可见水印的剔除与鲁棒算法研究

12146可见水印的有效性研究刘策威廉T.弗里曼谷歌研究{tdekel，mrub，celiu，wfreeman}@ google.com水印（W）放大α哑光(a) 输入水印图像集合(b) 计算水印+alpha蒙版(c) 已删除的图像（我们的结果）图1.我们表明，摄影师和股票内容市场所使用的可见水印可以自动删除。虽然从单个图像中自动移除水印是极其具有挑战性的，但是通常以一致的方式将水印添加到许多图像（a）。我们表明，可以利用这种一致性来自动推断水印模式（b），并获得原始的，无水印的内容具有高精度（c）。然后，我们调查和报告如何强大的攻击是不同类型的不一致，可能会引入水印的过程中，以提高其安全性，如随机改变水印的位置和混合因子，或应用微妙的摘要可见水印是一种广泛使用的标记和保护Web上数百万图像版权的技术，但它存在固有的安全缺陷--水印通常以一致的方式添加到许多图像中。我们表明，这种一致性允许自动估计水印和恢复原始图像具有高精度。具体地说，我们提出了一种广义的多图像抠图算法，该算法以水印图像集合作为输入，并自动估计由于这种攻击依赖于图像集合中水印的一致性，因此我们探索并评估了它如何受到水印嵌入中各种类型的不一致性的影响，这些不一致性可能用于使水印更加安全。我们展示了算法在网络上可用的股票图像，并提供了广泛的定量分析合成水印数据。本文的一个关键信息是，可见水印的设计不仅是鲁棒性的从单个图像中删除，但更耐大规模的图像集合的删除。1. 介绍可见水印被摄影师和库存内容服务广泛用于标记和保护网络上共享的数字照片和视频。这样的水印通常涉及覆盖半透明的图像con.在源图像上添加名称或徽标（图1（a））。可见水印往往包含复杂的结构，如细线和阴影，以使他们更难移除。事实上，在没有用户监督或先验信息的情况下从单个图像中去除水印然而，迄今为止，以一致的方式向许多图像添加水印的事实被忽视。例如，股票内容市场通常将其徽标的类似版本添加到网络上数百万图像的预览中。我们表明，这种水印图像集合的可用性使得有可能反转水印过程，并几乎完美地恢复旨在保护的图像（图1）。（c）第1段。这可以通过仅观察加水印的内容来自动实现我们展示了如何从图像集合中去除水印的问题可以被公式化为一个广义的多图像抠图问题，其中的目标是估计与依赖于用户涂鸦来约束问题的自然图像抠图方法不同，我们的方法利用了数据中的冗余。特别地，我们首先在集合中提取一致的图像结构，以获得对抠图水印的初始估计然后，我们解决了一个优化问题，该问题将抠图水印分离为图像和阿尔法抠图分量（图1）。1（b）），同时重建背景图像的子集。在我们的实验中，我们发现，12147RGB估计费用图像/水印分解水印更新蒙版更新输入水印图像(I) 联合抠图水印估计和检测（第二节）第3.1节）(II) 哑光和混合因子初始化。（第二节）3.2）(III) 多图像抠像和重建。（第二节）3.2）图2.自动水印提取流水线。(I)该算法首先联合估计抠图水印（alpha抠图和水印图像的乘积），并通过检测整个集合中一致的图像梯度将其定位在所有图像中。该初始估计直到空间变化的移位都是正确的。(II)对齐的检测被用于估计初始阿尔法遮片，并且估计的遮片水印被细化。(III)然后，这些被用作我们的多图像抠图优化的初始化。由相同水印标记的数百个图像已经足以用于水印和阿尔法遮片的高质量估计。一旦水印图案被恢复，它可以被有效地从任何由它标记的图像中大规模地移除。重要的是，我们不合成或修补水印区域;相反，我们实际上反转水印过程以恢复原始的无水印图像。由于这种攻击依赖于水印在图像集合中的一致性，因此一个自然的问题是是否可以通过破坏这种一致性来防止它。因此，我们研究了攻击是如何强大的各种类型在每个图像中嵌入水印时可能引入的不一致性或变化例如，我们表明，随机改变整个集合中水印的位置并不能阻止这种攻击检测和删除水印，也不能阻止水印的不透明度或颜色的随机变化有趣的是，我们发现，在嵌入过程中对水印应用小的空间变形会显著降低去除水印图像的质量，而水印本身只有难以察觉的变化。我们展示了从顶级摄影网站获得的水印图像集合的结果，以及对合成水印数据集的广泛定量分析。我们的论文的一个关键贡献是在目前的可见水印方案，使数百万的版权保护的图像处于危险之中的表面漏洞。