图片水印识别方法、装置、设备及计算机可读存储介质与流程

本发明涉及图像检测技术领域，尤其涉及图片水印识别方法、装置、设备及计算机可读存储介质。

背景技术：

图像包含了丰富且直观的信息，当前在互联网的社交、购物等领域，都需要大量的图像来给用户传递信息。由于互联网信息的传播极为快速和便携，越来越多的个人和组织选择给自身拥有的图像嵌入水印信息，如在图像部分区域打上商标或网址的水印，以此保护图像信息的所有权。因此，图像信息的提供方在使用图像前，需要对图像进行审核，识别图像中是否含有水印信息，避免出现误用和侵权的行为。

一方面，随着互联网的飞速发展，图像提供方每天都会利用用户上传、爬虫下载等诸多途径获取大量图像信息，数量已远远超过人工审核的限度。另一方面，水印信息在图像中的视觉显著性很低，具有面积小，颜色浅，透明度高等特点，带水印图像与未带水印图像之间的差异往往很小，区分度较低。因此，通过人工审核的方式，难以实现对带水印图片的准确识别。

技术实现要素：

本发明的主要目的在于提供一种图片水印识别方法、装置、设备及计算机可读存储介质，旨在解决现有技术中通过人工审核的方式，难以实现对带水印图片的准确识别的技术问题。

为实现上述目的，本发明提供一种图片水印识别方法，所述图片水印识别方法包括以下步骤：

对现有图片库进行数据增强，得到样本图片库；

通过样本图片库中的图片，基于迭代训练的方式对预置卷积神经网络模型进行训练，得到目标卷积神经网络模型，其中，所述目标卷积神经网络模型包含inception网络以及预测层，所述预测层为fpn结构；

将待识别图片输入所述目标卷积神经网络模型，通过所述inception网络提取所述待识别图片的特征信息；

根据所述预测层和所述特征信息，识别所述待识别图片中的水印，得到所述待识别图片的水印识别结果。

可选的，所述对现有图片库进行数据增强，得到样本图片库的步骤包括：

对现有图片库中原始图片的水印进行调整，得到新增图片；

基于原始图片以及新增图片，得到样本图片库。

可选的，所述预置卷积神经网络模型包含inception网络以及预测层，所述预测层为fpn结构，所述通过样本图片库中的图片，基于迭代训练的方式对预置卷积神经网络模型进行训练，得到目标卷积神经网络模型的步骤包括：

对样本图片库中的图片进行预处理，得到训练图片，所述训练图片的数量至少为两张；

将每张训练图片输入预置卷积神经网络模型，通过所述inception网络提取每张训练图片的特征信息；

根据所述预测层和每张训练图片的特征信息，识别每张训练图片中的水印，得到每张训练图片的水印识别结果；

将每张训练图片的水印识别结果与各自对应的原始标注信息进行对比，得到每张训练图片对应的相似度，对得到的相似度进行求平均值计算，得到map值；

检测所述map值是否满足精度需求；

若所述map值满足精度需求，则以所述预置卷积神经网络模型作为目标卷积神经网络模型；

若所述map值不满足精度需求，则对所述预置卷积神经网络模型进行参数调整，得到新的卷积神经网络模型；

将所述新的卷积神经网络模型作为预置卷积神经网络模型，并执行所述将每张训练图片输入预置卷积神经网络模型，通过所述inception网络提取每张训练图片的特征信息的步骤。

