CN108961141B - 矢量地图的双重零水印方法、系统、存储介质及服务器 - Google Patents
矢量地图的双重零水印方法、系统、存储介质及服务器 Download PDFInfo
- Publication number
- CN108961141B CN108961141B CN201810724750.1A CN201810724750A CN108961141B CN 108961141 B CN108961141 B CN 108961141B CN 201810724750 A CN201810724750 A CN 201810724750A CN 108961141 B CN108961141 B CN 108961141B
- Authority
- CN
- China
- Prior art keywords
- sequence
- watermark
- vector map
- processing
- singular
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000013598 vector Substances 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 130
- 238000012545 processing Methods 0.000 claims abstract description 99
- 238000003384 imaging method Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000010276 construction Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 29
- 230000009977 dual effect Effects 0.000 claims description 26
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000000903 blocking effect Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 230000006835 compression Effects 0.000 claims description 10
- 238000007906 compression Methods 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 6
- 229910002056 binary alloy Inorganic materials 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000007418 data mining Methods 0.000 abstract 2
- 230000008569 process Effects 0.000 description 41
- 238000000638 solvent extraction Methods 0.000 description 23
- 230000009466 transformation Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
- G06T1/005—Robust watermarking, e.g. average attack or collusion attack resistant
- G06T1/0071—Robust watermarking, e.g. average attack or collusion attack resistant using multiple or alternating watermarks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0063—Image watermarking in relation to collusion attacks, e.g. collusion attack resistant