具体来说，我们认为，可见水印的设计不仅要对单个图像的删除具有鲁棒性，而且还要对图像集合的删除具有抵抗力。我们相信，我们的工作可以激发先进的数字摄影和股票图像行业的水印技术的发展2. 相关工作存在大量关于数字水印的文献（参见例如，[16，17]调查）。我们专注于图像上的可见水印，并将我们的审查范围限制在该领域。Braudaway等人[3]是最早在数字图像中引入可见水印的人之一。他们用了一个adap-一种主动的、非线性的像素域技术，将水印添加到输入图像中，作为识别其所有权的一种手段，同时不会模糊其背后的图像细节，使水印难以去除。这一方案已经以各种方式得到扩展。Meng和Cheng [13]将该模型扩展到DCT域，并将其应用于压缩视频流。Kankanhalli和Ramakrish- nan [8]使用块DCT系数的统计数据来确定每个块的水印嵌入系数他们后来将其扩展到人类视觉系统中的纹理敏感性，以更好地保留图像的感知质量[14]。Hu和Kwong [6]在小波域中实现了自适应可见水印，以处理可能由基于DCT的方法引入的视觉不连续性。虽然这些方法中的一些可以提高水印的视觉质量并使其更难去除，但在实践中，大多数现代股票内容市场使用标准的添加剂水印模型，这是我们在第二节中关注的模型。3和一般化在Sec. 4.第一章可见水印在保护图像版权方面起着重要作用，研究人员一直在研究攻击可见水印的方法。Pei和Zeng [15]提出使用独立分量分析（ICA）来分离源图像和水印。Huang和Wu [7]使用经典的图像修复方法[2]来填充水印覆盖的图像区域。这些技术在单个图像上操作，需要用户手动标记水印区域并且不能处理大的水印区域（图第四条（b）款）。与我们的情况更相关的是用于水印重定位的方法，在视频中移动[21，5，19]。然而，这样的方法依赖于视频的时间相干性，即，假设在一个帧中被水印遮挡的图像内容在其它帧中看起来是这个假设不适用于我们处理的库存照片集。此外，所有这些方法都是对徽标/水印区域进行修补，而我们的目标是通过利用水印下的半可见图像内容来显式地水印去除也与经典的图像抠图有关，其目标是将单个图像分解为背景和前景层[9，18]。由于抠图问题本质上是不适定的，并且大多数像素...12148∈·--k=1k=1是明确的背景或前景，大多数经验方法依赖于用户提供硬约束。此外，在我们的设置中，水印的不透明度在所有像素中通常都很低，即，所有像素都是背景或混合的。这使得分解更加复杂。最后，自然图像抠图通常用于图像编辑应用，例如对象剪切和粘贴，（一）（b）第（1）款（c）第（1）款需要精确的阿尔法遮片，但可以容忍背景层中的误差。在我们的例子中，重建背景的质量是关键。我们比较我们的结果与图像消光秒。五、3. 对水印集合通常通过将水印W叠加到自然图像I上来获得加水印的图像J。也就是说，J（p）=α（p）W（p）+（1−α（p））I（p），（1）其中p =（x，y）是像素位置，α（p）是空间变化的不透明度或alpha蒙版。最常用的水印是半透明的，以保持底层图像内容部分可见[3]。 也就是说，所有像素的α（p）<1，或α = c α n，其中c <1是恒定的混合因子，α n[0，1]是归一化的alpha蒙版。与自然图像抠图类似，对于α n，大多数像素要么是背景（α n（p）=0），要么是前景（α n（p）= 1）。下式1，给定W和α，可以很容易地通过逐像素操作反转水印处理J（p）−α（p）W（p）图3.初始水印估计和检测。(a)用户在单个图像中的水印周围提供粗略的边界框（对于web上的当前股票集合，这是不需要的;见正文）。(b)（a）的梯度的大小。(c)在水印检测和估计的2次迭代之后，集合中的中值梯度的大小（见第2节）。第3.1节）。3.1. 初始水印估计检测第一个任务是确定集合中哪些图像结构属于公共水印，并在所有图像中检测它们。 这是一个鸡和蛋的问题，因为估计水印需要知道图像中的哪些区域被加水印，反之亦然。我们解决这个问题的联合估计的matted水印和检测它在所有的图像。具体而言，我们在以下估计和检测步骤之间进行评估。I. 估计遮片水印给定图像中的水印区域的当前估计，我们通过观察集合中一致的图像灰度来确定集合中的哪些图像结构属于公共水印具体来说，我们计算I（p）=1−α（p）.