可选的，所述对样本图片库中的图片进行预处理，得到训练图片的步骤包括：

将样本图片库中图片的图片格式调整为预置图片格式，得到训练图片。

可选的，所述根据所述预测层和所述特征信息，识别所述待识别图片中的水印，得到所述待识别图片的水印识别结果的步骤之后，还包括：

若根据所述水印识别结果，确定所述待识别图片为不带水印图片，则将所述待识别图片存储至待用图片库中。

可选的，所述根据所述预测层和所述特征信息，识别所述待识别图片中的水印，得到所述待识别图片的水印识别结果的步骤之后，还包括：

若根据所述水印识别结果，确定所述待识别图片为带水印图片；

确定所述待识别图片的所属权利人，并向所述待识别图片的所属权利人发送授权申请。

可选的，所述确定所述待识别图片的所属权利人，并向所述待识别图片的所属权利人发送授权申请的步骤包括：

根据所述水印识别结果，获取所述待识别图片中的水印；

根据所述水印，确定所述待识别图片的所属权利人；

检测预置联络信息记录表中，是否存在所述待识别图片的所属权利人对应的目标联络信息；

若存在所述所属权利人对应的目标联络信息，则基于所述目标联络信息，向所述待识别图片的所属权利人发送授权申请。

此外，为实现上述目的，本发明还提供一种图片水印识别装置，所述图片水印识别装置包括：

数据增强模块，用于对现有图片库进行数据增强，得到样本图片库；

训练模块，用于通过样本图片库中的图片，基于迭代训练的方式对预置卷积神经网络模型进行训练，得到目标卷积神经网络模型，其中，所述目标卷积神经网络模型包含inception网络以及预测层，所述预测层为fpn结构；

特征信息提取模块，用于将待识别图片输入所述目标卷积神经网络模型，通过所述inception网络提取所述待识别图片的特征信息；

识别模块，用于根据所述预测层和所述特征信息，识别所述待识别图片中的水印，得到所述待识别图片的水印识别结果。

此外，为实现上述目的，本发明还提供一种图片水印识别设备，所述图片水印识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图片水印识别程序，所述图片水印识别程序被所述处理器执行时实现如上所述的图片水印识别方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有图片水印识别程序，所述图片水印识别程序被处理器执行时实现如上所述的图片水印识别方法的步骤。

本发明中，对现有图片库进行数据增强，得到样本图片库；通过样本图片库中的图片，基于迭代训练的方式对预置卷积神经网络模型进行训练，得到目标卷积神经网络模型，其中，所述目标卷积神经网络模型包含inception网络以及预测层，所述预测层为fpn结构；将待识别图片输入所述目标卷积神经网络模型，通过所述inception网络提取所述待识别图片的特征信息；根据所述预测层和所述特征信息，识别所述待识别图片中的水印，得到所述待识别图片的水印识别结果。通过本发明，对原ssd网络结构进行了优化，根据优化得到的目标神经网络模型，进行图片水印识别，识别准确率可大大提高。

附图说明

图1为本发明实施例方案涉及的硬件运行环境的图片水印识别设备结构示意图；

图2为本发明图片水印识别方法第一实施例的流程示意图；

图3为现有技术中ssd网络结构示意图；

图4为本发明图片水印识别方法一实施例中预置卷积神经网络模型的结构示意图；

图5为原ssd网络的预测层的结构示意图；

图6为本发明图片水印识别方法第一实施例中预测层的结构示意图；

图7为本发明图片水印识别装置第一实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，图1为本发明实施例方案涉及的硬件运行环境的图片水印识别设备结构示意图。

本发明实施例图片水印识别设备可以是pc、便携计算机、服务器等具有数据处理功能终端设备。

如图1所示，该图片水印识别设备可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的图片水印识别设备结构并不构成对图片水印识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及图片水印识别程序。

在图1所示的图片水印识别设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的图片水印识别程序，并执行以下图片水印识别方法的各个实施例中的操作。

