各家企业的业务线不同，需求也多种多样，像去水印这种需求也存在。

一个妹子是做Java的，她尝试过用Java代码去除图片上的水印，但是效果并不好。行业的直觉告诉她，可能AI人工智能更适合去除水印。我直接告诉她，AI去水印不难。

伴随着AI技术的突飞猛进，很多以前看似高端的技术慢慢地走入千家万户，并且越来越智能。

哪怕你网络上随便浏览一张图片，平台也会给你浮现出一个“Ai去水印”的按钮。你一点击，水印真的去掉了。

但是它功能再强、效果再好，这是人家产品里的，不是咱自己的。如果你想用，马上会面对两个问题：第一个问题就是收费高；第二个问题是在他的体系里效果好，在你自己的体系里效果差。

费用问题还好说，而后者的效果问题则很尴尬。这倒不是人家藏着掖着没给你好的资源，着实是因为他提供的是一套通用的能力，而非定制的能力。就像是OCR数字识别，通用能力可能是识别书本、网页、画报上的数字。而你用它去识别水表、电表、电子秤这类仪表上的数字。这一下就错位了，就好比拿满汉全席招待湖南老汉，他问怎么没有辣味，不是很满意。

我不认为通用的手段能解决个性问题。而个性的问题恰好又是产品的特色。遇到稍微特殊一些场景，通用方案就会失效。

通用方案操作简单，定制方案针对性好。这就好比汽车自动挡和手动挡的区别。

今天，我要介绍的这个去水印方案，就是一个“老手动挡”方案。我感觉，它很有针对性，有些地方甚至新AI都做不到。

这是一个开源项目，地址是 

github.com/zuruoke/watermark-removal

我之所以说它老，除了项目是2021年创建的，它用的AI框架TensorFlow是1.15.0版本。另外，它去水印也需要先制作掩膜。

而它的优势也来源于劣势：因为版本低，它不占资源，普通机器就能跑；因需要制作掩膜，它可以根据掩膜定义水印的位置和形态，就算一张图片有俩水印，我们也可以做到只去除指定的一个。

先看看效果吧。

这是官方效果，只能作为参考。实际效果，还需要我们亲自去搭建并尝试。

这套框架对设备没有要求，用你的笔记本电脑就可以搭建并运行。

第1步：下载文件

首先，下载项目源码，地址是：

github.com/zuruoke/watermark-removal/

然后，下载模型权重文件，地址是：

drive.google.com/drive/folders/1xRV4EdjJuAfsX9pQme6XeoFznKXG0ptJ

下载不下来可以找我要。下载完毕后，将权重模型文件放到项目的model文件夹下。

有了这个文件结构，我们的代码就准备好了。下一步是准备运行环境。

第2步：准备环境

以下是运行所需要的环境以及类库：

python 3.7.16neuralgym0.0.1numpy1.21.6opencv-python4.9.0.80Pillow 9.5.0PyYAML 6.0.1tensorflow 1.15.0

虽然requirements.txt中只列了tensorflow和opencv-python这2个库，但是在实际安装的时候，通过一步步排查错误，我又补充了很多。

因为tensorflow是1.15.0，这就限制了python不能超过3.7，因此选择了python 3.7。

特别提示，对于neuralgym的安装，官方特别说明要采用如下方式安装：

pip install git+https://github.com/JiahuiYu/neuralgym

环境准备完毕，之后就可以运行demo了。

第3步：运行demo

运行demo可以采用命令行的方式：

python main.py --image i.png --output o.png

这段命令的意思就是将i.png这张图片做去水印处理，处理完毕后保存为o.png命名的新文件。

当然，命令行和代码执行效果一样，主要是调用模型权重去做操作。主要处理代码在main.py中体现，你也可以修改这个文件适应自己的需求。

其实完整的参数有4个：

parser.add_argument('--image', default='', type=str,help='The filename of image to be completed.')parser.add_argument('--output', default='output.png', type=str,help='Where to write output.')parser.add_argument('--watermark_type', default='istock', type=str,help='The watermark type')parser.add_argument('--checkpoint_dir', default='model/', type=str,                    help='The directory of tensorflow checkpoint.')

image是待处理的图片路径，output是处理后的图片路径，watermark_type是水印类型，有默认值。checkpoint_dir是模型权重的地址，默认就是model文件夹，刚刚我们已经下载并存放好了。

我在执行过程中，出现了一个错误，不知道是环境问题还是代码问题，但是好在解决了。

错误是：

 File "watermark-removal\preprocess_image.py", line 42, in preprocess_imageassert image.shape == preprocessed_mask_imageValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

解决方案就是修改preprocess_image.py文件：

将

assert image.shape == preprocessed_mask_image

修改为：

assert image.shape == preprocessed_mask_image.shape

如果你没有遇到，可以忽略。

演示效果，原图：

去除效果：

这里面有个掩膜的概念。这个框架没有智能到自己能寻找哪个区域是水印。需要我们告诉它水印的位置，以及形态。

我们看preprocess_image.py里面的一段源码：

它会去utils下的watermark_type下的image_type里面寻找一张名为mask.png的图片。watermark_type是水印类型，image_type是图片的类型，分为landscape和potrait，也就是横屏和竖屏。

追根溯源，我们在utils/istock/landscape/mask.png找到了这张图片。

这张掩膜图片定义了哪里是水印。因此，框架只需要处理掩膜图片中空白处即可。

这一步也就限定了要处理的图片，水印位置需要比较固定。

假设我们有这么一个需求。有一个叫“大红书”的水印，打在图片的中心位置。

我们该如何去掉它呢？首先，为它制造掩膜。也就是这么一张图片，整体是黑色的，带有“大红书”的位置处是透明的。

制作好了掩膜，框架就知道哪里有水印，它就会把精力都放在水印区域内。而我们的掩膜可以放到utils/dhs/landscape/mask.png下。随后，执行命令，指定输入、输出图片的路径，掩膜的路径，以及模型权重的路径：

python main.py --image a.png--output b.png --checkpoint_dir model/ --watermark_type dhs

我们来看下去除的效果：

如果是按照这个套路的话，屡试不爽。那种让我们头痛的多水印也可以清除其一。

比如下面这张，顶部的“操作示意图”和“大红书”的样式是一样的。单纯看样子，他们都是水印。

但是，我们可以做到去除“大红书”而保留“操作示意图”。这一点，高级的人工智能，反而不容易做到，咱们这个“低级”的可以。

后记

这就挺有意思，高级的不行，低级的可以。其实这个高级和低级是相对人类参与多少而言的。机器帮你做得越多，你越省心，但是你能干预的就越少。你做多越多，你能控制的颗粒度也就是越细。这就好像手动挡更容易实现原地出库一样。自动挡可能也能实现，但是成本要大很多。

在软件行业也是一样。大厂的通用AI模型就好比自动挡，让我们很容易就实现一个功能。但是，它很难为你作出一点改变。而小厂可能会为你单独做一套功能。

好了，今天的去水印功能就讲到这里。