（二）水印图像梯度的中值，独立地在x和y方向上，在每个像素位置p：然而，当没有先验信息可用时，在给定J的情况下单独恢复I的问题是极其困难的，并且固有地欠确定-每个像素有三个未知数（W，α，I），并且有一个约束（等式（1））。①的人。然而，正如在SEC中所讨论的那样。水印通常以一致的方式添加到许多图像。形式上，对于图像集合，Ik，由相同的W标记，α，我们有（为简洁起见，省略了像素索引pJk=αW+（1−α）Ik，k=1，···，K（3）我们的目标是在给定{Jk}K的情况下恢复W、α和{Ik}K。W^m（p）=中位数k（（四）随着图像数量K的增加，Eq.4收敛到真实的抠图水印的梯度，Wm=αW，直到移位（见图2）。（3）第三章。为了证明为什么会这样，我们将Ik和Jk视为随机变量，并计算例外E[Jk]。使用等式3我们有，E[ Jk] = E[ Wm]+ E[ Ik]− E[（ αIk）]=Wm+E[Ik]−αE[Ik]−αE[Ik]该多图像遮片问题仍然是欠确定的，因为对于K个彩色图像，每个像素存在3K个方程和3（K+1）+1个未知数。然而，W和α在图像集合上的一致性，以及自然图像先验，允许完全自动地以高精度求解我们的水印去除算法包括几个步骤，如图所示二、接下来，我们将详细描述它们中的每一个我们首先考12149∇·∇∇∇≈虑一致水印方案的情况图像在相同位置由相同的水印和阿尔法遮片然后，我们在Sec中生成此模型4，允许位置变化，以及整个集合的微妙几何和颜色变化。=<$Wm− <$αE[Ik]，（5）其中第二个等式来自乘法的导数第三个等式是基于自然图像梯度的已知属性是稀疏的，即，在多个图像中的相同像素位置处具有强梯度的机会很小。 因此，E[I k]0的情况。 由此可见，E[Jk]近似于遮片水印Wm的梯度，除了α=0的像素之外。在这些像素处，梯度被移位α E[Ik]。现在，我们继续进行这种移位初始化。我们将在后面说明如何纠正这种转变（第二节）。3.2）。我们通过计算ΔW^m（p）的大小并取边界框来裁剪ΔW^m以覆盖边界区域s12150≈∇∇K∇∇∇pX--y∇Σ2pxXyy∇(a) 输入(b) 修复(c) 尸体腐烂。(d) 直接减法（e）图4.水印去除与基线的比较。（a）中的水印区域由photoshop（b）使用估计的蒙版α作为掩模进行修复。（c）通过Alpha抠图分解得到的结果[9]。（d）当直接减去估计的水印时的结果2）的情况。(e)在SEC中描述的攻击的结果。3.第三章。其边缘图（使用Canny，阈值为0.4）。初始的缠结水印W^mWm（直到移位为止是正确的）是使用泊松重建获得的（图1）。3（c））。II. 水印检测给定当前估计W^m，我们在每个图像中检测水印us-倒角距离通常用于目标检测和识别中的模板匹配[1]。具体地说，对于给定的水印图像，我们得到一个冗长的边缘年龄分量W和α哑光分量α。每个分量的准确率估计是至关重要的，因为非常小的误差（水印中只有2个强度级别）可能已经在重建中显示为可见的伪影（见图1）。4（d））。为了解决这些挑战，我们将水印反转问题公式化为联合求解W，α和K个无水印图像I k的集合的优化问题。形式上，我们定义了以下目标：arg minΣ。E （W，α，I）+λE（λI）映射（使用Canny边缘检测器[4]），并计算其Eu-clidean距离变换，然后与W，α，{Ik}k数据K IregkW^m（水平和垂直方向），以获得Cham-从每个像素到最近边缘的距离。最后，水印的位置被认为是最小的距离在地图中我们发现这种检测方法+λ w Ereg（λW）+λ α Ereg（λα）+βE f（λ（αW））。（六）项E数据（W，α，Ik）惩罚第k个图像与地层模型的偏差（等式1）。1），并且由下式给出：非常强大，为各种不同的水印和不同的不透明度级别，如E数据（Ik，W，α）=pΨ。|αW+(1 −α)I k-J |2Σ，（7）秒5、补充材料。为了初始化联合估计，如果水印在图像中的相对位置是固定的（就像我们在网络上观察到的任何股票图像集合的情况一样），我们得到水印梯度的初始估计通过相对于图像的中心配准图像并运行步骤I.如果水印位置不固定，我们只需要用户在其中一幅图像中的水印周围标记一个粗略的边界框（图11）。