一种图像去水印的方法及装置与流程

1.本技术涉及计算机技术领域，尤其涉及一种图像去水印的方法及装置。


背景技术：

2.随着网络技术的飞速发展，为了保护在互联网上传播的各种图片的版权，图片版权所有人经常会在图片中叠加可见的水印标记。但是很多时候图片的使用者需要使用没有水印的图片，此时则需要对图片进行去水印处理。
3.目前，现有技术中主要是基于深度学习模型来对图片进行去水印处理的，然而基于深度学习模型的图片去水印技术，对于许多模型从未见过的水印样式并不能很好地进行处理，导致去水印效果较差。


技术实现要素：

4.本技术实施例提供一种图像去水印的方法及装置，以解决现有技术中对不同样式水印的处理效果较差的问题。
5.为了解决上述技术问题，本技术实施例采用以下技术方案：
6.第一方面，本技术提供了一种图像去水印的方法，所述方法包括：
7.获取带水印的第一目标图片；
8.对所述第一目标图片进行水印检测，确定与所述水印对应的第一目标区域，所述第一目标区域包含所述水印；
9.对所述第一目标区域进行掩盖处理，得到第二目标区域；
10.对所述第二目标区域进行图像修复，得到不含水印的第二目标图片。
11.第二方面，本技术提供了一种图像去水印的装置，所述装置包括：
12.获取模块，用于获取带水印的第一目标图片；
13.确定模块，用于对所述第一目标图片进行水印检测，确定与所述水印对应的第一目标区域，所述第一目标区域包含所述水印；
14.处理模块，用于对所述第一目标区域进行掩盖处理，得到第二目标区域；
15.图像修复模块，用于对所述第二目标区域进行图像修复，得到不含水印的第二目标图片。
16.第三方面，本技术提供了一种电子设备，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计算机程序，所述计算机程序被所述处理器执行时实现第一方面的方法的步骤。
17.采用上述技术方案之后，本技术实施例提供的一种图像去水印的方法，获取带水印的第一目标图片；对所述第一目标图片进行水印检测，确定与所述水印对应的第一目标区域，所述第一目标区域包含所述水印；对所述第一目标区域进行掩盖处理，得到第二目标区域；对所述第二目标区域进行图像修复，得到不含水印的第二目标图片。如此，通过先对目标图片检测出的水印进行掩盖处理，再对被掩盖的区域进行图像修复，可以将去水印的
问题转换为图像修复的问题，消除水印样式对去水印效果的干扰，更好地去除各种样式的水印，从而提高对不同样式水印的处理能力。
附图说明
18.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
19.图1为本技术实施例提供的一种图像去水印方法的流程图；
20.图2为本技术实施例提供的一种图像去水印方法的流程图；
21.图3为本技术实施例提供的一种图像去水印方法的流程图；
22.图4为本技术实施例提供的一种图像去水印装置的结构框图；
23.图5为本技术实施例提供的一种电子设备的结构框图。
具体实施方式
24.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
25.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
26.以下结合附图，详细说明本技术各实施例提供的技术方案。
27.图1是本技术实施例提供的一种图像去水印方法的流程图。参照图1，本技术实施例提供的图像去水印方法可以包括：
28.步骤110，获取带水印的第一目标图片；
29.步骤120，对所述第一目标图片进行水印检测，确定与所述水印对应的第一目标区域，所述第一目标区域包含所述水印；
30.其中，对所述第一目标图片进行水印检测的模型可以为深度学习模型。典型的深度学习模型可以有卷积神经网络(convolutional neural networks，cnn)、循环神经网络(recurrent neural network，rnn)、深度信念网络(deep belief network，dbn)和堆栈自编码网络(stacked auto
‑
encoder network，saen)模型等。所述深度学习(deep learning，dl)是机器学习(machine learning，ml)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(artificial intelligence，ai)。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
31.在本技术实施例中，所述第一目标区域可以是不规则的，即所述水印原本的形状；也可以是规则的，例如，包含所述水印的四边形区域。
32.步骤130，对所述第一目标区域进行掩盖处理，得到第二目标区域；
