摘要: 随着人们版权意识的提高以及信息知识的普遍电子化、共享化，数字水印技术被大范围地应用来维护作者的产权。其中，针对图像视频方面的数字水印根据其生成方式可大致分为两类。第一类是空间域的水印，只需将待添加的水印乘以一定系数与图像载体相加即... 展开 随着人们版权意识的提高以及信息知识的普遍电子化、共享化，数字水印技术被大范围地应用来维护作者的产权。其中，针对图像视频方面的数字水印根据其生成方式可大致分为两类。第一类是空间域的水印，只需将待添加的水印乘以一定系数与图像载体相加即可完成数字水印的生成。第二类是变换域的水印，待添加的水印不是与载体图像直接简单的相加，操作者需要将以上操作在其他域中进行，傅里叶变换域，小波变换域等是较为常见的变换域。二者的主要区别在于，第一类操作简单用时少，阅读者可以明显的看到添加在图像上的水印，暴力地添加还会对精度需求高的图片资料产生破坏。第二类操作步骤多原理较为复杂，添加后的结果与原图一致，阅读者无法通过肉眼观察到水印的存在，同时算法的鲁棒性更强。在实际应用过程中，由于第一种方法得到的结果不具有透明性，水印的直接添加会遮挡原载体图像的部分内容，导致阅读者的观感大幅度下降。因此，目前绝大多数正规的影像资料采用的都是第二类技术来保护出版者的版权利益。然而，许多不良商家使用第一种方法滥用数字水印技术，在一些公共电子资料中添加自己的广告或是遮挡关键部分，通过诱导浏览者付费购买原版，达到其非法盈利的目的。 结合以上背景，本文希望实现一种可以自动化去水印的算法，在实现去除水印的功能之外，借助算法分析出水印存在的位置，实现去水印自动化的目的。这样一来，假如需要处理的图片数目很多，操作者只需要依次输入图片即可，无需用鼠标标记出每幅图水印存在位置，从而节省了时间以及人力。与此同时，本研究希望可以在去除水印的步骤中改进原有的算法，使处理后的图片与原图相比有更高的相似度，人们有更好的观感。最后，通过论文的研究成果，希望可以在今后的生活中，在遇到学习资料有水印影响观感时，可以借助电脑，快速批量化地完成操作。 论文的第一章是对整体研究内容大致的介绍。首先叙述了数字水印产生的原因，广泛使用的背景以及基于生成方法的划分方式。其中，针对不透明水印的去除工作是本论文想要实现的目的。然后，文章从图像的分割以及修复两个方面明确了论文主要的研究内容和贡献。接着，文章从图像分割、图像修复、水印去除三个方面介绍了近年来经过前人研究所提出的较为典型的算法以及模型，并针对其中参考性较强的部分分析了其贡献以及优缺点。由于先前应用于水印去除的算法或多或少存在亡;程序运行时间过长、需要手动选择水印所在位置、需要输入大批量的水印参考图等问题。因此研究在对比后吸取J，优秀算法的经验，通过分析和总结对其存在的问题加以改进，最后通过实验佐证了论文的观点。 论文的第二章分析了几类典型的图像分割算法，由于水印的分割需要利用到的阈值较多且对水印边缘与内部需要同时进行操作，因此研究选择了对图像色彩的差距较为敏感，可通过映射进行整体操作的聚类算法。K均值聚类算法是聚类算法中效率较高易于实现的代表，在基于颜色的图像分割方面有着卓越的效果。在此基础上论文针对原算法在运行的过程中出现的问题提出了解决方法并通过实验加以改进。 首先，在运行K均值聚类算法时，其处理环境是二维的平面，需要每个样本点提供两个相关数据。图片在输入时默认属于RGB彩色空间并具有3个色彩通道，因此，研究对比了几种常见的色彩空间模型，最后依据分类效果选择了强调像素点色度变化的Lab彩色空间。其次原算法在运行前需要操作者手动输入聚类划分的个数k。在对图片没有先验知识的情况下，凭借人类的视觉系统无法对聚类个数产生精准的判断。