羅偉

網(wǎng)易資深研發(fā)工程師

先后參與KMS流媒體服務(wù)器及NTS分布式任務(wù)處理系統(tǒng)的開發(fā)

作者簡介

大部分時(shí)候，為了表明作品來源，我們需要對(duì)拍攝制作的圖片或者視頻加上水印logo。不過，我們有時(shí)候也需要對(duì)視頻已經(jīng)加上的水印進(jìn)行移除處理，然后加上新的水印。加水印的自動(dòng)處理是很容易實(shí)現(xiàn)的，而檢測并去除水印的自動(dòng)處理就有相當(dāng)?shù)奶魬?zhàn)性了。

?

問題已經(jīng)拋出，網(wǎng)易云信的分布式視頻處理系統(tǒng)，于近期發(fā)布了支持視頻自動(dòng)去水印的轉(zhuǎn)碼功能，我們是怎么自動(dòng)化、智能化地解決這一問題的呢？

?

其實(shí)很簡單，它總共分三步：

分析并檢測出視頻所有水印的區(qū)域；

根據(jù)區(qū)域?qū)@些水印進(jìn)行移除處理；

加上新的水印。

?

細(xì)心的讀者可能已經(jīng)發(fā)現(xiàn)，這事情"簡單"地好比如何把大象放進(jìn)冰箱，那我們就來試試把大象放進(jìn)冰箱。

?

本文分三個(gè)部分來描述：數(shù)學(xué)建模、工程實(shí)現(xiàn)、實(shí)際效果。

●●●

數(shù)學(xué)建模

因?yàn)橐曨l是由一幀一幀的圖像組成，所以視頻去水印其實(shí)就是一組圖像的去水印。這部分內(nèi)容比較偏學(xué)術(shù)，筆者爭取描述得通俗易懂。

1-1 image matting問題

視頻去水印的本質(zhì)是multi-image matting問題，圖像處理中的image matting問題最早由Alvy Ray Smith在其SIGGRAPH論文《Blue screen matting》中提出和定義，中文意思就是摳圖。

?

AlvyRay Smith認(rèn)為一張圖片I，應(yīng)該由前景F和背景B合成，合成方式就是通過透明度α來操作。在不同的區(qū)域兩者的比例不一樣，對(duì)于只有背景的地方，前景的參與比例為0％，對(duì)于只有前景的地方，背景的參與比例為0％。具體公式如下：

?

? ? ? ? ? ? ? ? ? ? ? ? ? ?

可以看出來，matting問題研究的是，如何通過左邊的I，推測出右邊的三個(gè)變量α、F和B，方程數(shù)量嚴(yán)重少于未知數(shù)數(shù)量，理論上是無精確解的，實(shí)際工程上根據(jù)不同場景或者一些先驗(yàn)前提，我們是可以一定程度上求出近似解的，不過其難度仍然巨大。

?

這項(xiàng)技術(shù)主要被用在電影工業(yè)中，比如你在觀看一些電影花絮視頻時(shí)，有時(shí)會(huì)看到拍攝現(xiàn)場有綠色背景和一群穿著綠色衣服的工作人員，這些都會(huì)在后期的摳圖技術(shù)下被摳掉換上“真正的”背景。這種Blue Screen Matting 技術(shù)，使用純色背景可以確保前景被準(zhǔn)確摳出。

?

在2001年的CVPR會(huì)議上，貝葉斯公式被引入解決matting問題，在04年的SIGGRAPH上，MSRA的Jian Sun等人發(fā)表了基于泊松方程的Poisson Matting這篇文章，其實(shí)際上是將透明度作為圖像的一種內(nèi)在屬性—“場”，變向地尋求其最優(yōu)解。后來同在MSRA工作的KaiMing He，在圖像去霧算法中發(fā)現(xiàn)了暗通道先驗(yàn)，并獲得2009年的CVPR最佳論文。

?

1-2 水印估計(jì)與去除算法

今年，Google在CVPR2017會(huì)議上發(fā)表了一篇去水印的論文《On the Effectiveness of Visible Watermarks》，其幾近完美地解決了具有共同水印的一組圖像去水印問題，研究人員提出了廣義的multi-image matting模型。

?

對(duì)于水印圖像 J ，我們認(rèn)為其通過將水印 W 疊加到自然圖像 I 來獲得，類似于上面的公式，可以有下面的公式：

?

其中p =（x，y）是像素位置，α（p）是空間變化的不透明度，最常用的水印是半透明的，以保持底層的圖像內(nèi)容部分可見。

?

給定W和α，可以對(duì)每個(gè)像素進(jìn)行計(jì)算操作來獲取原圖像：

?