3（a））。然后，我们使用给定边界框中的梯度作为水印梯度的初始估计。我们发现，迭代之间的步骤I。和二.2-3次足以获得准确的检测和可靠的抠图水印估计。3.2. 多幅图像的抠图与重建给定所有输入图像中的对齐检测，我们的目标是解决多图像抠图问题（等式2）。3），即，将每个图像中观察到的强度分解成它们的水印、阿尔法遮片和原始图像分量。挑战在于如何完全自动和可靠地解决这个问题中固有的我们对缠结水印W^m的初始估计为我们提供了关于不属于原始图像的结构的有价值的信息。然而，从Eq。3.很明显，约束这个问题是不够的，因为需要将matted水印分解成它的不完整部分。其中，n（s2）=ns2+n2，n=0。001是鲁棒函数近似于L1距离（为了简洁省略了p项Ereg（I）和Ereg（W）是正则化项，其促使重构图像和水印在阿尔法遮片的梯度强的情况下分段平滑我们将Ereg（regi）定义为Ereg（）=（|α |I2+ |α|第一章（2）、（8）其中I x、I y分别是图像的水平导数和垂直导数，并且导数的定义如上所述。 术语Ereg（W）的定义类似。α上的正则化项由Ereg（α）=<$（α2+ α2）给出。即使使用多个图像和平滑度先验的分解问题仍然是模糊的。例如，对于固定的阿尔法遮片，可能存在无限数量的分段平滑水印/图像分解，其可以满足形成模型（等式10）。3).目标中的最后一项-保真度项-通过鼓励抠图水印W m = αW具有相似性来初始估计的梯度，并且由下式给出：Ef（Wm）=p（Wm−W^m）。（九）在图中展示了fidelity项的影响5（a），其中我们比较12151了有（上）和没有（下）这一项的结果。此外，我们将其与[9]中采用的抠图分解方法进行了比较，使用地面真实alpha抠图作为输入（图1）。4（d））。12152Σ--没有变化不透明度变量(20/255最大值）空间小精灵0.5 px（max）Spatial pert.1像素（最大）w/流量w/共混物w/流量β=0（一）w/o共混物无流量无流量（b）第（1）款（c）第（1）款（d）其他事项图5.对水印变化的鲁棒性。 这张图最好在显示器上观看。 顶行显示输入。 (a)我们的结果传统的（一致的）水印模型;下图显示了β=0的结果，即，当一个人的时候，9)不使用。(b)我们的结果时，随机不透明度的变化，介绍了在每个图像，与（中间）和没有（底部）估计一个混合因子每个图像（秒）4）.请注意，（a）中间和（b）中间之间没有明显的差异。(c)结果为0。每图像5个像素的扰动，具有（中间）和不具有（底部）的湍流估计。(d)类似于（c），对于1个像素扰动。注意视觉伪影如何随着扰动幅度逐渐增加，使得攻击难以产生无伪影重建。最优化（Optimization）最优化问题（OptimizationProblem）6）是非线性的，并且当处理大集合时未知数的数量可能非常大（O（KN）个未知数，其中N和K分别是每个图像的像素数为了应对这些挑战，我们引入辅助变量Wk，其中Wk是第k个图像的水印。要求每幅图像的水印Wk接近W.例如，我们将目标重写如下arg mink（Edata（Ik，Wk，α）+λI Ereg（Ik）+λw Ereg（Wk）+λα Ereg（λα）+βEf（λ（αWk））+γεkEaux（W，Wk），（10）其中Eaux（W，W k）=p|W− W k|.使用这些辅助变量，我们解决了更小的和SIM-pler优化问题（使用交替最小化）。由此产生的迭代算法由以下步骤组成。I. 图像水印分解在这一步中，我们最小化目标w.r.t. k和k，同时保持α和W不变。因此，Eq. 10减少到：arg minEdata（Ik，Wk）+λI Ereg（Ik）+λw Ereg（Wk）+Wk，Ikβ Ef（α Wk）+ γEaux（W，Wk）.（十一）我们解决这个最小化问题，使用迭代重新加权最小二乘法（IRLS），其中得到的线性系统是来自补充材料（SM）。II. 水印更新在该步骤中，我们选择估计与所有估计的水印W一致的全局水印W。12153·----·每图像水印Wk通过最小化项Eaux。这一步简化为取Wk的中值。也就是说，W= median kW k。III. Matte更新。在这里，我们求解α，同时保持其余的未知数固定。