]+X(x,y,c)×P(x,y,c)。

注：為了描述簡便，下面的表達省略(x,y,c)。

根據(jù)上述原理，我們要去除水印，也就是根據(jù)Y估計X的過程。

而要得到X，就必須得到W和P，但在絕大多數(shù)的應(yīng)用中，我們事先并不知道W和P，也就是只有含水印的圖像，但不知道水印值是多少，以及不知道水印是按怎樣的比例混合上去的。

所以，為了獲得W和P，本發(fā)明采用機器學習的辦法來處理。

與現(xiàn)有的技術(shù)相比，本發(fā)明采用機器學習的辦法，通過優(yōu)化的算法來計算獲得相對準確的W和P，從而能夠利用少量修復(fù)的原圖，得到通用的水印去除參數(shù)，本發(fā)明的算法能夠適應(yīng)灰度和彩色水印，以及圖案不規(guī)則、透明度不均勻的水印，同時能夠自動的不需要人工太多干預(yù)和操作的批量去除水印。本發(fā)明簡單易行，成本低廉，使用效果好。

附圖說明

附圖1為本發(fā)明的實施例中不用修復(fù)太好的學習用例；

附圖2為本發(fā)明的實施例中兩幅含水印的圖像；

附圖3為本發(fā)明的實施例圖像采用人工10分鐘編輯圖像去除水印的效果；

附圖4為本發(fā)明的實施例去除水印的效果；

附圖5為本發(fā)明的實施例學習到的水印圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進一步的詳細說明，但不作為對本發(fā)明的任何限制

本發(fā)明的實施例：基于機器學習的圖像水印去除方法，包括如下步驟；

1)構(gòu)造學習樣本：收集一定數(shù)量的、背景容易估計的樣本作為學習素材，也就是拿到個Y；數(shù)量視圖像水印估計難度而定，如果難以估計還原效果的學習樣本較多，則需要的數(shù)量就比較大，我們的經(jīng)驗值在20-100張圖這個范圍；如果拿到的樣本人工估計背景都誤差不大，則5-10張樣本圖的學習也能夠使算法精確工作；

2)用inpaint算法中FMM方法，或者其它內(nèi)插值估計方法(如圖1右)，甚至人工修補也允許(如圖3)，估計出原圖的無水印的情況，這樣得到n個X的估計值

3)建立水印的三通道矩陣W和P，矩陣大小可以目測，可以超過實際水印大小，無非輕微影響學習和去除水印速度，這步不是關(guān)鍵：

4)利用n對X和Y，代入機器學習方法進行參數(shù)估計，對于最常見的線性混合水印模型，利用最小二乘方法進行學習，可以利用最小二乘的公式得到：

注：這里利用上述B＝(1-P)W的替換，直接給出了W的表達，這步替換也是本發(fā)明的技巧之一。

5、利用X1＝[Y-W×(1-P)]/P恢復(fù)出原圖，達到去除水印的目的。

其中：有幾點需要說明：

1、本發(fā)明專利的聲明以線性混合的水印和最小二乘方法進行機器學習，但對非線性的水印混合及其它學習方法仍然有效。

2、估計圖X在結(jié)構(gòu)和紋理上的準確性要求不高，但零均值的假設(shè)比較重要，也就是平均亮度和原圖要一致，否則去除水印圖會偏亮偏暗或偏色。

3、對圖4仔細觀察，有部分噪點修復(fù)得甚至不如人工修復(fù)圖好，其原因是圖像有損壓縮的導(dǎo)致的圖像破壞，并不在本還原算法建模和考慮范圍，我們不能人工去修補了作為本算法的結(jié)果演示。一般可以用一個小尺度的圖像濾波進行消除，這種消除也有將圖像邊緣破壞的風險。

圖1中的左圖和右圖分別是含水印圖和簡易方法去除水印后的得到學習對象，對于算法描述中的Y和可以看到對原始背景估計得并不準確，但這種不準確可以送給機器學習算法進行消除，是本發(fā)明專利的核心技巧。

附圖2選用這兩幅圖的目的是它們水印后面的背景有一定復(fù)雜性，比學習樣本難以估計原始圖。

從附圖3可以看到因為處理時間有限，人工處理很多細節(jié)難以忠實事實，比如電線和上面的漂浮物被抹除，射燈的位置和大小也不正確。

而圖4是采用本發(fā)明的方案去除水印的效果，對應(yīng)公式的X1，耗時不到1ms。

圖5是本發(fā)明學習到的水印圖，分為顏色和透明度兩部分，對應(yīng)公式的W和P。圖5中的左右圖均可以是彩色圖像，以便描述R、G、B三個顏色通道的水印圖像色彩和透明度不一致的情況。對應(yīng)透明度圖像P來說，越暗表示越不透明，越亮表示越透明。所以示例的水印圖雖然黑色很深，但是不如白色部分對原圖覆蓋嚴重。

以上所述，僅是本發(fā)明的較佳實例而已，并非對本發(fā)明做任何形式上的限制，任何未脫離本發(fā)明技術(shù)方案內(nèi)容，依據(jù)本發(fā)明的技術(shù)實質(zhì)對以上實施例所作的任何簡單修改、等同變化與修飾，均仍屬于本發(fā)明技術(shù)方案的范圍內(nèi)。