参照图2，图2为本发明图片水印识别方法第一实施例的流程示意图。

在本实施例中，所述图片水印识别方法包括：

步骤s10，对现有图片库进行数据增强，得到样本图片库；

一实施例中，步骤s10包括：

对现有图片库中原始图片的水印进行调整，得到新增图片；

基于原始图片以及新增图片，得到样本图片库。

本实施例中，对现有图片库中的原始图片中的水印进行调整，包括对水印进行翻转和/或对改变水印在图片中的位置，如此一来，一张原始图片经过修改后，可得到若干张新增图片。例如，对一张带有水印a的图片a1而言，将水印分别转动90度，通过3次转动，此时，图片库中的图片为：图片a1、图片a2、图片a3、图片a4，再将每张图片中的水印位置改变一次，此时，图片库中的图片为：图片a1、图片a2、图片a3、图片a4、图片a11、图片a21、图片a31、图片a41。可见，通过上述方式，通过一张原始图片可以衍生得到额外的7张图片，即若对现有图片库中的每张原始图片按照上述方式进行数据增强，则可以使现有图片库中的图片数量由n增长到8n，大大提升了现有图片库中图片的数量。即通过对现有图片库进行数据增强的方式，得到样本图片库。后续，通过样本图片库对预置卷积神经网络模型进行训练，由于样本图片库中的图片数量足够多，可使得训练效果更好，训练得到的卷积神经网络模型具备更好的泛化能力。

步骤s20，通过样本图片库中的图片，基于迭代训练的方式对预置卷积神经网络模型进行训练，得到目标卷积神经网络模型，其中，所述目标卷积神经网络模型包含inception网络以及预测层，所述预测层为fpn结构；

本实施例中，预置卷积神经网络模型的核心结构采用的是改进的ssd网络结构，原始的ssd使用vgg-16作为基础网络，并在vgg-16基础网络上添加特征提取层。参照图3，图3为现有技术中ssd网络结构示意图。如图3所示，ssd网络分为3部分，第一部分为采用vgg-16作为基础网络的特征提取层，用于对输入的图片进行特征提取，第二部分为预测层，用于基于第一部分提取到的特征信息进行结果预测，第三部分为输出层，用于输出第二部分预测得到的结果。

参照图4，图4为本发明图片水印识别方法一实施例中预置卷积神经网络模型的结构示意图。如图4所示，预置卷积神经网络模型分为部分a，部分b，和部分c。其中，部分a为inception网络，用于对输入的图片进行特征提取；部分b为采用了fpn(featurepyramidnetworks)结构的预测层，用于基于inception网络提取到的特征信息进行结果预测；部分c为输出层，用于输出部分b预测得到的结果。

由于不同图片中感兴趣的物体(本实施例中指水印)有着不同的大小和占比，而大的卷积核容易抽象大的物体，小的卷积核容易抽象小的物体，对于不同大小的物体图片要想同时获得较好的特征抽象，就需要不断加深卷积神经网络的层数(不同层采用不同的卷积核)，但同时会带来大量的计算。比如vgg-16中的一个3*3的卷积核，输入和输出都为256的话，一层需要的参数量为3*3*256*256，这对于多层卷积神经网络而言需要的参数量无疑是巨大的，所以原ssd算法只取到了vgg-16网络的第五层，导致的后果就在于对图片特征的抽象能力不够。而inception网络采用了稀疏连接和并行卷积的方式，有效的解决了这个问题，所以采用inception网络加深卷积神经网络层数的同时带来的计算量并没有增加。即相较于原ssd网络采用vgg-16，本实施例中采用inception网络可以从图片中提取更多的特征信息。

参照图5，图5为原ssd网络的预测层的结构示意图。如图5所示，其中，白色块为卷积，黑色块为预测层。原ssd网络的预测层，对于最底层得到的特征信息不会执行预测操作，只对高层得到特征信息进行预测操作，高层特征是卷积神经网络高层抽象后的结果，所以导致对小物体检测正确率较差，而水印一般比较小，即导致原ssd网络对水印的预测结果的准确率较差。本实施例中，参照图6，图6为本发明图片水印识别方法第一实施例中预测层的结构示意图。如图6所示，其中，白色块为卷积，黑色块为预测层。预测层采用fpn结构，通过横向的连接之后，对每一层进行预测，同时高层的信息可以传入到底层，最后对所有预测融合得到最终的结果。具体实现为：在inception网络进行重建得到重建层(即本实施例中采用fpn结构的预测层)，该重建层与特征提取层(本实施例中特征提取层为inception网络)进行横向映射。预测层采用fpn结构能将低特征提取层的语义检测加入到检测中来，同时横向映射保证了不同分辨率上物体位置的准确性，提高了对水印的检测正确率。

