基于全局与局部特征的二阶段文档图像可见水印去除模型

可见水印是一种常用的数字图像版权保护手段。分析可见水印去除结果可以验证图像上水印的有效性,并为水印设计者提供设计或添加水印的参考和启发。目前,大多数的水印去除方法都是基于自然图像的研究,而文档图像在生活中也被广泛使用,但由于缺乏公开的文档图像去水印数据集,相关文档图像的水印去除研究较少。为了探究水印去除方法在文档图像上的水印去除效果,构建了一个文档图像水印去除数据集(SDIWRD)。在对文档图像可见水印去除的研究中发现,使用已有的水印去除方法得到的水印去除结果中容易留下水印主体伪影或者轮廓伪影。为了解决这个问题,提出了一种基于全局与局部特征的二阶段文档图像可见水印去除模型(RWRNet),该模型采用由粗到细的二阶段的半实例归一化编解码器架构。在粗略阶段,使用全局与局部特征提取模块增强对全局空间特征的捕捉能力,同时保留对局部细节信息的提取能力,从而帮助进行水印去除;在细化阶段,细化网络共享粗略阶段权重,并构建循环特征融合模块来充分挖掘粗略阶段编解码器的重要特征,为细化阶段提供丰富的上下文信息,帮助进行细致的水印去除。此外,还结合了结构相似性损失来帮助获取更好的视觉质量。所提方法在SDIWRD数据集上进行了实验,实验结果显示PSNR达到了41.21 dB,SSIM达到了99.07%,RMSE降低至3.64,优于现有水印去除方法。另外也在公开的CLWD彩色水印去除数据集进行了实验,实验结果显示PNSR达到了39.31dB,SSIM达到98.81%,RMSE降低至3.50,也优于现有水印去除方法。实验结果证明了所提方法具有良好的泛化性和去水印的能力,能有效减轻水印伪影。最后还提出了一些防止水印去除的建议,在相关网站1)可公开访问所提出的方法和数据集。

一种基于CGAN的可见水印去除方案

自然场景下采集的卡证、文档中存在的可见水印,是影响人们阅读效率、机器识别准确度的障碍。为此,提出了一种结合基于特征点匹配的水印检测和基于条件生成对抗网络CGAN的水印去除方案。水印检测部分,通过SIFT特征点检测、FLANN特征点匹配和PROSAC误匹配消隐,估计出几何变换的最佳透视模型实现目标水印定位。水印去除部分采用了pix2pix(image-to-image translation with conditional generative adversarial networks)的模型架构,它借鉴了CGAN的核心思想,混合了L1距离损失和CGAN损失函数,减少了输出图像的模糊度且保留了更多的正确特征。最终能满足自然业务场景下快速且精准的水印去除需求,具有较好的水印检测鲁棒性和去水印效果。此外,还给出了详细的CGAN模型所需的成对训练集扩充方式,构建了大量有效的训练集,提升了去水印模型训练的拟合优度。

基于条件生成对抗网络的电子地图可视水印去除方法

水印对于电子地图版权的保护十分重要,开展可视水印的去除研究有助于从攻防对抗的角度评价可视水印的有效性,进而提高电子地图可视水印的抗攻击研究水平。针对已有基于深度学习的可视水印去除方法存在训练样本量大、效率低、可视水印去除后有残留或要素丢失等问题,本文提出一种基于条件生成对抗网络(CGAN)的电子地图可视水印去除方法。该方法的模型主要由一个生成器和一个判别器组成,其中生成器采用U-Net结构,保证去除可视水印后生成的地图区域的真实性,判别器则采用基于区域判别的全卷积网络,通过对抗训练来区分生成的地图瓦片与真实地图瓦片之间的差异,使得可视水印去除后重建的电子地图更接近真实地图。实验表明,本文提出的方法简单易行,模型训练速度比基于全卷积网络的算法快4倍,能够去除文字、彩色图像及二者混合等模式的可视水印,可实现Google、高德、百度等国内外地图厂商提供的导航电子地图、遥感影像等多种地图瓦片上的可视水印批量去除,无需人工干预,且水印去除后的地图瓦片与原始真实地图瓦片有着良好的结构相似性。

基于OpenCV的智能手机照片水印的去除

目前几乎所有新的智能手机拍照后得到的图片都带有相机水印,针对照片上面的相机水印,设计了一种利用OpenCV进行去除的方法,从处理效果来看,可以达到令人满意的效果。

可无损恢复的小波域可见数字水印算法

文章研究了可无损恢复的小波域可见数字水印算法,该算法是为了适应将可见水印作为标签或版权标识,并且接收端的授权用户可将水印完全去除的应用环境。该算法基于亮度对比模型,并结合用户密钥将水印图像特征自适应嵌入到宿主图像的高频和低频系数中。实验结果表明,该算法嵌入的水印具有较强的鲁棒性,授权用户可无损恢复出原始图像,反之,非授权用户则不能在保证图像质量的前提下完全去除水印。