自然图像的文本水印去除

杨泽昊，闫 宇，战国栋

(大连民族大学 a.计算机科学与工程学院；b.设计学院；c.大连市汉字计算机字库设计技术创新中心，辽宁 大连116605)

水印嵌入到载体图像后，图像中的特殊信息以可见的形式显示出来，即称为可见水印，这主要应用于版权维护和纪念留影[1]。 在某些场景下需要逆向恢复原图像。

去除水印的前提是锁定文本水印区域，文本作为语言的物理化身，是保存和交流信息的基本工具之一。传统上，文本识别一直专注于文档图像，其中OCR技术非常适合数字化平面纸质文档。当应用于自然场景图像时，这些OCR技术效果会变差，甚至失败，因为它们被调整为黑白色差、基于行的打印文档环境。自然场景图像中出现的文本在外观和布局上变化很大，从大量字体与样式中提取，受到不同光照、遮挡、方向、噪声的影响。此外，背景对象的存在会导致虚假误报检测，这使得自然图像文本定位更具有挑战性。

去除水印算法的相关研究中。Lin等[2]提出一种子采样技术自适应去除水印，维持图像质量。Zhang等[3]提出了一种加密图像的可逆方案，此方案利用逐位异或运算对原始图像加密，并修改了对应二进制标志的部分嵌入可见水印。Weng等[4]提出一种基于动态图像同时保持上下文联系的水印方案，隐藏信息不同位置提取方法和恢复方式各不相同。Chen等[5]提出差分扩展的可逆宿主图像的水印方案。利用深度学习去除水印的方法主要利用信号重建去除水印图像。Lehtinen等[6]提出一种无需损坏统计似然模型或图像先验的模型，该模型从训练数据间接学习的方案。深度学习运算周期长，需要大量标注性数据集。

本文提出一种端到端的混杂文本型自然图像可见水印去除方法，该方法依靠文字区域检测结合色差值，锁定水印确切位置，再利用快速推进算法消除水印，达到在多样本条件下的精细化去除。

1 本文方法

本次数据集主要采自中国少数民族艺术平台的文物图像，共有22 379张图像，划分为17类，特征归属于自然图像。它们不仅具备自然图像背景复杂，颜色与布局差异大的特点，还集中体现了水印文字与内容文字混杂的特殊问题。此类图文混杂的自然图像，无论是传统方法还是新兴的深度学习方法，都很难有效处理非水印文字区域内容，容易造成误删，去水印错误示例如图1。

a)水印图像 b)错误去除图1 去水印错误示例

为解决上述问题，本文提出一种端到端的可见水印去除方法，过程如图2。

Step 1:通过文字区域检测内容结合色差值定位水印区域；

Step 2:融合快速修补算法去除可见水印；

Step 3:输出去除水印图像。

图2 去水印流程

2 定位水印位置

寻找水印位置的工作可以视作文字区域定位，作为数据的艺术图像多数是画作或文物图像，不仅水印文字是明显的文本区域内容，字画书法、雕刻印章、文物刻字等同样会作为干扰内容。

本文融合基于RPM(region proposal mechani-sm)的文字区域检测内容[7]。利用首部分的region proposal，首先保证较高准确度，尽量把所有可能的文字区域检测出来，然后经过一个filtering阶段，提升文字检测的精度。

此步骤为泛化的文本区域检测，如果图像只存在水印文字，则可以很好地定位文本区域。但由于部分艺术图像存在文物文字及相关的图形印章，如图3a。文本区域定位掩图a的目标块会出现错判现象，将其认定为水印类文本，从而导致删除原有图画真迹，变为没有文字的文物画作。这明显不是我们想要的去除效果，需要继续处理掩图数据，让掩图只保留水印文字。

为进一步锁定水印区域范围，我们根据可见水印的颜色特征进行二值化处理，将RGB(120，120，120)至RGB(160，160，160)以外的颜色变成0，生成掩图3b。最后将3a图像的目标区域与b图像的白色区域进行融合，形成掩码图像3c。

图3 掩图水印区域定位

根据本次数据集水印特征，去除水印算法需要提供大约为90×38像素宽高的文字掩码块。在区域位置进行范围限制，最终得到希望的文字掩码图像，利用此掩码图像可以准确地定位水印文字，避免破坏自然图像中的文本信息。