一实施例中，迭代训练的过程为：

对样本图片库中的图片进行预处理，得到训练图片，训练图片的数量至少为两张，例如，将样本图片库中图片的图片格式调整为预置图片格式，得到训练图片，本实施例中，将样本图片库中的图片输入预置卷积神经网络模型之前，需要对图片进行预处理，预处理的方式可以是，将图片调整为统一的格式(如jpg)，保证了图片输入一致性，有利于提高训练效果；将每张训练图片输入预置卷积神经网络模型，通过inception网络提取每张训练图片的特征信息；根据预测层和每张训练图片的特征信息，识别每张训练图片中的水印，得到每张训练图片的水印识别结果；将每张训练图片的水印识别结果与各自对应的原始标注信息进行对比，得到每张训练图片对应的相似度，对得到的相似度进行求平均值计算，得到map值；检测map值是否满足精度需求；若map值满足精度需求，则以预置卷积神经网络模型作为目标卷积神经网络模型；若map值不满足精度需求，则对预置卷积神经网络模型进行参数调整，得到新的卷积神经网络模型；将新的卷积神经网络模型作为预置卷积神经网络模型，并执行将每张训练图片输入预置卷积神经网络模型，通过inception网络提取每张训练图片的特征信息的步骤。其中，原始标注信息包含有训练图片中水印的位置信息。若水印识别结果包含的水印位置信息与原始标注信息包含的位置信息越相近，则相似度越高，导致map值越高，反之，map越低。map反应了卷积神经网络的优劣，map越高，说明当前的卷积神经网络输出的结果越准确。本实施例中，可预设一个阈值，若map值高于阈值，即map值满足精度需求，则当前的卷积神经网络模型可用于水印检测，则将当前的卷积神经网络模型作为目标卷积神经网络模型。若map值低于阈值，则对预置卷积神经网络模型进行参数调整(参数调整的实施方式可参考现有技术，神经网络本质上是一个计算流程，在前端接收输入信号后，经过一层层复杂的运算，在最末端输出结果。然后将计算结果和正确结果相比较，得到误差，再根据误差通过相应计算方法改进网络内部的相关参数，使得网络下次再接收到同样的数据时，最终计算输出得到的结果与正确结果之间的误差能越来越小)，得到新的卷积神经网络模型，然后将训练图片输入当前得到的新的卷积神经网络模型，并根据新的卷积神经网络模型针对训练图片输出的水印识别结果与训练图片的原始标注信息进行对比，得到新的map值，若map值大于预设阈值，则将新的卷积神经网络模型作为目标卷积神经网络模型，否则重复上述步骤，直至map值大于预设阈值时，将对应的卷积神经网络模型作为目标卷积神经网络模型。

步骤s30，将待识别图片输入所述目标卷积神经网络模型，通过所述inception网络提取所述待识别图片的特征信息；

本实施例中，inception网络，可采用inceptionv1、inceptionv2、inceptionv3、inceptionv4中的任意一种。其中，图片的特征信息是指能表示这张图片的主要信息。将一张待识别图片输入到目标卷积神经网络模型中，目标卷积神经网络模型通过卷积核扫描该图片的像素值，目标卷积神经网络模型中包含很多个卷积核(具体数量根据实际需要进行设置)，前一层卷积完成后，再交给下一层卷积进行运算，每个卷积核可以提取图片中不同的信息(提取方式为每个卷积核与扫描的局部图片像素值做点积运算)。而采用inception网络是因为它采用并行卷积核的方式，对比vgg16而言，相同的卷积层数对于图像的抽象能力就越强，从而表示的图片特征就越多。

步骤s40，根据所述预测层和所述特征信息，识别所述待识别图片中的水印，得到所述待识别图片的水印识别结果。

本实施例中，通过inception网络提取待识别图片的特征信息，根据采用了fpn结构的预测层，基于特征信息，得到针对待识别图片的水印识别结果。水印识别结果包括三种类型，类型一：未识别到水印；类型二：识别到水印；类型三：识别到水印，且水印位置为xxxx。