33.需了解的是，所述对所述第一目标区域进行掩盖处理的方式可以根据实际应用情况进行选择，在此不做限定。举例而言，可以用一种与所述目标图片的原图像相区分的颜色对所述第一目标区域进行涂抹，也可以直接用一张纯色图像完全掩盖所述第一目标区域。
34.其中，所述第二目标区域可以为所述第一目标图片中缺损的区域，即所述第一目标图片需要进行图像修复的区域。
35.步骤140，对所述第二目标区域进行图像修复，得到不含水印的第二目标图片。
36.在本技术实施例中，可以由带水印的所述第一目标图片经过处理之后得到不含水印的所述第二目标图片，也就是说，所述第二目标图片可以为与所述第一目标图片的原图像基本一致的、完整的、自然的、不含水印的图像。
37.本技术实施例提供的一种图像去水印的方法，获取带水印的第一目标图片；对所述第一目标图片进行水印检测，确定与所述水印对应的第一目标区域，所述第一目标区域包含所述水印；对所述第一目标区域进行掩盖处理，得到第二目标区域；对所述第二目标区域进行图像修复，得到不含水印的第二目标图片。如此，通过先对目标图片检测出的水印进行掩盖处理，再对被掩盖的区域进行图像修复，可以将去水印的问题转换为图像修复的问题，消除水印样式对去水印效果的干扰，更好地去除各种样式的水印，从而提高对不同样式水印的处理能力。
38.在本技术实施例中，步骤120可以通过各种不同的方式来实现。
39.下面举出一种具体的实现范例。需了解，下面列出的仅是示例，并不意为限制。
40.可参见图2，步骤120中确定与所述水印对应的第一目标区域的具体过程可以包括：步骤210和步骤220。下面对这两个步骤进行阐释。
41.步骤210，确定与所述水印对应的最小四边形区域；
42.在本技术实施例中，为了后续对包含所述水印的最小区域进行掩盖以及更好地进行图像修复，可以选择用四边形来确定出所述水印在所述第一目标图片中的最小区域。其中，所述四边形区域可以为菱形、平行四边形以及矩形等等区域。
43.步骤220，将所述最小四边形区域确定为所述第一目标区域。
44.如此，可以将水印的位置具体清楚地从第一目标图片的其他区域划分出来，从而更好地进行后续图像去水印方法的步骤。
45.本技术实施例提供的一种图像去水印的方法，先对目标图片检测出的水印确定包含水印的最小四边形区域，再对该四边形区域进行掩盖处理，最后对被掩盖的区域进行图像修复，可以将去水印的问题转换为图像修复的问题，消除水印样式对去水印效果的干扰，更好地去除各种样式的水印，从而提高对不同样式水印的处理能力。
46.可选地，在本技术的一个实施例中，步骤210中所述确定与所述水印对应的最小四边形区域，可以包括：基于预先建立的坐标系，确定所述水印在所述坐标系中的多个位置坐标；从所述多个位置坐标中确定出至少四个目标位置坐标，其中，所述四个目标位置坐标包含位于第一直线上的至少两个位置坐标以及位于第二直线上的至少两个位置坐标，所述第一直线和所述第二直线不重合；基于所述四个目标位置坐标，确定所述水印对应的最小四
边形区域。如此，可以通过坐标的方式来更好地确定出水印对应的最小四边形区域。
47.其中，所述预先建立的坐标系可以为二维坐标系，例如，所述第一目标图片的图像区域可以是一个第四象限的二维坐标系，以所述第一目标图片的左上角为坐标原点(0，0)，水平向右为横坐标的正半轴，竖直向下为纵坐标的负半轴，建立二维坐标系。所述四个目标位置可以为所述四边形区域的四个顶点，从而通过四个目标位置的坐标更好地描述所述四边形区域的位置。
48.在本技术实施例中，在进行水印检测的过程中，可以将带水印的所述第一目标图片输入预先训练好的深度学习模型中，根据所述预先训练好的深度学习模型的输出结果，确定水印的位置。
49.为了更方便地表示所述四边形区域的坐标，在本技术的一个实施例中，可以根据三原色原理，确定所述第一目标图片中每一个像素的rgb颜色值，所述一个像素可以为所述二维坐标系的一个单元格，即所述一个像素的边长可以为所述二维坐标系的一个单位长度。也就是说，可以将所述第一目标图片通过像素划分为网格的形式，从而更加方便确定出所述第一目标图片中各个位置的坐标。
50.其中，rgb色彩模式是工业界的一种颜色标准，是通过对红(r)、绿(g)、蓝(b)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，rgb即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是运用最广的颜色系统之一。在电脑中，rgb的所谓“多少”就是指亮度，并使用整数来表示。通常情况下，rgb各有256级亮度，用数字表示为从0、1、2...直到255。注意虽然数字最高是255，但0也是数值之一，因此共256级。按照计算，256级的rgb色彩总共能组合出约1678万种色彩，即256
×
256
×
