识别规格图片中是否包含水印的方法及装置与流程

本发明涉及计算机技术领域，尤其涉及一种识别规格图片中是否包含水印的方法及装置。

背景技术：

现有技术中，为了在办理业务时方便机器识别，it系统中通常使用了各种规格图片，例如方便网上办理银行业务、金融业务、社会服务业务的身份证图片、社保卡图片、驾驶证图片等证件照图片，以及相同板式的文档截图、纸质文件的页面拍照图片等。由于规格图片通常用于作为证明文件存档或者用于机器识别，通常需要保证较高的清晰度以及关键信息没有被遮挡，不会产生歧义或机器识别误判，因此规格图片中通常不能存在水印等干扰信息。

传统技术中为了识别出规格图片文件中包含的水印，通常采用边缘检测的方式来获取规格图片中的轮廓信息，然后根据轮廓信息判断图片文件中是否包含有符合水印特征的轮廓(例如斜向文字、网纹、超大文字等，参考图1所示，注：为不涉及侵权，人脸区域已打马赛克)，从而对规格图片中的水印进行识别。

然而，发明人经研究发现传统技术中识别规格图片文件中包含的水印信息的方式至少存在如下问题：规格图片例如身份证图片中，人像区域中通常还包含有衣物等背景，可能出现容易引起干扰的轮廓信息，从而导致误判。因此，传统技术中识别规格图片文件中包含的水印信息的方式的准确度不足。

技术实现要素：

基于此，为解决传统技术中的在识别规格图片中是否包含水印信息时容易受到人体、衣物上花纹的干扰，从而导致的识别准确率不高的技术问题，特提出了一种识别规格图片中是否包含水印的方法。

一种识别规格图片中是否包含水印的方法，包括：

获取样本规格图片集合，将所述样本规格图片集合中的样本图片调整到预设尺寸，且所述样本规格图片集合中的样本图片中不包含水印信息；

计算所述样本规格图片集合中的样本图片在所述预设尺寸的各个像素位置的像素属性值的平均值；

对所述预设尺寸的各个像素位置的像素属性值的平均值进行归一化处理，得到所述预设尺寸的各个像素位置的水印概率值；

获取调整到所述预设尺寸的目标图片，计算所述目标图片在所述预设尺寸的各个像素位置的像素属性值与相应的水印概率值的乘积之和，根据所述乘积之和判定所述目标图片是否包含水印。

在其中一个实施例中，所述像素属性值为灰度梯度值；

所述计算所述样本规格图片集合中的样本图片在所述预设尺寸的各个像素位置的像素属性值的平均值的步骤之前还包括：

计算所述样本规格图片集合中的样本图片在所述预设尺寸的各个像素位置的灰度梯度值。

在其中一个实施例中，所述像素属性值为灰度值与背景灰度的差值；

所述计算所述样本规格图片集合中的样本图片在所述预设尺寸的各个像素位置的像素属性值的平均值的步骤之前还包括：

根据背景灰度将所述样本规格图片集合中的样本图片转化为灰度图片。

在其中一个实施例中，所述像素属性值为灰度值；

所述计算所述样本规格图片集合中的样本图片在所述预设尺寸的各个像素位置的像素属性值的平均值的步骤之前还包括：

根据灰度值将所述样本规格图片集合中的样本图片转化为二值化图片。

在其中一个实施例中，所述对所述预设尺寸的各个像素位置的像素属性值的平均值进行归一化处理的步骤为：

获取所述预设尺寸的各个像素位置的像素属性值的平均值的最大值，计算所述预设尺寸的各个像素位置的像素属性值的平均值与所述最大值的比值，得到所述预设尺寸的各个像素位置对应的概率值。

在其中一个实施例中，所述得到所述预设尺寸的各个像素位置的水印概率值的步骤为：

计算所述预设尺寸的各个像素位置对应的概率值的对立事件概率值，作为所述预设尺寸的各个像素位置对应的水印概率值。

在其中一个实施例中，所述根据所述水印概率评价值判定所述目标图片是 否包含水印的步骤还包括：

判断所述水印概率评价值是否大于或等于阈值，若是，则判定所述目标图片中包含水印。

此外，为解决传统技术中的在识别规格图片中是否包含水印信息时容易受到人体、衣物上花纹的干扰，从而导致的识别准确率不高的技术问题，特提出了一种识别规格图片中是否包含水印的装置。

