论文部分内容阅读
随着互联网技术的迅猛发展,各种信息借助互联网达到了快速且大范围的传播。图像由于其特有的直观性成为了互联网内容的重要信息载体。网络上大量传播的图像使得可见水印技术被广泛的应用到了图像版权保护中。因此,许多研究通过检测及去除图像中的可见水印信息来验证可见水印的有效性。目前存在的传统的可见水印检测及去除方法在实际应用中存在很多限制。近年来深度学习在图像处理领域取得了巨大的发展。因此开发基于深度学习的可见水印检测及去除方法来解决传统方法所存在的问题在实际中变得更加重要。本文提出了基于深度学习的图像可见水印的检测及去除方法框架,该方法框架由可见水印的检测及可见水印的去除这两部分组成。(1)可见水印的检测部分:本文将可见水印检测当做目标检测,以Faster R-CNN目标检测算法为基础提出了多分支自适应决策的可见水印检测算法。具体来说,首先在已知可见水印模板的情况下,通过更改向图像中添加可见水印的强度和可见水印与被添加图像的尺度比这两个参数来获得多个可见水印数据集。接着将这些数据集分别输入到Faster R-CNN网络中进行训练获得不同的分支模型。然后将这些分支模型组合构建多分支自适应决策的可见水印检测网络,其中每个分支负责检测一定范围添加强度和大小的可见水印。最后检测网络中的自适应决策器通过将每个分支得到的检测框和分类器得分进行非极大值抑制选出最终的检测框和可见水印类别。由于目前缺乏可用于深度学习的可见水印检测数据集,本文通过构建新的可见水印数据集进行实验并且对算法进行了全面的实验评估。实验结果表明本文提出的可见水印检测算法可以有效的检测到图像中不同位置、不同添加强度及不同大小的可见水印,并且检测的准确率相较于Faster R-CNN算法得到了提升。此外本文还研究了多种因素对多分支自适应决策的可见水印检测算法的影响。(2)可见水印的去除部分:本文提出了基于条件生成对抗网络的可见水印去除算法。该可见水印去除算法采用了图像转化的思想来实现可见水印的去除。整个基于条件生成对抗的可见水印去除网络由两个生成器和一个判别器组成。其中第一个生成器对图像中检测到的可见水印部分进行初步去除。第二个生成器与判别器组成的条件生成对抗网络进行进一步的可见水印去除与高频信息的生成。本文通过构建可见水印去除数据集进行实验并且对可见水印去除算法进行了评估。实验结果表明本文提出的可见水印去除算法可以有效的去除图像中的可见水印并且能够很好的保留可见水印覆盖下的原始图像内容信息。本文所提出的算法目的是希望可见水印的设计在突出版权声明的同时,也应该能够有效抵抗这种基于深度学习的可见水印检测及去除的攻击。使得可见水印能够更好的达到图像版权保护的目的。