在这种情况下，我们在α上最小化以下目标：k Edata（α，I k，W）+ λ α Ereg（ （十二）在这里，也是使用IRLS获得的解决方案（最终的线性系统在SM中导出）。这些步骤迭代多次，直到收敛。无光和混合因子：公式中的哑光由α=c α n给出，其中c是常数混合因子，α n是归一化哑光。αn的初始化通过首先运行单个图像mating [9]获得。为了避免[9]所需的用户输入，我们的方法自动计算前景/背景掩模（使用W^m上的自适应阈值）并将它们用作初始蒙版被认为是所有单个图像蒙版的中值。我们从“黑色”斑块（平均强度低于0. 01），因为在那些块中，地层模型简化为：J k=c α n W（无图像分量）。由于此时W是未知的，因此我们使用初始抠图水印（Sec.3.1）估计C. 从Sec。3.1，我们有：W^m=c·αnW−c·αnE[Ik]。综合这两个观测值，我们得到：Jk=W^m+c·α n·E[Ik].我们估计DC= E[I k]作为中位数12154MW米′MX′我ǁ ǁ −−在每个第1k个补丁位置处的图像集合上的强度，然后，我们使用最小二乘法在所有黑色斑块上求解c在我们测试的所有数据集中，检测到数千个暗斑，这对于c的鲁棒估计是绰绰有余的。最后，使用估计的遮片来校正Wm的偏移。这是通过添加项c·αn·DC来实现的到W^m，以获得最终的水印估计，我们将在下一节中使用（图）。2（II））。3.3. 删除新图像一旦我们有了W和α的解，我们就可以使用它们来从任何新的图像中删除水印，而不需要再次运行整个管道。正如SEC中所讨论的那样。3.2中，水印或阿尔法遮片中的非常细微的错误可能显示为明显的视觉伪像。因此，我们避免了直接重建，而是执行我们的多图像抠图算法的图像水印分解步骤（等式10）。第11段）。数据集图像数量长边缘瓦特马克Res.（w×h）管道（分钟）去除（秒）AdobeStock4221000623 ×1343318123RF1376650650 ×43311560CanStock3000450450 ×3002812Fotolia285500199 ×6651.5CVPR171000640403 ×67345版权1000640339 ×3074740表1.数据集和运行时间。运行时间为：(i)流水线：完整的框架，包括初始水印估计和检测（使用数据集中的所有图像），以及多图像抠图（使用50个图像的子集）。(ii)移除：重建单个图像.α-aware算法：在这一步中，我们根据W、α、c和I的当前估计值求解ω。这导致类似于常规光学湍流的一种近似，并且可以使用IRLS来解决。为此，我们需要将数据项线性化。在已有估计ω的情况下，我们的目标是估计最优增量dω=（du，dv）。泰勒展开导致4. 一种广义水印模型一致水印模型（Eq.（3）是一个Wm（ω+dω）<$W′+W′du+W′α（ω+dω）<$α+αxdu+αydv，dv，在实践中使用的每一个股票图像收集，我们遇到-其中W′=Wm（ω），α′=α（ω），且α′，α′，W′，W′mx y mx我的在网络上（见第二节）。5.1）。然而，一个自然的问题是，是否可以通过破坏水印在集合中的一致性来避免攻击。为了获得洞察力，我们探讨了水印变化的影响分别是α′和W ′的偏导数。线性化数据项由下式给出（忽略恒定混合因子c）（|W ′+（1 − α′）I − J+（W ′− α′I）du+（W ′− α′I）dv|）的情况。和阿尔法遮罩从图像到图像。mx x我的y我们假设水印不能被任意改变，这可以与经典的光学湍流方程联系起来由于采用了各种设计原则和艺术选择，在生成和放置它们的图像中考虑。因此，我们专注于细微的变化，大致保持水印的原始外观。具体地说，我们将我们的模型推广到允许两种类型的变化：（i.）微妙的不 透明度变化（ ii.）微妙的 空间扰动（变形）。第k个图像的广义形成模型Jk=ck α（ωk）W（ωk）+（1−ck α（ωk））Ik，（13）其中ωk=（uk（p），vk（p））表示密集扭曲场（应用于W和α），ck是每图像混合因子（控制不透明度）。封堵装置13到我们的目标函数（方程。