[发明专利]一种神经网络模型图像水印的去除方法

权利要求书

1.一种神经网络模型图像水印的去除方法，其特征在于，该方法包括以下步骤：

1)构建训练数据集，在训练数据集每张图像的随机位置处覆盖矩形噪声得到对应的增强图像，组成增强图像集；具体步骤如下：

1-1)构建训练数据集；

获取图像数据集，从该图像数据集中随机选取m张图像组成训练数据集；

1-2)将步骤1-1)得到的训练数据集的每张图像作为原始图像，在该原始图像中随机选择一个位置并覆盖矩形噪声，具体方法为：在该原始图像的随机位置处选取一个矩形，其中矩形的长宽占整张图像的长宽比例在0.1～0.3范围内随机选择，矩形区域内填充随机噪声，噪声像素值的强度在0～255范围内随机选择，该图像的其他区域保持不变，从而得到了对应该原始图像的一张基于噪声的增强图像；

1-3)设定图像增强的倍数为n，对于训练数据集每张原始图像，重复步骤1-2)n次，每次随机选择该图像一处不同的位置并覆盖矩形噪声，得到该原始图像对应的n张增强图像，最后共得到m*n张覆盖随机噪声的增强图像组成增强图像集；

2)设置初始学习率λ，将待去除图像水印的神经网络模型作为当前模型；设置每次输入当前模型的一个批次的增强图像的数量为k张；

3)根据步骤1)得到的训练数据集和增强图像集，从增强图像集中随机选取一个批次的增强图像，从训练数据集中获取该批次中每张增强图像对应的原始图像；

然后将获取的每张原始图像和该批次的k张增强图像输入当前模型，该模型的最后一层卷积层输出每张输入图像对应的特征分布；

将模型输出的每张图像对应的特征分布归一化后得到该图像归一化后的特征分布；

4)根据步骤3)的结果，利用分布距离度量函数计算每张原始图像归一化后的特征分布与该原始图像在该批次中对应每张增强图像归一化后特征分布的距离，并惩罚原始图像和增强图像的特征分布距离；具体步骤如下：

4-1)利用分布距离度量函数，计算步骤3)获取的每张原始图像的归一化后的特征分布与该原始图像在步骤3)选取的批次中对应的每张增强图像的归一化后的特征分布的距离；

4-2)将该批次的每张增强图像输入当前模型，然后利用交叉熵损失函数计算该增强图像对应的模型输出值与该增强图像类别标签间的损失值；其中，增强图像的类别标签与该图像对应的原始图像的类别标签相同；

5)计算损失函数；

当前模型的损失函数值loss的计算表达式如下：

其中，l_i是该批次中第i张增强图像的当前模型输出值与该增强图像类别标签间的损失值；D是分布距离度量函数，d_i表示第i张增强图像归一化后的特征分布，d_ortgin代表第i张增强图像对应的原始图像归一化后的特征分布；β是惩罚项系数；

6)利用步骤5)的结果，采用RMSProp优化器对当前网络模型进行迭代训练，每个批次训练完毕后，当前模型计算对应的损失值，并更新模型参数；然后重新返回步骤3)，从增强图像集中选取下一个批次的增强图像对更新后的当前模型进行训练，其中，在一轮训练中，每个批次的增强图像是不重复的；当增强图像集中的所有增强图像都完成一次训练后，一轮训练结束；

当模型训练到达设定的轮数上限T时，训练完毕，最终得到去除水印的神经网络模型。