因此，研究引入了canopy算法，虽然该算法在每一个样本点的聚类划分方面精度上不高，但运算速度快，可以较为准确的判断出聚类的个数，在使用K均值聚类算法前利用canopy算法对输入的数据进行预处理，能够便捷的解决聚类个数选择的问题。再次，原算法在聚类初始化时聚类质心的位置是随机选定的，在不理想的情况下会导致算法的迭代次数增加，聚类的划分结果不是全局最优解。研究通过将样本分为两个集合并将距离其中一个集合的中心欧式距离最远的点作为新的聚类质心的方法，对其初始位置进行了预设，减少了算法的迭代次数，增加了其运行过程中的稳定性。此外，算法在判定收敛条件时，会因误差平方和没有达到最小而发生振荡。研究引入了代价函数以及阻尼系数，通过抑制聚类中心点移动的幅度，适当减缓算法收敛速度，降低了其发生振荡的概率。最后，在集合出现孤立点的情况下，会给聚类的划分带来负面影响。研究对集合数据进行预处理，标记出可能存在的孤立点，在算法运行中减少其与聚类中心的欧式距离，从而减少了孤立点对聚类划分的影响。 论文的第三章研究对比了几种使用率较为广泛的图像修复算法。从视觉角度而言，基于微分方程的修复方法拥有较为精确的处理效果，然而其算法运行时间过长，因此研究选择了基于等照度线的修复方法。快速行进法在运行时间较为快速的情况下，引入了梯度函数对图像的纹理信息加以估计，在修复较小面积图像的时候拥有令人满意的效果。在此基础上，研究对其存在的问题提出了解决思路并加以改进。 首先，快速行进法设定的待修复点的邻域范围较小，在这种情况下只存在两个梯度方向，导致了待修复点获得的纹理结构信息不足，修复结果的边缘部分较为模糊。 因此，研究扩大了每一个待修复点的邻域面积，增加了可供参考的梯度方向，为样本点的修复提供了更多的纹理信息。其次，原算法设定的待修复点的参考点只有4个，个数较少，在像素点预测过程中出现的误差较大。针对这现象，研究增加了参考样本点的个数并将其通过梯度值加以分类，以增加结果预测的准确性。再次，原算法权值公式的构成较为简单，其三个构成因子所占比例相同。研究将方向因子从中提取出来，选取了梯度幅值最大的方向上所有的样本点参与计算，简化了权值函数构成的同时增加了方向因子在计算时的比重。最后，原算法按照自外而内逐层递进的顺序进行修复，当外围样本点像素值预测出现错误时会影响到内部点的预测精度。研究通过对参考样本点梯度值的排序，增加了梯度值大的样本点的到达时间，使算法优先修复图像中像素值变化较为平滑的外部区域，从而减少错误信息对内部待修复点的不良影响。 论文的第四章将以上两方面相结合，在实例中对改进的算法加以考察。总体而言，无需操作者手动识别，改进后的聚类算法可以自动地分割出了水印所在部位，快速行进法可以对水印缺损部分的像素值进行较为合理的预测。算法运行花费的时间相较其他方法较少，所得均方误差值与原算法相比有了一定比例的下降，可以达到水印修复的预期效果。其中，在水印面积较小的情况下，算法的性能更加优秀。 论文的第五章是对整个课题研究的总结与展望。首先对研究所做的工作简单的进行了概括与总结，之后针对研究中存在的不足以及下一步需要研究的方向进行了展望。在使用聚类算法对水印部分进行区分时，如果水印的颜色和背景颜色过于接近，分割出的效果会与实际情况有所差距。之后的研究会着眼于划分精度的细节方面，对相近颜色不同物体的情况加以重视，从而得到精确度更高的结果。在使用快速行进法对缺损区域进行修复时，如果缺损区域面积较大且分布集中，缺损区域的边缘部分在修复后会显得较为模糊。之后的研究会将快速行进法与其他图像修复算法相结合，考虑更多图像结构方面的信息，使修复后图像的边缘更清晰更有层次感。以上两点会是论文下一个阶段的研究方向，同时，图像分割技术和图像修复技术也是当今人工智能领域的热点。随着算法理论的不断创新及改进，在技术成熟后还可以被运用到视频水印去除的工作中，为这一方面的技术发展做出贡献。 收起