6），并在翘曲场上添加正则化项导致argmin （ |J −cWm （ ω ） − （ 1−cα（ ω ） ） I| ） +λω（|∇ω|）的情况下，其中，Wm=αW（为简洁起见，省略了图像索引k）。在这里，我们也使用交替最小化，即，我们的多图像抠图算法具有两个附加步骤：每个图像的混合因子估计（求解ck）和α感知的光流估计（求解ωk）。混合因子：据SEC的初步估计，3.2产生平均混合因子。然后，我们从该估计中求解每个图像的小完整推导见补充资料。12155′′′∈∈∈MXX我y- -It+Ix du+Iy dv，表示It=Wm+（1α）I J，I x=W′α I，I y=W α。我们修改了光学流程代码[11]来实现这种α感知流程。5. 结果我们广泛测试了我们的算法在著名的股票摄影网站的水印图像集合对于每个数据集，图像数量、长边和水印分辨率报告在表1中。我们根据经验设置多图像抠图算法的参数：λI[0，1]，λ α=0。01，λW[0。001，0。1]β[0. 001，0。01]。 在所有的实验中，我们使用了整个集合中的50张图像的子集，4次迭代，重构出所有水印图像。我们使用每个数据集中所有可用的图像来获得水印的初始估计。我们显示的效果的图像的数量上的性能，在实验室材料。表1中报告了使用非优化MATLAB实现的运行时间5.1. 库存图片我们使用15个预定义查询（如“时尚”、“食物”、“运动”和“自然”）从流行的库存内容网站抓取公开可用的预览图像样品结果示于图1中。6（SM中有更多）。12156图片库（422张图片），c=0.41123 RF（1340张图像），c=0.2CanStock（3000张图像），c=0.17fotolia（285图像），c=0.45图6.库存图片上的结果。这张图最好在显示器上观看。对于每个数据集（行），我们显示（从左到右）输入的水印图像（为了更好地查看而裁剪），我们的自动无水印图像重建，以及放大的区域。每行上方报告图像数量和估计的混合因子相应的估计的水印如图所示第七章）从图1中的输入图像可以看出，水痕包含各种结构和形状，一些比其他的更复杂，包括厚的（例如，能不能-真实可感知的图像退化。在形式上，每个重建图像I_k和地面之间真值I被定义为DSSIM（I，I）=1（1−SSIM（I，I）），KKk2kK股票）和薄的字母和线条（例如，123RF），光滑孔-ders（例如fotolia）和shadows（例如BibeStock）。在部分图像中，水印区域是高度纹理化的，而在其他图像中，它是平滑的。水印的不透明度很低，并且在不同的数据集之间有所不同（估计的混合因子显示在每行上方）。在所有这些情况下，我们的算法准确地估计了水印（图1）。7）和原始图像（图。（六）。5.2. 合成数据集定量评价我们使用两个水印图像生成了一些水印集合：CVPR17和版权。对于源无水印图像，我们使用了从Microsoft COCO'val2014'数据集中随机选择的在掌握基本事实的情况下，我们使用以下指标定量评估了该方法的不同方面：检测：我们使用检测到的边界框的中心之间的欧几里得距离（第二节）。3.1）和地面实况;大于2 px的距离被认为是未命中检测。重建：我们使用两个众所周知的指标：峰值信噪比（PSNR）和结构相异性图像指数（DSSIM），这两个指标都被证明是上限-其中SSIM（x，y）是结构相似性[20]。总误差测量为每张图像的DSSIM指数图的95%百分位数，并取整个图像集合。5.2.1一致的水印集合在CVPR 17/Copyright-fixed中，图像始终使用Eq. 3.采样的输入图像和结果如图1和2所示。[1、2、4、5]。可以看出（例如，图1（b）），我们的算法准确地估计了水印和阿尔法蒙版中的精细结构和微妙梯度计算的误差如表2和表3所示作为基线，我们评估了通过标准图像抠图获得的图像重建。重要的是要注意版权-固定CVPR 2017-固定PSNRDSSIMPSNRDSSIM我们36.20.03832.730.07[9]第九话15.660.4621.370.36直接提交30.890.08030.650.085表2.重建质量和比较。PSNR和DSSIM（数据集的平均值）用于我们的重建;[9]用地面真值α提供的抠图分解;直接减法（等式2）。2)与最初的matted水印。12157∈ −图7.