256＝16777216。通常也被简称为1600万色或千万色。也称为24位色(2的24次方)。
51.如此，通过引入rgb颜色值来确定四边形区域的四个顶点的坐标，更加便于确定水印的位置，从而更好地进行后续去除水印的步骤。
52.在本技术实施例中，步骤130中所述对所述第一目标区域进行掩盖处理，得到第二目标区域，可以包括：对所述第一目标区域进行纯色填充，得到纯色的第二目标区域。
53.需了解的是，也可以用一张纯色图片对所述第一目标区域进行掩盖处理，得到纯色的第二目标区域。其中，所述纯色可以为黑色。
54.可以理解的是，所述纯色可以为与所述第一目标图片的原图像所包含的颜色有较大差异的颜色。也就是说，在本技术实施例中所述纯色的选取可以根据实际情况进行选择，在此不做限定。举例而言，当所述第一目标图片为浅色系图像时，可以用黑色对所述第一目标区域进行填充；当所述第一目标图片为深色系图像时，可以用白色对所述第一目标区域进行填充。
55.在去水印的过程中经常碰到，例如，很多水印的文字不同、图标不同、大小不同、透明度不同等情况，这些因素都会导致现有的图像去水印技术的难度大大增加。如此，通过将目标图片存在水印的区域掩盖后，消除了不同样式水印对去水印效果的影响，可以将各式各样的水印都转换成一种情况，即通过图像周围部分修复被掩盖部分的情况。
56.在本技术实施例中，步骤140也可以通过各种不同的方式来实现。需了解，下面列出的仅是示例，并不意为限制。
57.步骤140中对所述第二目标区域进行图像修复，得到不含水印的第二目标图片的
具体过程可以包括：基于深度学习模型对所述第二目标区域进行图像修复，得到不含水印的第二目标图片；其中，所述深度学习模型中包含与所述第二目标图片相同的原始图片。
58.可以理解的是，在进行图像修复的过程中，将掩盖水印后的第一目标图片输入预先训练好的所述深度学习模型中，根据预先训练好的所述深度学习模型的输出结果，得到不含水印的第二目标图片。
59.其中，与所述第二目标图片相同的原始图片可以为所述第一目标图片。
60.另外，需了解的是，在本技术实施例中进行水印检测的深度学习模型和进行图像修复的深度学习模型可以根据实际情况进行选择，在此不做限定。举例而言，进行水印检测的深度学习模型和进行图像修复的深度学习模型可以为同一个深度学习模型，即这一个深度学习模型既可以进行水印检测也可以进行图像修复；或者，第一深度学习模型可以为一个进行水印检测的模型，第二深度学习模型可以为另一个进行图像修复的模型。
61.本技术实施例提供的一种图像去水印的方法，通过先对目标图片检测出的水印进行掩盖处理，再基于深度学习模型对被掩盖的区域进行图像修复，可以将去水印的问题转换为图像修复的问题，消除水印样式对去水印效果的干扰，更好地去除各种样式的水印，从而提高对不同样式水印的处理能力。
62.下面结合实际的应用场景，对本技术实施例提供的图像去水印方法进行进一步地详细介绍。如图3所示，本技术实施例提供的图像去水印方法可以包括如下步骤：
63.步骤310，获取带水印的第一目标图片。
64.步骤320，对所述第一目标图片进行水印检测，确定与所述水印对应的最小四边形区域。
65.步骤330，将所述最小四边形区域确定为所述第一目标区域，所述第一目标区域包含所述水印。
66.步骤340，对所述第一目标区域进行纯色填充，得到纯色的第二目标区域。
67.步骤350，基于深度学习模型对所述第二目标区域进行图像修复，得到不含水印的第二目标图片；其中，所述深度学习模型中包含与所述第二目标图片相同的原始图片。
68.本技术实施例提供的一种图像去水印的方法，通过先对目标图片检测出的水印进行掩盖处理，再对被掩盖的区域进行图像修复，可以将去水印的问题转换为图像修复的问题，消除水印样式对去水印效果的干扰，更好地去除各种样式的水印，从而提高对不同样式水印的处理能力。
69.图4为本技术实施例提供的一种图像去水印装置的结构框图。参照图4，本技术实施例提供的一种图像去水印装置400，可以包括：获取模块410、确定模块420、处理模块430以及图像修复模块440。
70.其中，所述获取模块410，用于获取带水印的第一目标图片；
71.所述确定模块420，用于对所述第一目标图片进行水印检测，确定与所述水印对应的第一目标区域，所述第一目标区域包含所述水印；
72.所述处理模块430，用于对所述第一目标区域进行掩盖处理，得到第二目标区域；
73.所述图像修复模块440，用于对所述第二目标区域进行图像修复，得到不含水印的第二目标图片。
74.本技术实施例提供的一种图像去水印的方法，获取带水印的第一目标图片；对所
述第一目标图片进行水印检测，确定与所述水印对应的第一目标区域，所述第一目标区域包含所述水印；对所述第一目标区域进行掩盖处理，得到第二目标区域；对所述第二目标区域进行图像修复，得到不含水印的第二目标图片。如此，通过先对目标图片检测出的水印进行掩盖处理，再对被掩盖的区域进行图像修复，可以将去水印的问题转换为图像修复的问题，消除水印样式对去水印效果的干扰，更好地去除各种样式的水印，从而提高对不同样式水印的处理能力。