一种识别规格图片中是否包含水印的装置，包括：

样本规格图片获取模块，用于获取样本规格图片集合，将所述样本规格图片集合中的样本图片调整到预设尺寸，且所述样本规格图片集合中的样本图片中不包含水印信息；

均值计算模块，用于计算所述样本规格图片集合中的样本图片在所述预设尺寸的各个像素位置的像素属性值的平均值；

水印概率计算模块，用于对所述预设尺寸的各个像素位置的像素属性值的平均值进行归一化处理，得到所述预设尺寸的各个像素位置的水印概率值；

水印判定模块，用于获取调整到所述预设尺寸的目标图片，计算所述目标图片在所述预设尺寸的各个像素位置的像素属性值与相应的水印概率值的乘积之和，根据所述乘积之和判定所述目标图片是否包含水印。

在其中一个实施例中，所述像素属性值为灰度梯度值；

所述均值计算模块还用于计算所述样本规格图片集合中的样本图片在所述预设尺寸的各个像素位置的灰度梯度值。

在其中一个实施例中，所述像素属性值为灰度值与背景灰度的差值；

所述均值计算模块还用于根据背景灰度将所述样本规格图片集合中的样本图片转化为灰度图片。

在其中一个实施例中，所述像素属性值为灰度值；

所述均值计算模块还用于根据灰度值将所述样本规格图片集合中的样本图片转化为二值化图片。

在其中一个实施例中，所述水印概率计算模块还用于获取所述预设尺寸的各个像素位置的像素属性值的平均值的最大值，计算所述预设尺寸的各个像素位置的像素属性值的平均值与所述最大值的比值，得到所述预设尺寸的各个像 素位置对应的概率值。

在其中一个实施例中，所述水印概率计算模块还用于计算所述预设尺寸的各个像素位置对应的概率值的对立事件概率值，作为所述预设尺寸的各个像素位置对应的水印概率值。

在其中一个实施例中，所述水印判定模块还用于判断所述水印概率评价值是否大于或等于阈值，若是，则判定所述目标图片中包含水印。

实施本发明实施例，将具有如下有益效果：

采用了上述识别规格图片中是否包含水印的方法和装置之后，先根据没有水印的样本规格图片集合得到预设尺寸的每个像素位置出现与背景区域的像素属性值有较大差异的水印概率值，然后再接收输入的目标图片，计算目标图片上各个像素点的像素属性值与相应像素位置的水印概率值的乘积之和，由于该和中，人脸、衣服上像素属性存在像素属性突变的区域的水印概率值较小，因此，可忽略掉人脸，衣服上的轮廓信息对水印识别的干扰，而对于背景区域上的水印信息，其水印概率值较大，若背景区域出现水印，则在该区域上将出现较大的像素属性值，再与较大的水印概率值相乘之后再相加将得到较大的和，从而可根据该较大的和判定出规格图片中是否包含水印，并且由于过滤掉了人脸，和衣服上本身存在的轮廓，使得判定结果更加准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

其中：

图1为有水印和无水印的规格图片的对比图；

图2为一个实施例中一种识别规格图片中是否包含水印的方法的流程图；

图3为一个实施例中一种识别规格图片中是否包含水印的装置的示意图；

图4为一个实施例中运行前述识别敏感信息的方法的计算机设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为解决传统技术中的在识别规格图片中是否包含水印信息时容易受到人体、衣物上花纹的干扰，从而导致的识别准确率不高的技术问题，特提出了一种识别规格图片中是否包含水印的方法，该方法的实现可依赖于计算机程序，该计算机程序可运行于基于冯诺依曼体系的计算机系统之上，该计算机程序可以是规格图片的图像识别程序、具有规格图像信息识别对比功能的it应用程序，例如，证件信息识别应用或带有证件信息识别功能的it系统，文档图片ocr(opticalcharacterrecognition，光学字符识别)应用或带有ocr功能的程序。该计算机系统可以是运行上述计算机程序的服务器或终端。

具体的，如图1所示，一种识别规格图片中是否包含水印的方法，包括：

步骤s102：获取样本规格图片集合，将所述样本规格图片集合中的样本图片调整到预设尺寸。

如前所述，规格图片可以是身份证图片、社保卡图片、驾驶证图片等证件照图片，以及相同板式的文档截图、纸质文件的页面拍照图片等。样本规格图片集合即为预设的多个作为样本的规格图片，且该作为样本的多个规格图片中均不包含水印信息。例如，在一个身份证件识别系统的应用场景中，可预先录入n张正常的没有包含水印的身份证照片的图像文件，作为样本规格图片集合。