图中数据集的估计水印（αW）六、大多数现有的遮片方法不输出（也不评估）底层背景图像的质量。为了方便前景-背景分解的任务，我们为抠图算法[9]提供了地面真实alpha抠图。该方法虽然能够在局部区域得到这可以在图中看到。4（c）和2中的错误。作为第二个基线，我们考虑了使用直接的每像素减法获得的图像重建，使用我们的初始抠图水印。这种方法不会生成准确的重建，因为估计水印或阿尔法蒙版 中 的 小 错 误 会 显 示 为 视 觉 伪 影 （ 图 11 ） 。 4（d））。5.2.2对水印变化的鲁棒性我们评估了我们的广义框架对每个图像水印变化的鲁棒性（见第二节）。4）.为此，我们使用与之前相同的徽标生成了许多数据集。我们首先对每个图像的水印位置进行均匀采样。我们通过在全局混合因子c周围的几个强度级别内对每个图像的混合因子ck进行均匀采样来引入细微的不透明度变化，即，Ck[cx/255，c+x/255]（我们使用x=10，20）。我们通过用高斯滤波器平滑两个i.i.d随机噪声图像（对于扰动的x和y分量）来生成小的空间扰动。我们将每个方向上的最大扰动限制为一个定义值（我们使用的最大值为0。5和1像素）。然后，我们使用这些作为位移场来扭曲原始水印和alpha蒙版（使用双线性插值）。最后，我们还生成了具有上述变化组合的数据集。我们在表3中报告了结果。可以看出，检测对于各种变化非常稳健。由于CVPR 17标识大多没有纹理，不含强烈的纹理，检测起来更具挑战性，但其检测率仍然很高。我们进一步观察到，不透明度的变化不会对结果产生太大影响，而几何扰动对重建质量的影响最大。请注意，扰动并不妨碍算法提取水标记的可靠估计值（因为几何噪声仍然可以通过图8.示例限制。估计细微水印结构的不准确性，例如.阴影可以显示为可见的伪像，尤其是在平滑区域中。许多图片）。因此，我们的广义框架在一定程度上提高了重建质量（见图1）。5（c-d））（顶部））;然而，它不能足够精确地对准扰动的水印，并且视觉伪像仍然是明显的（参见图11）。5（c-d）底部）。6. 结论我们发现了可见水印使用方式的漏洞，可以自动删除它们并以高精度恢复原始图像。该攻击利用了水印在多幅图像中的一致性，并且不受水印的复杂性或其在图像中的位置的限制。我们进一步研究并评估了在水印中添加几何/不透明度的小的随机变化是否有助于防止这种攻击。我们发现攻击受几何变化的影响最大，这可以提供一个有效的提高水印安全性相比，目前，传统的水印方案。图8示出了攻击的示例限制。特别是，在估计微妙的水印结构的不准确性，偶尔会出现可见的文物时，底层图像是平滑的。我们推测，除了变化之外，对于内容感知水印放置[12]，还可以利用这一事实，以进一步提高去除的鲁棒性。数据集检出率PSNR DSSIMCVPR17无变量。98.632.730.073翻译93.532.800.087不透明度（最大10/255）98.632.250.062不透明度（最大20/255）98.631.750.066Spatial pert（0.5pxmax）98.033.40.076Spatial pert（1px max）97.832.090.096Trans.+不透明度10+pert192.430.810.097版权无变量。10036.20.038翻译10036.350.039不透明度（最大10/255）10034.790.037不透明度（最大20/255）10033.170.063Spatial pert（0.5pxmax）10033.200.059Spatial pert（1px max）10031.230.085Trans.+不透明度10+pert110031.330.11表3.对水印变化的鲁棒性。检测率（所有图像），PNSR和DSSIM（平均超过50张图像），我们用几种类型的随机，每图像水印变化生成的水印数据集：平移、不透明、几何扰动以及它们的组合。见文本中的变化和幅度12158引用[1] D. Anguelov ， P. 斯 里 尼 瓦 桑 D.Koller ， S.Thrun ，J.Rodgers和J.戴维斯Scape：人的形状完成与动画在ACM Transactions on Graphics（TOG），第24卷，第408-416页中。ACM，2005年。[2] M. Bertalmio，G.