随着信息技术的不断发展,添加可见水印成为了在线视频媒体平台保护视频版权的一种有效手段,同时视频可见水印的检测和去除也受到了广泛关注。如今网络上的视频可见水印位置和形态会随着时间发生一定的变化,在这种情况下,使用现有的可见水印检测和提取方法获得水印位置和形态信息需要一定的人工干预,或存在提取不完整、提取不到的问题。同时,现有的可见水印去除方法中,水印去除后的视频存在边缘不合理、错误填充的问题。针对现有视频可见水印检测和去除方法中存在的问题,本文提出了一种基于目标检测、图像分割和图像修复算法的视频可见水印检测和去除方法。本文的主要研究内容如下:(1)针对视频可见水印检测和提取过程中需要人工干预和难以提取动态水印的问题,提出了一种基于目标检测和图像分割算法的视频可见水印检测和提取方法。首先从在线视频网站上获取视频,构建所需视频可见水印数据集。利用目标检测算法检测出水印在视频帧中的坐标位置。根据获得的坐标位置生成一张标注水印位置的二进制掩膜图,利用图像分割算法对水印部分进行分割,得到水印图案。如果当前帧获得的水印图案与真实图案的重合程度小于某个值,把之前几帧中效果最好的帧与当前帧进行或操作,把得到的结果作为当前帧的提取结果。水印提取部分获得的水印图案用于后续的图像可见水印去除和视频可见水印去除。最后,在构建的数据集上分别对水印检测和提取部分与经典的算法进行实验对比。(2)针对可见水印去除后存在的边缘不合理和错误填充的问题,提出了一种基于深度图像先验的图像可见水印去除方法。首先对提取到的水印进行掩膜预处理操作得到掩膜,然后把掩膜与原视频帧一起输入深度图像先验网络进行水印去除。为了解决深度图像先验网络生成图像结构不够清晰的问题,在损失函数中引入结构相似度并保留原图像掩膜区域以外的像素值。然后在本文构建的数据集上对本文提出的图像可见水印去除方法与另外三种常见图像修复算法分别在主观和客观两个方面进行分类实验对比,最后在本文构建的数据集和LVW数据集上对该方法与另外三种算法进行数据集实验对比。(3)针对图像可见水印去除方法存在的伪影和结构纹理不清晰的问题,提出了基于光流引导的视频可见水印去除方法。先使用光流提取算法提取出视频的光流信息并对视频进行水印检测和提取获得水印图案,然后把水印图案转化为掩膜,和光流一起输入深度光流补全网络进行光流修复。最后在修复后的光流信息的引导下对视频帧进行像素传播,并采用本文提出的图像水印去除方法对像素传播未能完全修复的视频帧进行修复。实验结果表明,与另外两种算法相比,该方法对于连续的视频帧的水印去除后的PSNR、SSIM和MS-SSIM值更高,水印去除后的局部运动信息更加合理,对伪影和结构纹理不清晰问题有明显改善。