在本实施例中，对于样本规格图片集合中的样本图片，在将其选入样本规格图片集合中后，需要调整其大小及缩放比例，若预设的尺寸为600×300的尺寸，则可通过样本图片进行缩放或裁减将样本图片调整为600×300的图片文件。

步骤s104：计算所述样本规格图片集合中的样本图片在所述预设尺寸的各个像素位置的像素属性值的平均值。

像素属性值即为反映像素点特征属性值，可包括灰度值、灰度值与预设的 背景灰度的差值、灰度梯度值等。在不同的实施例中，可以任意选取一种反映像素点特征的属性值作为像素属性值参与计算。在本实施例中，以灰度梯度值为例作为像素属性值进行说明。在计算所述样本规格图片集合中的样本图片在所述预设尺寸的各个像素位置的像素属性值的平均值的步骤之前还可计算所述样本规格图片集合中的样本图片在所述预设尺寸的各个像素位置的灰度梯度值。

在本步骤中，对于样本规格图片集合中的每个样本图片，其尺寸均为预设尺寸，如上例中，样本规格图片集合中的样本图片的尺寸均为600×300，因此，可以获取样本规格图片集合中的每个样本图片在某个像素位置s：(i，j)上的像素属性值dk，s，其中，(i，j)为在预设尺寸上的某个像素位置s的像素坐标，dk，s为样本规格图片集合中的第k个样本图片中在像素位置s处的像素点的像素属性值。然后通过计算

得到像素位置s的像素属性值的平均值davg，s，然后计算预设尺寸600×300上的每一个像素位置的平均值davg，s，即得到了平均值davg，s构成的图。

步骤s106：对所述预设尺寸的各个像素位置的像素属性值的平均值进行归一化处理，得到所述预设尺寸的各个像素位置的水印概率值。

在本实施例中，对所述预设尺寸的各个像素位置的像素属性值的平均值进行归一化处理的步骤可具体为：获取所述预设尺寸的各个像素位置的像素属性值的平均值的最大值，计算所述预设尺寸的各个像素位置的像素属性值的平均值与所述最大值的比值，得到所述预设尺寸的各个像素位置对应的概率值。

也就是说，可以先在预设尺寸600×300中的所有像素位置s1，s2，s3，s4…中先选出davg，s的最大值davg，max，然后对于每一个像素位置s，均计算：

得到各个像素位置(i，j)处对应的概率值p(i，j)。该p(i，j)即为归一化后得到的与像素位置(i，j)处对应的概率值，用于表示像素位置(i，j)处存在具有特征的像素属性值的概率，或者说像素位置(i，j)处与样本规格图片相似且无水印信息的概率。

进一步的，在本实施例中，还可计算所述预设尺寸的各个像素位置对应的 概率值的对立事件概率值，作为所述预设尺寸的各个像素位置对应的水印概率值。

如上例中，由于p(i，j)表示了像素位置(i，j)处与样本规格图片相似且无水印信息的概率，因此其对立事件概率值：1-p(i，j)为相应的像素位置(i，j)处可能出现水印的概率值，即水印概率值。

在其他实施例中，也可通过通过其他方式定义水印概率值，但定义的水印概率值必须随着预设尺寸的各个像素位置对应的概率值的递增而递减。

通过对预设尺寸的每一个像素位置进行上述步骤s102至步骤s106的计算，即可得到

步骤s108：获取调整到所述预设尺寸的目标图片，计算所述目标图片在所述预设尺寸的各个像素位置的像素属性值与相应的水印概率值的乘积之和，根据所述乘积之和判定所述目标图片是否包含水印。

输入的目标图片即为需要判定是否包含水印的图片，也需要以对待样本规格图片相同的方式对其进行裁剪和缩放，从而将其调整到相同的预设尺寸，如上例中，即为将输入的图片调整为600×300的图片。

如上例中，在得到调整到所述预设尺寸的目标图片之后，即可通过公式：

t＝σd(i,j)×(1-p(i,j))

计算目标图片上各个像素位置(i，j)处的像素属性值与相应像素位置(i，j)的水印概率值1-p(i，j)的乘积，然后计算求和得到t。在本实施例中，可通过判断t是否大于或等于阈值，若是，则判定所述目标图片中包含水印。