萨皮罗河谷Caselles和C.巴列斯特图像修复。在第27届计算机图形和交互技术中，第417- 419页424. ACM出版社/Addison-Wesley出版公司两千[3] G. W. Braudaway，K. A. Magerlein和F. C. Mintzer 用可见的图像水印保护公开可用的图像。在电子成像中：科学&技术，第126-133页。国际光学与光子学学会，1996年。[4] J· 坎 尼 边 缘 检 测 的 计 算 方 法 。 Pattern Analysis andMachine Intelligence，IEEE Transactions on，（6）：679[5] M.达什蒂河Safabakhsh，M. Pourfard和M.阿卜杜拉希-法德。使用迭代后续匹配的视频标志删除。InAISP，2015.[6] Y. Hu和S.阿广小波域自适应可见光水印。ElectronicsLetters，37（20）：1219[7] C.- H. Huang 和 J. - L. 吴 攻 击 可 见 水 印 方 案 。Multimedia，IEEE Transactions on，6（1）：16-30，2004年。[8] M. S. Kankanhalli和K.拉马克里什南图像的自适应可见水印多媒体计算和系统，1999年。IEEE国际会议，第1卷，第568-573页。IEEE，1999年。[9] A. Levin，D. Lischinski和Y.韦斯一个封闭形式的解决方案，以自然图像抠图 。Pattern Analysis and MachineIntelligence，IEEE Transactions on，30（2）：228[10] T.- Y. 林，M。迈尔，S。贝隆吉，J.Hays，P.Perona，D.Ra-manan ， P.Dolla'r 和 C.L. 齐 特 尼 克Microsoftcoco ： 上 下 文 中 的 通 用 对 象 。 计 算 机Springer，2014.[11] C.刘某超出像素：探索运动分析的新表示和应用。博士论文，麻省理工学院，2009年。[12] A. Lumini和D. Maio 数字图像中可见水印的自适应定位。多媒体和展览，2004年。04年ICME。2004年IEEE国际会议，第2卷，第967-970页。IEEE，2004年。[13] J. Meng和S.- F.昌在压缩域中嵌入可视视频水印。图像处理，1998年。第98章.诉讼1998年国际会议，第1卷，第474-477页。IEEE，1998年。[14] S. P. Mohanty，K.R. Ramakrishnan和M.S. 坎坎哈利一种dct域图像可见水印技术。《多媒体与博览会》，2000年。ICME 2000。2000 IEEE国际会议，第2卷，第1029-1032页。IEEE，2000年。[15] S.- C. Pei和Y.-C. 小曾。一种新的可见水印图像恢复Information Forensics and Security ， IEEE Transactionson，1（4）：543[16] C. I. Podilchuk和E. J. Delp.数字水印：算法及应用。信号处理杂志，IEEE，18（4）：33[17] V. M. Potdar，S. Han和E.昌数字图像水印技术综述。在工业信息学中，2005. INDIN'05. 2005年第三届IEEE国际会议，第709-716页。IEEE，2005年。[18] J. Wang和M. F.科恩图像和视频抠图：一份调查报告。Now Publishers Inc，2008.[19] J. Wang，Q.王，英-地柳湖，加-地Duan，H. Lu和C.徐广播视频中电视标志的自动检测、跟踪和去除。载于ICMM，2007年。[20] Z. Wang，中国山核桃A. C. Bovik，H. R. Sheikh和E.西蒙切利图像质量评估：从错误可见性到结构相似性。图像处理，IEEE Transactions on，13（4）：600[21] W.- Q. Yan，J. Wang，and M. S.坎坎哈利自动视频标志检测和删除。多媒体系统，2005年。