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明公开了一种矢量地图的双重零水印方法，其中，所述双重零水印方法包括：对矢量地图进行特征点和非特征点提取处理，获得矢量地图的特征点和非特征点；根据所述特征点进行一系列数据挖掘处理后，获得特征点组成的三角形的角度值序列；根据所述非特征点进行一系列数据挖掘处理后，获得非特征点的二元表；对初始水印进行一系列处理后获得水印序列；根据水印序列分别与角度值序列和二元表进行抑或操作后在进行图像化及合并处理，获得双重水印的矢量地图。在本发明实施例中，矢量地图采用双重水印，较好解决了针对特征点攻击时水印鲁棒性不足，本发明还提供了种矢量地图的双重零水印系统、存储介质及服务器。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种矢量地图的双重零水印方法、系统、存储介质及服务器。
背景技术
二维矢量地图在工程建设、城市规划、军事、导航等诸多领域具有极高的应用价值，但造价昂贵，且在网络传播过程中极易被非法复制、篡改和盗用，从而给持有方造成不可估量的损失；伴随人们对版权保护的需求增强，数字水印作为版权保护的重要方法近年来得到快速发展；图像的数字水印研究开展最早，主要集中在针对性地设计水印嵌入算法方面，旨在提升水印的不可见性或鲁棒性，丰富的研究成果给其他类型数据的水印方案提供了借鉴，矢量地图的水印研究因此也得到快速发展；由于矢量地图的应用不仅包括外在图形分析，还包括内在数值计算，这就决定了矢量地图的水印方案对鲁棒性、不可见性以及精度控制有非常高的要求。
基于坐标域和频率域的矢量地图水印算法都直接对坐标点进行操作，即便水印嵌入控制在图形精度变化范围内，但数值分析时仍然存在误差，同样会降低矢量地图的可用性；且受精度控制的限制，这两种算法嵌入的水印信息量较少。
零水印算法的天然零干扰的特点非常契合矢量地图的精度需求，但矢量地图零水印算法主要存在鲁棒性不足的问题，这一问题主要由两方面原因引起，一是：零水印算法独特的水印构造方式，将水印信息独立于“宿主”数据之外，这种非嵌入的方式只能依赖特征信息的稳定性，存在天然鲁棒性弱的缺点。二是：矢量地图在应用或更新时会遭受不同程度或类型的攻击，对特征信息的稳定性要求很高，而越稳定的特征信息，在矢量地图中越少；零水印的构造基于特征信息，因此水印容量受限，水印容量太小同样会影响水印的鲁棒性。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种矢量地图的双重零水印方法、系统、存储介质及服务器，通过对矢量地图的特征点和非特征点进行序列信息提取，分别与水印序列信息进行异或操作，得到双重零水印图像，解决了针对特征点攻击时水印鲁棒性不足。
本发明提供了一种矢量地图的双重零水印方法，所述双重零水印方法包括：
对矢量地图进行特征点和非特征点提取处理，获得矢量地图的特征点和非特征点；
对所述特征点进行点约束分块处理，获得若干个特征点分块；对所述非特征点按综合有线图元进行集合构建处理，获取每个线要素和多边要素的非特征点集合；
对所述若干个特征点分块进行构建Delaunay三角形处理，获得n个Delaunay三角形；对每个线要素和多边要素的非特征点集合进行构造点矩阵处理，获得m个点矩阵；
对所述n个Delaunay三角形进行角度提取处理，根据提取到的n个Delaunay三角形的角度组成角度值序列；对m个点矩阵进行奇异分解处理，获得m个第一奇异值；采用m个第一奇异值进行集合构建处理，获得第一奇异值集合；采用所述第一奇异值集合内的m个第一奇异值与所述第一奇异值集合内的m个第一奇异值均值进行对比处理，根据对比结果获得二元表；
对初始水印图像进行置乱加密处理，在置乱加密处理后依次进行二值排序和十进制化处理，获得水印序列；
采用所述水印序列与所述角度序列进行异或操作处理，获得第一二值序列；采用所述水印序列与所述二元表进行异或操作处理，获得第二二值序列；
对所述第一二值序列进行图像化处理，获得第一零水印矢量地图；对所述第二二值序列进行图像化处理，获得第二零水印矢量地图；
将所述第一零水印矢量地图与所述第二零水印矢量地图进行合并，获得双重零水印的矢量地图。
可选的，所述对矢量地图进行特征点和非特征点提取处理，获得矢量地图的特征点和非特征点，包括：
采用道格拉斯-普克压缩法进行特征点提取处理，获得矢量地图的特征点；
在矢量地图上对所述特征点进行擦除操作处理，获得所述矢量地图的非特征点。
可选的，所述对所述n个Delaunay三角形进行角度提取处理，获得n个Delaunay三角形的角度值序列，包括：
分别计算n个Delaunay三角形的三条边长度；
根据n个Delaunay三角形的三条边长度进行反三角函数计算，获得n个三角形的角度值序列。