通过步骤s30的方式，得到特征信息，该特征信息，即特征点的像素点位置，即得到表征图像特征的特征图。采用fpn结构的预测层，首先以特征图上的每一个单元为中心，生成长宽不同比的先验证框，然后对于每一个框中的图片进行物体预测，预测类别置信度和边框位置与真实数据的中物体的类别和边框位置进行比较，因为可能会有多个先验框预测成同一个类别，所以采用nms(非极大值抑制)的方法选出最合适的框，也就是最后物体在图中的位置。本实施例中，即进行水印预测，并将类别为水印，且置信度最高的框的位置，作为水印识别结果输出，该水印识别结果，即水印在待识别图片中的位置。

本实施例中，对现有图片库进行数据增强，得到样本图片库；通过样本图片库中的图片，基于迭代训练的方式对预置卷积神经网络模型进行训练，得到目标卷积神经网络模型，其中，所述目标卷积神经网络模型包含inception网络以及预测层，所述预测层为fpn结构；将待识别图片输入所述目标卷积神经网络模型，通过所述inception网络提取所述待识别图片的特征信息；根据所述预测层和所述特征信息，识别所述待识别图片中的水印，得到所述待识别图片的水印识别结果。通过本实施例，对原ssd网络结构进行了优化，根据优化得到的目标神经网络模型，进行图片水印识别，识别准确率可大大提高。

可选的，一实施例中，步骤s40之后，还包括：

若根据所述水印识别结果，确定所述待识别图片为不带水印图片，则将所述待识别图片存储至待用图片库中。

本实施例中，若水印识别结果为“未识别到水印”，则该待识别图片极有可能是能够无偿使用的，便直接将待识别图片存储至待用图片库中，以供后续需要时，从待用图片库中调用该待识别图片。

可选的，一实施例中，步骤s40之后，还包括：

若根据所述水印识别结果，确定所述待识别图片为带水印图片；

确定所述待识别图片的所属权利人，并向所述待识别图片的所属权利人发送授权申请。

本实施例中，若识别到水印，则可根据该待识别图片的网络来源或水印样式，确定该待识别图片的所述权利人，并向该待识别图片的所属权利人发送授权申请。

一可选实施例中，确定所述待识别图片的所属权利人，并向所述待识别图片的所属权利人发送授权申请的步骤包括：

根据所述水印识别结果，获取所述待识别图片中的水印；

本实施例中，水印识别结果，可以是水印在待识别图片中的像素坐标，该像素坐标，即水印在待识别图片中的位置。本实施例中，将水印识别结果设置为输出水印位置，即水印识别结果为“识别到水印，且水印位置为xxxx”时，“xxxx”表示水印在待识别图片中的坐标信息。本实施例中，通过步骤s30的方式，得到特征信息，该特征信息，即特征点的像素点位置，即可得到表征图像特征的特征图。采用fpn结构的预测层，首先以特征图上的每一个单元为中心，生成长宽不同比的先验证框，然后对于每一个框中的图片进行物体预测，预测类别置信度和边框位置与真实数据的中物体的类别和边框位置进行比较，因为可能会有多个先验框预测成同一个类别，所以采用nms(非极大值抑制)的方法选出最合适的框，也就是最后物体在图中的位置。本实施例中，即进行水印预测，并将类别为水印，且置信度最高的框的位置，作为水印识别结果输出，该水印识别结果，即水印在待识别图片中的位置。

根据所述水印，确定所述待识别图片的所属权利人；

根据上述输出的水印位置信息，提取待识别图片中对应位置的图片区域，并对该图片区域进行文字识别(可通过ocr，opticalcharacterrecognition，光学字符识别技术实现)，例如文字识别结果为“a公司”，则确定该待识别图片的所述权利人为a公司。