也就是说，在本实施例中，像素属性值选择为灰度梯度值，若多个样本规格图片在某个像素位置(i，j)处的灰度梯度值的平均值较大，且方差较小，即表示在样本规格图片中，该位置由于图片规格的定义，因此具有较高的概率出现梯度导致灰度突变，可能存在图像轮廓，例如，证件图片的人脸区域和文字说明区域，由于证件图片规格的限制，必然会出现较多的轮廓，从而导致梯度值较大。若多个样本规格图片在某个像素位置(i，j)处的灰度梯度值的平均值较小，且方差较小，则意味着该像素位置可能为规格图片中定义的背景位置，在规格中有较小的概率出现梯度导致灰度突变。因此，当输入了目标图片之后，若目标图片在像素位置(i，j)处的梯度值较大，而此处的样本规格图片的梯度值相对于图片整体的梯度变化较小，则水印概率值较大，则两者的乘积较大：

d(i，j)×(1-p(i，j))

为排除噪点，对目标图片整体进行分析，即对于每一个像素位置(i，j)均计算该乘积，然后进行求和得到t。由于对于衣服、人脸区域上的梯度信息，水印概率值1-p(i，j)均较小，因此过滤掉了衣服、人脸区域上的轮廓对水印识别的感染，而使得t的大小反映了目标图片在图像背景上与样本规格图片的差异，因此，识别更加准确。

在另一个实施例中，也可选用灰度值与背景灰度的差值作为像素属性值。在本实施例中，在计算所述样本规格图片集合中的样本图片在所述预设尺寸的各个像素位置的像素属性值的平均值的步骤之前，则可根据与背景灰度将所述样本规格图片集合中的样本图片转化为灰度图片。

在本实施例中，仍可按照前述的步骤执行步骤s102和步骤s104，但在归一化时，可参考预设的样本规格图片的背景灰度进行归一化处理，例如，若规格图片的定义中，背景灰度并不为白色，而是灰度为100的背景色，则可通过计算预设尺寸的各个像素位置上的平均值与该背景灰度100的差值，并以该差值进行归一化。

而在根据上述公式：

t＝σd(i,j)×(1-p(i,j))

计算时，证件图片中的人脸，衣服上与背景色差距较大的像素点的p(i，j)较大，因此，水印概率值1-p(i，j)较小，从而使得目标图片中的人脸，衣服等与背景色差距较大的像素点在中t的权重较小。而对于目标图片中的水印信息，由于其出现的位置位于背景色区域，此区域的像素点的p(i，j)较小，而水印概率值1-p(i，j)较大，因此，当目标图片中在该区域存在于背景灰度差距较大的像素点，且数量较多时，t值将显著上升，从而可方便地甄别出规格图片中的水印信息。

在另一个实施例中，对于纯白或纯黑为背景色的规格图片，还可以像素属性值的灰度值作为像素属性值。在本实施例中，计算所述样本规格图片集合中的样本图片在所述预设尺寸的各个像素位置的像素属性值的平均值的步骤之前还包括：根据灰度值将所述样本规格图片集合中的样本图片转化为二值化图片。

二值化图片即为黑白图片，仅包含两种灰度值。可预先设置灰度阈值，高于灰度阈值的像素点其灰度值设置为255，低于灰度阈值的像素点其灰度值设置 为0。然后仍然采用上述公式：

t＝σd(i,j)×(1-p(i,j))

来判定目标图片中是否包含水印，由于背景区域的像素点的p(i，j)为0，则目标图片在背景区域的若有明显的水印信息，则会显著体现在t值中。而对于人脸、衣服等灰度值相对背景差距较大的区域，则p(i，j)为1，相应的水印概率值为0，因此可过滤掉人脸和衣服区域中的图像信息对水印判断的干扰，从而提高准确率。

需要说明的是，上述以灰度值(需要二值化图片)、灰度值与背景灰度的差值或灰度梯度值作为像素属性值判定目标图片中是否包含有不合乎规格图片的定义的水印信息的实施例中，经发明人测试得出以灰度梯度值作为像素属性值进行判定的方式为最优，由于其仅考虑了轮廓信息，而没有过多的涉及目标图片中与目标图片的内容可能相关的像素点本身的灰度信息，从而使得其识别准确度最高。