可选的，所述采用所述第一奇异值集合内的m个第一奇异值与所述第一奇异值集合内的m个第一奇异值均值进行对比处理，根据对比结果获得二元表，包括：
计算所述第一奇异集合内的m个第一奇异值的平均值；
采用所述第一奇异集合内的m个第一奇异值的与所述平均值进行一一对比，获取对比结果；
根据所述对比结果获得二元表。
可选的，所述根据所述对比结果获得二元表，包括：
对比结果中第一奇异值大于平均值的，用1表示；
对比结果中第一奇异值小于或等于平均值的，用0表示；
根据表示中的1或0构成二元表。
可选的，所述对初始水印图像进行置乱加密处理，在置乱加密处理后依次进行二值排序和十进制化处理，获得水印序列，包括：
采用Arnold置乱算法对所述初始水印图像进行加密处理，获取加密后的初始水印图像；
将加密后的初始水印图像转化为0和1的有序序列，并将有序序列按照8位二进制进行分组，分为r组；
将每组的8位二进制转化成一个整数值，获取r个整数值；
采用r个整数值组成水印序列。
可选的，所述采用所述水印序列与所述角度序列进行异或操作处理，获得第一二值序列，包括：
获取所述角序列的长度为水印序列的长度的倍数；
根据所述倍数在所述水印序列的末尾原有水印序列补位操作，获取补位后的水印序列；
采用所述水印序列与所述补位后的水印序列进行异或操作处理，获得第一二值序列。
另外，本发明还提供了一种矢量地图的双重零水印系统，所述系统包括：
特征点与非特征点提取模块：用于对矢量地图进行特征点和非特征点提取处理，获得矢量地图的特征点和非特征点；
特征点分块模块：用于对所述特征点进行点约束分块处理，获得若干个特征点分块；
非特征点集合构建模块：用于对所述非特征点按综合有线图元进行集合构建处理，获取每个线要素和多边要素的非特征点集合；
三角形构建模块：用于对所述若干个特征点分块进行构建Delaunay三角形处理，获得n个Delaunay三角形；
矩阵构建模块：用于对每个线要素和多边要素的非特征点集合进行构造点矩阵处理，获得m个点矩阵；
角度序列组成模块：用于对所述n个Delaunay三角形进行角度提取处理，根据提取到的n个Delaunay三角形的角度组成角度值序列；
奇异分解模块：用于对m个点矩阵进行奇异分解处理，获得m个第一奇异值；
奇异集合构建模块：用于采用m个第一奇异值进行集合构建处理，获得第一奇异值集合；
二元表获得模块：用于采用所述第一奇异值集合内的m个第一奇异值与所述第一奇异值集合内的m个第一奇异值均值进行对比处理，根据对比结果获得二元表；
水印序列获得模块：用于对初始水印图像进行置乱加密处理，在置乱加密处理后依次进行二值排序和十进制化处理，获得水印序列；
第一异或模块：用于采用所述水印序列与所述角度序列进行异或操作处理，获得第一二值序列；
第二异或模块：用于采用所述水印序列与所述二元表进行异或操作处理，获得第二二值序列；
第一图像化模块：用于对所述第一二值序列进行图像化处理，获得第一零水印矢量地图；
第二图像化模块：用于对所述第二二值序列进行图像化处理，获得第二零水印矢量地图；
合并模块：用于将所述第一零水印矢量地图与所述第二零水印矢量地图进行合并，获得双重零水印的矢量地图。
另外，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述任意一项所述的矢量地图的双重零水印方法。
另外，本发明还提供了一种服务器，其包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于：执行上述任意一项所述的矢量地图的双重零水印方法。
在本发明实施过程中，通过对矢量地图的特征点和非特征点一起构建双重零水印主要存在以下优点：
1)双重零水印之间没有冲突，对一些攻击都表现出强鲁棒性，并且双重零水印之间存在较好的鲁棒性互补。
2)通过点约束分块确保每个内的坐标点个数相近，使水印分别更均匀，提升抗裁剪攻击的能力。
3)将Delaunay三角网的角度值作为特征信息可充分利用数据点之间拓扑关系的稳定性；并且只要特征点不变，Delaunay三角网具有唯一性，即便缺失部分特征点，也只会局部影响，具有很强的稳定性；SVD的第一奇异值具有很强的稳定性，即便确实部分坐标点数据，仍可保持内蕴特征信息的稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的矢量地图的双重零水印方法的方法流程示意图；
图2是本发明实施例中的矢量地图的双重零水印系统的系统结构组成示意图；
图3是本发明实施例中执行矢量地图的双重零水印方法的服务器组成结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明矢量地图的双重零水印方法的具体实施过程中，主要包括三个阶段，分别为：
