[發(fā)明專(zhuān)利]水印識(shí)別在線訓(xùn)練、制樣、去除方法及裝置、設(shè)備、介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011308484.8
• 申請(qǐng)日: 2020-11-19
• 公開(kāi)（公告）號(hào): CN112419135A
• 公開(kāi)（公告）日: 2021-02-26
• 發(fā)明（設(shè)計(jì)）人: 陳廣
• 申請(qǐng)（專(zhuān)利權(quán)）人: 廣州華多網(wǎng)絡(luò)科技有限公司
• 主分類(lèi)號(hào): G06T1/00
• 分類(lèi)號(hào): G06T1/00;G06T7/194;G06T5/50;G06N3/04;G06N3/08
• 代理公司: 廣州利能知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44673
• 代理人: 王增鑫

本申請(qǐng)公開(kāi)一種水印識(shí)別在線訓(xùn)練、制樣、去除方法及裝置、設(shè)備、介質(zhì)，所述訓(xùn)練方法包括：從背景數(shù)據(jù)集中提取背景圖，將其隨機(jī)裁剪為預(yù)設(shè)規(guī)格；從水印數(shù)據(jù)集中提取水印原圖，將該水印原圖進(jìn)行圖像變形處理以形成水印增強(qiáng)圖；將水印增強(qiáng)圖與所述背景圖進(jìn)行合成，以獲得相應(yīng)的合成圖；將所述合成圖作為訓(xùn)練樣本饋入至預(yù)設(shè)的具有編碼解碼結(jié)構(gòu)的適于捕獲多尺度特征的圖像分割模型中實(shí)施樣本訓(xùn)練，使該圖像分割模型經(jīng)此訓(xùn)練適于從待識(shí)別圖片中去除所述水印原圖。本申請(qǐng)能夠自動(dòng)在線合成含水印的訓(xùn)練樣本即時(shí)用于圖像分割模型的訓(xùn)練，使該模型具備識(shí)別和去除圖片中的水印的能力。

技術(shù)領(lǐng)域

本申請(qǐng)屬于圖像識(shí)別技術(shù)，具體涉及一種水印識(shí)別在線訓(xùn)練、制樣、去除方法及其各自相應(yīng)的裝置、電子設(shè)備、非易失性存儲(chǔ)介質(zhì)。

背景技術(shù)

采用卷積神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行基于人工智能的圖像識(shí)別的相關(guān)技術(shù)已經(jīng)成熟。眾所周知，人工智能的實(shí)現(xiàn)依賴于大數(shù)據(jù)及其算法，換言之，一個(gè)有效的神經(jīng)網(wǎng)絡(luò)，一方面依賴于其訓(xùn)練樣本的多樣式，另一方面也依賴于其網(wǎng)絡(luò)原理和結(jié)構(gòu)。

出于各種不同目的，各大互聯(lián)網(wǎng)平臺(tái)或者應(yīng)用程序，會(huì)對(duì)用戶上傳的圖片添加水印，這些水印有時(shí)候會(huì)導(dǎo)致不便，特別是圖片所有人有時(shí)候需要復(fù)用原圖時(shí)，受限于已添加的水印，只能作罷。因此，時(shí)下的一種圖像識(shí)別需求是需要對(duì)各種被各大平臺(tái)、應(yīng)用程序添加了水印的圖片進(jìn)行水印的識(shí)別和清除操作，以便還原出原圖，方便圖片所有者的重復(fù)利用。

現(xiàn)有技術(shù)中存在從待識(shí)別圖片中去除水印的技術(shù)，但由于其所依賴的神經(jīng)網(wǎng)絡(luò)的不同，以及其訓(xùn)練樣本的差異，其識(shí)別效果并不理想。具體而言，在訓(xùn)練樣本方面，現(xiàn)有技術(shù)所依賴的數(shù)據(jù)集多為采集所得或者多是基于簡(jiǎn)單處理而得因此其數(shù)據(jù)量是有限的，且其特征代表性本身較低效，導(dǎo)致訓(xùn)練效果不佳；在其所依賴的神經(jīng)網(wǎng)絡(luò)方面，多采用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，這些神經(jīng)網(wǎng)絡(luò)本身由于其設(shè)計(jì)使然，往往依賴于海量樣本，對(duì)樣本需求量特別高?？梢?jiàn)，所采用的網(wǎng)絡(luò)的類(lèi)型及所采用的樣本數(shù)兩者互相依賴，導(dǎo)致現(xiàn)有的水印識(shí)別技術(shù)普遍效果不佳，實(shí)施成本較高。

發(fā)明內(nèi)容

本申請(qǐng)的目的，旨在提供一種水印識(shí)別在線訓(xùn)練方法、一種水印識(shí)別在線制樣方法、一種水印識(shí)別在線去除方法及其各自相應(yīng)的裝置、電子設(shè)備、非易失性存儲(chǔ)介質(zhì)。

為滿足本申請(qǐng)的各個(gè)目的，本申請(qǐng)采用如下技術(shù)方案：

適應(yīng)于本申請(qǐng)的目的之一而提供的一種水印識(shí)別在線訓(xùn)練方法，包括如下迭代執(zhí)行的步驟：

從背景數(shù)據(jù)集中提取背景圖，將其隨機(jī)裁剪為預(yù)設(shè)規(guī)格；

從水印數(shù)據(jù)集中提取水印原圖，將該水印原圖進(jìn)行圖像變形處理以形成水印增強(qiáng)圖；

將水印增強(qiáng)圖與所述背景圖進(jìn)行合成，以獲得相應(yīng)的合成圖；

將所述合成圖作為訓(xùn)練樣本饋入至預(yù)設(shè)的具有編碼解碼結(jié)構(gòu)的適于捕獲多尺度特征的圖像分割模型中實(shí)施樣本訓(xùn)練，使該圖像分割模型經(jīng)此訓(xùn)練適于從待識(shí)別圖片中去除所述水印原圖。

較佳的實(shí)施例中，所述圖像分割模型采用基于Residual U-block結(jié)構(gòu)的U²-Net神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。

更具體的實(shí)施例中，所述圖像分割模型實(shí)施樣本訓(xùn)練包括如下步驟：

將所述合成圖饋入所述圖像分割模型的輸入卷積層中進(jìn)行局部特征提取，獲得中間特征映射；

將所述中間特征映射經(jīng)圖像分割模型的收縮路徑中的多個(gè)編碼器逐步下采樣提取多尺度特征；

以所述多尺度特征為饋入特征，經(jīng)圖像分割模型的擴(kuò)展路徑中的多個(gè)解碼器逐步上采樣，逐級(jí)還原為更高分辨率的特征圖，其中，每個(gè)解碼器以其對(duì)應(yīng)的一個(gè)編碼器所獲得的特征圖為參照用于實(shí)施所述的還原；

將解碼器的所有輸出和編碼器最后階段的輸出進(jìn)行融合，獲得去除水印后的彩色圖。