如果沒有先驗(yàn)信息，單獨(dú)給予J來恢復(fù)I的問題是非常困難的，因?yàn)槊總€(gè)像素點(diǎn)都有三個(gè)未知的（W，α，I）變量和一個(gè)約束方程。

?

但是，大部分場景下，水印是以一致的方式添加到一組圖像中，所以，對(duì)于圖像集合{Ik}，由相同的W和α標(biāo)記，我們有（為了簡潔省略像素索引p）：

?

換句話說，我們的目標(biāo)是，給定{Jk} k = 1…K，恢復(fù)W，α和{Ik} k = 1..K。大致算法如下:

?

A、估計(jì)檢測水印

?

廣義上來說，在一組圖像中將所有圖像中屬于水印的圖像結(jié)構(gòu)檢測還原出來，這是一個(gè)先有雞還是先有蛋的問題，因?yàn)樗D像內(nèi)容的檢測估計(jì)和水印的區(qū)域位置是相互依賴的關(guān)系。對(duì)于有共同水印的一組圖像來說(視頻)，即W(p)相同，這將不是問題。

?

B、多圖像匹配和重建

?

有了所有圖像中水印的檢測位置信息，我們可以真正解決 multi-image matting problem，即由J 得到 W 、α、原始圖像 I，這一部分是核心步驟,在后文的工程實(shí)現(xiàn)中我們會(huì)詳細(xì)描述我們的實(shí)現(xiàn)。

?

C、刪除新圖像中的水印

?

有了W和α，根據(jù)公式我們就可以輕松地將任意新圖像中的水印去除，當(dāng)然前提是使用了相同的 W和α。

●●●

工程實(shí)現(xiàn)

2-1 模塊框架

引擎的整體框架模塊如下：

?

如上圖所示，左側(cè)是視頻的水印檢測，與谷歌的算法不盡一致，但是核心思路是一致的，仍然是對(duì)所有圖像幀進(jìn)行迭代處理，最終收斂出水印圖像的結(jié)構(gòu)。為提升運(yùn)行效率，我們未必需要將所有的視頻幀提取出來，當(dāng)視頻幀數(shù)量較多時(shí)，我們會(huì)進(jìn)行跨幀的提取，丟棄一些GOP，避免不必要的解碼運(yùn)算。

?

右側(cè)則是對(duì)視頻中所有的圖像進(jìn)行水印去除操作，其依賴左側(cè)模塊所計(jì)算得出的水印信息。

2-2 算法實(shí)現(xiàn)

我們選擇了一個(gè)示例視頻，展示這個(gè)過程。

?

(1)記錄圖片序列每個(gè)位置最大值和最小值，并確定每個(gè)位置的像素值范圍。由于在添加水印時(shí)的算法通常如下：

因此水印添加區(qū)的像素范圍為：

當(dāng)α值小于0.5時(shí)，水印添加區(qū)的像素范圍低于127，因此標(biāo)記像素范圍小于127的區(qū)域?yàn)橛行^(qū)域

?

(2)對(duì)圖片逐幀水平垂直方向梯度進(jìn)行疊加，無水印區(qū)域是動(dòng)態(tài)區(qū)域，在空間域上梯度期望為0，即：

在水印與邊界交界處，梯度期望不為0，例如在邊界(????0,????0) ，有：

(3)針對(duì)有效區(qū)域內(nèi)的梯度圖使用Canny算子進(jìn)行運(yùn)算，初步標(biāo)記的區(qū)域如下圖所示：

?

?

(4)可以看出有部分靜態(tài)區(qū)域也被識(shí)別出紋理，由于水印區(qū)域邊界的梯度值并不穩(wěn)定，因此水印區(qū)域的邊緣梯度線呈現(xiàn)出非連續(xù)狀態(tài)，可通過去除長線段的方式去除非水印靜態(tài)區(qū)域邊緣梯度線段，處理后的效果如下：

?

?

(5)此時(shí)可發(fā)現(xiàn)水印區(qū)域紋理密度要遠(yuǎn)高于其它區(qū)域，對(duì)圖像進(jìn)行均值濾波，然后通過大津閾值法對(duì)圖像進(jìn)行二值化，處理后的效果如下所示：

?

(6)最后通過連通域算法和聚類算法，過濾掉不符合規(guī)定的區(qū)域，從而確定水印區(qū)域，結(jié)果如下所示：

?

?

●●●

效果展示

?

我們重新選取一個(gè)視頻，經(jīng)過我們的去水印引擎，可以自動(dòng)檢測出水印位置，并進(jìn)行去除操作，效果圖見下面的圖和視頻。

?

去除水印之后的視頻,如下:

?

【推薦閱讀】Android短視頻中如何實(shí)現(xiàn)720P磨皮美顏錄制

總結(jié)

以上是生活随笔為你收集整理的视频智能去水印：从数学建模到工程实现的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。