此外，为解决传统技术中的在识别规格图片中是否包含水印信息时容易受到人体、衣物上花纹的干扰，从而导致的识别准确率不高的技术问题，在一个实施例中，如图3所示，特提出了一种识别规格图片中是否包含水印的装置，包括：样本规格图片获取模块102、均值计算模块104、水印概率计算模块106和水印判定模块108，其中：

样本规格图片获取模块102，用于获取样本规格图片集合，将所述样本规格图片集合中的样本图片调整到预设尺寸，且所述样本规格图片集合中的样本图片中不包含水印信息。

均值计算模块104，用于计算所述样本规格图片集合中的样本图片在所述预设尺寸的各个像素位置的像素属性值的平均值。

水印概率计算模块106，用于对所述预设尺寸的各个像素位置的像素属性值的平均值进行归一化处理，得到所述预设尺寸的各个像素位置的水印概率值。

水印判定模块108，用于获取调整到所述预设尺寸的目标图片，计算所述目标图片在所述预设尺寸的各个像素位置的像素属性值与相应的水印概率值的乘积之和，根据所述乘积之和判定所述目标图片是否包含水印。

在一个实施例中，所述像素属性值为灰度梯度值。均值计算模块104还用 于计算所述样本规格图片集合中的样本图片在所述预设尺寸的各个像素位置的灰度梯度值。

在一个实施例中，所述像素属性值为灰度值与背景灰度的差值；均值计算模块104还用于根据背景灰度将所述样本规格图片集合中的样本图片转化为灰度图片。

在一个实施例中，所述像素属性值为灰度值；均值计算模块104还用于根据灰度值将所述样本规格图片集合中的样本图片转化为二值化图片。

在一个实施例中，水印概率计算模块106还用于获取所述预设尺寸的各个像素位置的像素属性值的平均值的最大值，计算所述预设尺寸的各个像素位置的像素属性值的平均值与所述最大值的比值，得到所述预设尺寸的各个像素位置对应的概率值。

在一个实施例中，水印概率计算模块106还用于计算所述预设尺寸的各个像素位置对应的概率值的对立事件概率值，作为所述预设尺寸的各个像素位置对应的水印概率值。

在一个实施例中，水印判定模块108还用于判断所述水印概率评价值是否大于或等于阈值，若是，则判定所述目标图片中包含水印。

实施本发明实施例，将具有如下有益效果：

采用了上述识别规格图片中是否包含水印的方法和装置之后，先根据没有水印的样本规格图片集合得到预设尺寸的每个像素位置出现与背景区域的像素属性值有较大差异的水印概率值，然后再接收输入的目标图片，计算目标图片上各个像素点的像素属性值与相应像素位置的水印概率值的乘积之和，由于该和中，人脸、衣服上像素属性存在像素属性突变的区域的水印概率值较小，因此，可忽略掉人脸，衣服上的轮廓信息对水印识别的干扰，而对于背景区域上的水印信息，其水印概率值较大，若背景区域出现水印，则在该区域上将出现较大的像素属性值，再与较大的水印概率值相乘之后再相加将得到较大的和，从而可根据该较大的和判定出规格图片中是否包含水印，并且由于过滤掉了人脸，和衣服上本身存在的轮廓，使得判定结果更加准确。

在一个实施例中，如图4所示，图4展示了一种运行上述识别规格图片中 是否包含水印的方法的基于冯诺依曼体系的计算机系统的终端10。该计算机系统可以是智能手机、平板电脑、掌上电脑，笔记本电脑或个人电脑等终端设备。具体的，可包括通过系统总线连接的外部输入接口1001、处理器1002、存储器1003和输出接口1004。其中，外部输入接口1001可选的可至少包括网络接口10012。存储器1003可包括外存储器10032(例如硬盘、光盘或软盘等)和内存储器10034。输出接口1004可至少包括显示屏10042等设备。

在本实施例中，本方法的运行基于计算机程序，该计算机程序的程序文件存储于前述基于冯诺依曼体系的计算机系统10的外存储器10032中，在运行时被加载到内存储器10034中，然后被编译为机器码之后传递至处理器1002中执行，从而使得基于冯诺依曼体系的计算机系统10中形成逻辑上的样本规格图片获取模块102、均值计算模块104、水印概率计算模块106和水印判定模块108。且在上述识别规格图片中是否包含水印的方法执行过程中，输入的参数均通过外部输入接口1001接收，并传递至存储器1003中缓存，然后输入到处理器1002中进行处理，处理的结果数据或缓存于存储器1003中进行后续地处理，或被传递至输出接口1004进行输出。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。