一种基于Transformer的图像去水印方法及系统

本发明涉及图像处理领域，尤其涉及一种基于transformer的图像去水印方法及系统。

背景技术：

1、随着社交媒体平台的普及，分享图像已成为一种流行的文化现象。在分享过程中，图像有的会自动引入水印，或者，该图像本身就设置有水印。这不利于完整数据的分享。

2、经典的图像修复技术，致力于填充被水印覆盖的图像区域，以恢复图像的完整性。然而，这些技术通常需要在单个图像上手动操作，依赖用户标记水印区域，并且对于处理大面积水印区域效果有限。此外，部分基于深度学习的去水印方法尽管在某些特定条件下能够展现出一定的效果，但在实际应用中，由于不同图像中的水印模式往往各不相同，且算法的表现强烈依赖于所使用多幅图像的数量，这些因素都极大地限制了其广泛的应用。

技术实现思路

1、有鉴于此，为了解决现有图像去水印方法中去水印模型的泛化性低，无法满足不同类型水印的去除的技术问题，本发明提出一种基于transformer的图像去水印方法，所述方法包括以下步骤：

2、获取带水印图像并构建数据集；

3、构建transformer多尺度注意力网络模型并利用所述数据集进行训练，得到训练完成的去水印模型；

4、所述去水印模型包括编码器、隐藏层和解码器，其中，所述解码器设有水印定位检测分支和背景图像修复分支，所述编码器和所述解码器中均设有transformer块；

5、将待处理图像输入至所述训练完成的去水印模型进行处理，输出去水印图像。

6、在一些实施例中，所述获取带水印图像并构建数据集这一步骤，其具体包括：

7、获取带水印图像；

8、对所述带水印图像进行去噪处理，得到去噪后的图像；

9、对所述去噪后的图像进行对比度纹理增强，得到增强后的图像；

10、根据所述增强后的图像构建数据集；

11、基于所述数据集划分训练集和测试集。

12、通过该优选步骤，对图像数据进行预处理，使图像数据更加适用于模型的训练，提高训练效率。

13、在一些实施例中，所述对所述带水印图像进行去噪处理，得到去噪后的图像这一步骤，其具体包括：

14、对于所述带水印图像中的任一像素，计算其与周围像素的相似度；

15、基于所述相似度，得到相似像素；

16、计算所述相似像素的权重并进行加权平均，得到加权平均值；

17、基于所述加权平均值对对应的像素进行去噪处理，得到去噪后的图像。

18、通过该优选步骤，利用图像中相似像素的信息来减少噪声，能够有效地保留图像的细节和纹理。

19、在一些实施例中，所述对所述去噪后的图像进行对比度纹理增强，得到增强后的图像这一步骤，其具体包括：

20、计算所述去噪后的图像的直方图；

21、基于所述直方图，计算累积分布函数；

22、基于所述累积分布函数，对所述去噪后的图像中的每个像素进行映射，得到新灰度值；

23、将所述像素的新灰度值进行整合，得到增强后的图像。

24、通过该优选步骤，重新分配图像的灰度级来使得图像的直方图在灰度范围内尽可能均匀分布。

25、在一些实施例中，所述将待处理图像输入至所述训练完成的去水印模型进行处理，输出去水印图像这一步骤，其具体包括：

26、将待处理图像输入至所述训练完成的去水印模型；

27、基于所述编码器对所述待处理图像进行特征提取，得到初步特征；

28、基于所述隐藏层对所述初步特征进行高维特征提取处理，得到最终特征；

29、结合所述初步特征和所述最终特征，基于所述解码器输出去水印图像。

30、在一些实施例中，所述基于所述编码器对所述待处理图像进行特征提取，得到初步特征这一步骤，其具体包括：

31、在所述编码器的层级模块中，基于卷积层对输入的数据进行特征提取，基于transformer层整合当前层级的特征信息，得到初步特征；

32、对所述初步特征进行下采样。

33、通过该优选步骤，利用下采样减少特征图的空间大小同时保留重要的特征。

34、在一些实施例中，所述结合所述初步特征和所述最终特征，基于所述解码器输出去水印图像这一步骤，其具体包括：

35、在所述水印定位检测分支的层级模块中，以相同分支的前一层级模块的输出为第一输入，以所述编码器的对应层级模块的输出为第二输入，结合第一输入和第二输入，基于transformer层整合当前层级的特征信息，生成预测掩模；