检测预置联络信息记录表中，是否存在所述待识别图片的所属权利人对应的目标联络信息；

查找预置联络信息记录表中是否存在a公司的联络信息，预置联络信息记录表中可预先存储多个联系人的联络信息。

若存在所述所属权利人对应的目标联络信息，则基于所述目标联络信息，向所述待识别图片的所属权利人发送授权申请。

若存在a公司的联络信息，则基于该联络信息，发送授权申请至a公司。例如，预置联络信息记录表中存在a公司的邮箱，则将预先编辑好的授权申请发送至该邮箱。

后续，若收到待识别图片的所属权利人发送的授权确认，则将该待识别图片存储至待用图片库中，以供后续需要时，从待用图片库中调用该待识别图片。

本实施例中，当待识别图片中存在水印时，将授权申请发送至该待识别图片的所属权利人，可避免直接使用该待识别图片而带来的侵权风险。

此外，本发明实施例还提出一种图片水印识别装置。

参照图7，图7为本发明图片水印识别装置第一实施例的功能模块示意图。

本实施例中，图片水印识别装置包括：

数据增强模块10，用于对现有图片库进行数据增强，得到样本图片库；

训练模块20，用于通过样本图片库中的图片，基于迭代训练的方式对预置卷积神经网络模型进行训练，得到目标卷积神经网络模型，其中，所述目标卷积神经网络模型包含inception网络以及预测层，所述预测层为fpn结构；

特征信息提取模块30，用于将待识别图片输入所述目标卷积神经网络模型，通过所述inception网络提取所述待识别图片的特征信息；

识别模块40，用于根据所述预测层和所述特征信息，识别所述待识别图片中的水印，得到所述待识别图片的水印识别结果。

进一步的，数据增强模块10包括：

调整单元，用于对现有图片库中原始图片的水印进行调整，得到新增图片；

整合单元，用于基于原始图片以及新增图片，得到样本图片库。

进一步的，所述预置卷积神经网络模型包含inception网络以及预测层，所述预测层为fpn结构，训练模块20包括：

预处理单元，用于对样本图片库中的图片进行预处理，得到训练图片，所述训练图片的数量至少为两张；

特征提取单元，用于将每张训练图片输入预置卷积神经网络模型，通过所述inception网络提取每张训练图片的特征信息；

识别单元，用于根据所述预测层和每张训练图片的特征信息，识别每张训练图片中的水印，得到每张训练图片的水印识别结果；

对比单元，用于将每张训练图片的水印识别结果与对应的原始标注信息进行对比，得到每张训练图片对应的相似度，对得到的相似度进行求平均值计算，得到map值；

检测单元，用于检测所述map值是否满足精度需求；

确定单元，用于若所述map值满足精度需求，则以所述预置卷积神经网络模型作为目标卷积神经网络模型；

调整单元，用于若所述map值不满足精度需求，则对所述预置卷积神经网络模型进行参数调整，得到新的卷积神经网络模型；

返回执行单元，用于将所述新的卷积神经网络模型作为预置卷积神经网络模型，并执行所述将每张训练图片输入预置卷积神经网络模型，通过所述inception网络提取每张训练图片的特征信息的步骤。

进一步的，预处理单元包括：

格式调整子单元，用于将样本图片库中图片的图片格式调整为预置图片格式，得到训练图片。

进一步的，图片水印识别装置还包括：

存储模块50，用于若根据所述水印识别结果，确定所述待识别图片为不带水印图片，则将所述待识别图片存储至待用图片库中。

进一步的，图片水印识别装置还包括：

判断模块60，用于若根据所述水印识别结果，确定所述待识别图片为带水印图片；

请求授权模块70，用于确定所述待识别图片的所属权利人，并向所述待识别图片的所属权利人发送授权申请。

进一步的，请求授权模块包括：

获取单元，用于根据所述水印识别结果，获取所述待识别图片中的水印；

权利人确定单元，用于根据所述水印，确定所述待识别图片的所属权利人；

检测单元，用于检测预置联络信息记录表中，是否存在所述待识别图片的所属权利人对应的目标联络信息；

授权申请发送单元，用于若存在所述所属权利人对应的目标联络信息，则基于所述目标联络信息，向所述待识别图片的所属权利人发送授权申请。

本发明图片水印识别装置的具体实施例与上述图片水印识别方法的各个实施例基本相同，在此不做赘述。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有图片水印识别程序，所述图片水印识别程序被处理器执行时实现如上所述的图片水印识别方法的步骤。

本发明计算机可读存储介质的具体实施例与上述图片水印识别方法的各个实施例基本相同，在此不做赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。