3 去除水印

在获得掩图后，即可利用掩图来去除水印内容。关于去除水印的具体方法，本文融合了基于快速推进法的图像修复技术[8]。其主要考虑图像中要修复的区域，算法从该区域的边界开始，然后进入区域内，逐渐填充边界中的所有内容。它需要在邻近像素周围的一个小邻域进行修复。该像素由邻近所有已知像素的归一化加权和代替。

因此，选择权重是一个重要的因素，对于靠近该点的像素，靠近边界的法线和位于边界轮廓上的像素，给予更多的权重，远离此点的则给予更小权重。一旦像素被修复，它将使用快速行进方法移动到下一个最近的像素。算法确保那些靠近已知像素的糟糕部分首先被修复，这就像一个轮替式启发器，直到区域修复完成。

根据水印位置定位结果，获取掩图图像如图4b。将掩图与原图进行融合，利用图像修复技术，进行水印去除。其结果完美的保留了文物图像原有的印章刻字，并且对水印文字进行模糊化处理，周边像素色彩几乎没有改变。

图4 水印去除效果

由于水印区域在右下角，且文物图像的背景颜色具有一致性，在模糊化进程中不会有多余的色块冗杂，修复区域能够很好的与原背景色融合，看不出修改后的痕迹。在修补方面，快速推进法的图像修复技术可以很好的补充缺失，对边界线上的像素填补给予更多权重，能够将水印文字的残留痕迹覆盖，修复效果良好，且不会对图像本身文字内容错误删除。

4 结果分析

本文采用的数据为艺术文物图像，属于混杂文本型自然图像的典型，且样本数量巨大。本文方法主要考虑解决去除水印的重复性工作，并处理水印文字区域精确定位问题，消除水印后的图像分类导入至中国少数民族艺术平台。

目前去除水印的算法有多种多样，但效果最好的主要是Noise2Noise[6]，利用深度学习来构建网络模型，本质上还是去噪应用，对于混杂文本型自然图像，文字识别效果不佳，且容易将文物原刻字磨损去除。另外，深度学习的网络模型侧重于深度和宽度来加强网络，需要计算的样本内容极大，在缺乏大量标注好的样本时，效果很不理想。对于文物图像来说，几乎没有合适的数据集供网络学习，去除大量画作水印成本太高。若单纯使用RPM文本区域检测并消除水印，可以有较好地去除效果，色块融合也较为理想，但文字内容处理方面不佳，容易将画作原刻字消除，造成图像信息丢失。特别是对于文物图像，其最高优先级应该是保留原画作的真实内容。

从定性角度分析，选取各类文物图像对比去除水印效果如图5。利用深度学习算法Noise2Noise[6]进行水印去除，在100次标准化迭代后，仍有较明显痕迹；单纯使用RPM文本区域检测并消除水印，虽然能够很好的定位文本内容，但会把不属于水印的文本内容消除；本文的端到端水印去除算法，可以针对文物文字复杂背景情况，得到较好效果。

a)Noise2Noise算法 b)RPM算法 c)本文算法 图5 算法水印去除效果对比

5 结 语

本文主要对混杂文本型自然图像进行可见水印去除研究，实现对中国少数民族艺术平台两万余张文物图像进行去水印操作，从而扩展到更具有普遍性的自然图像。

首先，融合基于RPM的文字区域检测内容并进行色差区域定位，确定水印文本掩图，利用掩码图像配合基于快速推进法的图像修复算法进行水印去除，形成一套端到端的可见水印去除流程。结果分析表明本文的方法具有极高稳定性，准确锁定水印区域并进行去除，避免误删自然图像所包含的文本内容，节省人工成本，有较好的应用价值，提高了去除水印的效率。

最后，利用去除水印较好的结果图，与原图进行一对一匹配，可以制作用于深度学习网络使用的数据集，能够为混杂文本型自然图像的水印去除增添一份新的学习数据。虽然本文方法对于各位置水印可以很好识别，但也有部分不足之处。因为利用颜色特征进行二值化处理，当水印文本与周边底色高度相似，则无法进行高效区分，会产生模糊效应，减弱水印去除的效果。