36、在所述背景图像修复分支的层级模块中，以相同分支的前一层级模块的输出为第一输入，以所述编码器的对应层级模块的输出为第二输入，以所述水印定位检测分支的对应层级模块的预测掩模为第三输入，结合第一输入、第二输入和第三输入，基于transformer层整合当前层级的特征信息，输出去水印图像。

37、在一些实施例中，所述利用所述数据集进行训练这一过程，其具体包括：

38、对于所述所述水印定位检测分支，选择二元交叉熵损失作为损失函数；

39、对于所述背景图像修复分支，选择l1损失和感知损失的结合作为损失函数。

40、本发明还提出了一种基于transformer的图像去水印系统，所述系统包括：

41、数据集构建模块，用于获取带水印图像并构建数据集；

42、模型训练模块，用于构建transformer多尺度注意力网络模型并利用所述数据集进行训练，得到训练完成的去水印模型；所述去水印模型包括编码器、隐藏层和解码器，其中，所述解码器设有水印定位检测分支和背景图像修复分支，所述编码器和所述解码器中均设有transformer块；

43、去水印模块，用于将待处理图像输入至所述训练完成的去水印模型进行处理，输出去水印图像。

44、基于上述方案，本发明提供了一种基于transformer的图像去水印方法及系统，整体上采用了由编码器和解码器构成的对称网络结构。在该架构中，编码器和解码器之间通过跳跃连接进行特征信息的传递。进一步，在编码器和解码器中大量引入了transformer块，transformer块的引入使得模型能够具备强大的全局注意力机制，从而能够更好地捕捉图像的全局上下文信息。由此构建的一个综合网络，结合了卷积网络的局部特征提取能力和transformer的全局注意能力，使得本模型能够在去除水印的同时，更好地保持图像的全局结构和细节信息。

技术特征：

1.一种基于transformer的图像去水印方法，其特征在于，包括以下步骤：

2.根据权利要求1所述一种基于transformer的图像去水印方法，其特征在于，所述获取带水印图像并构建数据集这一步骤，其具体包括：

3.根据权利要求2所述一种基于transformer的图像去水印方法，其特征在于，所述对所述带水印图像进行去噪处理，得到去噪后的图像这一步骤，其具体包括：

4.根据权利要求2所述一种基于transformer的图像去水印方法，其特征在于，所述对所述去噪后的图像进行对比度纹理增强，得到增强后的图像这一步骤，其具体包括：

5.根据权利要求1所述一种基于transformer的图像去水印方法，其特征在于，所述将待处理图像输入至所述训练完成的去水印模型进行处理，输出去水印图像这一步骤，其具体包括：

6.根据权利要求5所述一种基于transformer的图像去水印方法，其特征在于，所述基于所述编码器对所述待处理图像进行特征提取，得到初步特征这一步骤，其具体包括：

7.根据权利要求6所述一种基于transformer的图像去水印方法，其特征在于，所述结合所述初步特征和所述最终特征，基于所述解码器输出去水印图像这一步骤，其具体包括：

8.根据权利要求1所述一种基于transformer的图像去水印方法，其特征在于，所述利用所述数据集进行训练这一过程，其具体包括：

9.一种基于transformer的图像去水印系统，其特征在于，包括：

技术总结本发明公开了一种基于Transformer的图像去水印方法及系统，该方法包括：获取带水印图像并构建数据集；构建Transformer多尺度注意力网络模型并利用所述数据集进行训练，得到训练完成的去水印模型；所述去水印模型包括编码器、隐藏层和解码器，其中，所述解码器设有水印定位检测分支和背景图像修复分支，所述编码器和所述解码器中均设有Transformer块；将待处理图像输入至所述训练完成的去水印模型进行处理，输出去水印图像。该系统包括：数据集构建模块、模型训练模块和去水印模块。通过使用本发明，能够提高去水印模型的泛化性，进而满足不同类型的水印去除任务。本发明可广泛应用于图像处理领域。技术研发人员：汪洋涛,尤鸿兴,马汉松,池福金,潮京,谢延昭,汤茂斌,彭伟龙,范立生,方美娥受保护的技术使用者：广州大学技术研发日：技术公布日：2024/9/17