75.可选地，在一个实施例中，在确定与所述水印对应的第一目标区域的过程中，所述确定模块420具体可以用于：确定与所述水印对应的最小四边形区域；将所述最小四边形区域确定为所述第一目标区域。
76.可选地，在一个实施例中，在对所述第一目标区域进行掩盖处理，得到第二目标区域的过程中，所述处理模块430具体可以用于：对所述第一目标区域进行纯色填充，得到纯色的第二目标区域。
77.可选地，在一个实施例中，所述纯色为黑色。
78.可选地，在一个实施例中，在确定与所述水印对应的最小四边形区域的过程中，所述确定模块420具体还可以用于：基于预先建立的坐标系，确定所述水印在所述坐标系中的多个位置坐标；从所述多个位置坐标中确定出至少四个目标位置坐标，其中，所述四个目标位置坐标包含位于第一直线上的至少两个位置坐标以及位于第二直线上的至少两个位置坐标，所述第一直线和所述第二直线不重合；基于所述四个目标位置坐标，确定所述水印对应的最小四边形区域。
79.可选地，在一个实施例中，在对所述第二目标区域进行图像修复，得到不含水印的第二目标图片的过程中，所述图像修复模块440具体可以用于：基于深度学习模型对所述第二目标区域进行图像修复，得到不含水印的第二目标图片；其中，所述深度学习模型中包含与所述第二目标图片相同的原始图片。
80.需要说明的是，本技术实施例提供的图像去水印的装置与上文提到的图像去水印的方法相对应。相关内容可参照上文对图像去水印的方法的描述，在此不做赘述。
81.此外，本技术实施例还提供一种电子设备500，所述电子设备500包括：存储器510、处理器520及存储在所述存储器510上并可在所述处理器520上运行的计算机程序，所述计算机程序被所述处理器520执行时实现如上文中任一项所述的方法的步骤。举例而言，所述计算机程序被所述处理器520执行时实现如下过程：获取带水印的第一目标图片；对所述第一目标图片进行水印检测，确定与所述水印对应的第一目标区域，所述第一目标区域包含所述水印；对所述第一目标区域进行掩盖处理，得到第二目标区域；对所述第二目标区域进行图像修复，得到不含水印的第二目标图片。如此，通过先对目标图片检测出的水印进行掩盖处理，再对被掩盖的区域进行图像修复，可以将去水印的问题转换为图像修复的问题，消除水印样式对去水印效果的干扰，更好地去除各种样式的水印，从而提高对不同样式水印的处理能力。
82.本技术实施例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计算机程序，所述计算机程序被所述处理器执行时实现如上文中任一项所述的方法的步骤。举例而言，所述计算机程序被所述处理器执行时实现如下过程：获取带水印的第一目标图片；对所述第一目标图片进行水印检测，确定与所述水印对应的第一目标区域，所述第一
目标区域包含所述水印；对所述第一目标区域进行掩盖处理，得到第二目标区域；对所述第二目标区域进行图像修复，得到不含水印的第二目标图片。如此，通过先对目标图片检测出的水印进行掩盖处理，再对被掩盖的区域进行图像修复，可以将去水印的问题转换为图像修复的问题，消除水印样式对去水印效果的干扰，更好地去除各种样式的水印，从而提高对不同样式水印的处理能力。
83.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
84.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
85.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
86.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
87.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
88.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
89.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd
‑
rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
90.还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
91.本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
92.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。