一、预处理阶段，主要包括特征点和非特征点的提取以及数据分块处理；特征点提取通过道格拉斯-普克算法，设定阈值，简化矢量地理数据中的线要素，去除掉的点为非特征点，剩下的就是特征点；数据分块是在平均分块的基础上，根据特征点的个数对原始矢量数据进行点约束分块；非特征点是通过去除矢量地图上的特征点而获得，并且通过综合所有线图元构建非特征点集合。
二、特征点和非特征点的信息挖掘和构建；主要包括特征点的特征信息和非特征点的特征信息挖掘；在本发明实施例中，以特征点间的拓扑关系为出发点，构建特征点的Delaunay三角网来量化拓扑信息，将三角网中三角形的角度作为特征信息；非特征点的特征信息通过奇异值分解(Singular Value Decomposition,SVD)方法，挖掘非特征点之间的内蕴信息作为特征信息。
三、零水印矢量地图生成；将初始水印图像进行置乱加密，提取初始水印图像的信息序列，并采用信息序列分别与特征点的特征信息和非特征点的特征信息进行异或操作，从而生成双重零水印矢量地图。
实施例：
请参阅图1，图1是本发明实施例中的矢量地图的双重零水印方法的方法流程示意图。
如图1所示，一种矢量地图的双重零水印方法，所述双重零水印方法包括：
S11：对矢量地图进行特征点和非特征点提取处理，获得矢量地图的特征点和非特征点；
具体的，通过采用道格拉斯-普克压缩法进行特征点提取处理，获得矢量地图的特征点；在矢量地图上对所述特征点进行擦除操作处理，获得所述矢量地图的非特征点。
在具体实施过程中，特征点提取是指通过某种算法提取矢量地图中一些最稳定的顶点，并基于这些点来构建水印；特征点是矢量地图构成的关键图元，包含地图的主要特征信息，具有不可删除性，因此，选取的特征点越不容易被攻击，对应的水印鲁棒性越强。
特征点的提取是非特征点的去除过程，最经典的非特征点去除方式就是线要素简化，在本发明实施例中采用道格拉斯-普克压缩法进行特征点提取处理，获得矢量地图的特征点；线要素简化也是矢量地图压缩的基本方法，因此道格拉斯-普克算法设定的阈值越大，水印方案抗压缩攻击能力越强，但得到的特征点越少，水印容量因此会下降；在具体实施过程中，需要进过阈值的筛选；选择合适的阈值，以确保各分块内有足够的且稳定性较强的水印信息。
在获取到矢量地图的特征点之后，在矢量地图上对特征点进行擦拭操作，将矢量地图上的特征点去除之后，剩余的点即为非特征点。
S12：对所述特征点进行点约束分块处理，获得若干个特征点分块；对所述非特征点按综合有线图元进行集合构建处理，获取每个线要素和多边要素的非特征点集合；
具体的，对特征点的分块处理和对非特征点的集合构建处理为并行进行的操作，两者之间的操作不存在相互影响。
在具体实施过程中，对特征点按照某种规则分成若干块，方便在后续添加水印时，按照分块嵌入相关的水印，对特征点进行分块和裁剪攻击相似，因此对特征点进行分块有利于分块嵌入水印，从而提高嵌入的水印的抗裁剪攻击；因为分块方式的不同，后续对水印的分别情况和容量有直接的影响；因此在本发明实施例中采用点约束分块来对特征点进行分块；点约束分块在平均分块方法基础上，将点数量大于阈值的分块继续划分，直到点数量小于阈值；参数设定需选择合适的初次分块的面积S和特征点个数的阈值P，若S和P设定过大，矢量地图中水印个数将会相应减少；面积S与阈值P过小，则分块效率过低，零散度高；因此需要多次试验选择合适的面积S和阈值P；点约束分块方法相比于四叉树分块方法或者平均分块方法，使各分块的特征点个数相近，分块面积差异减小，使得后续添加的水印在矢量地图上分布更加均匀合理；通过点约束分块，即可将特征点分为若干个特征点分块。
具体实施过程中，需要综合考虑所有线图元的非特征点情况，按照综合有线图元对非特征点进行集合构建，即可构建得到集合M。
S13：对所述若干个特征点分块进行构建Delaunay三角形处理，获得n个Delaunay三角形；对每个线要素和多边要素的非特征点集合进行构造点矩阵处理，获得m个点矩阵；
具体的，在获得特征点的分块之后，通过Delaunay三角网的方式将每一个特征点分块进行Delaunay三角形构建，从而获得n个Delaunay三角形。
具体的，分别对每一个线要素和多边要素的非特征点集合均构建实数矩阵，构建好的矩阵如下：
该矩阵为I行，J列矩阵。
S14：对所述n个Delaunay三角形进行角度提取处理，根据提取到的n个Delaunay三角形的角度组成角度值序列；对m个点矩阵进行奇异分解处理，获得m个第一奇异值；采用m个第一奇异值进行集合构建处理，获得第一奇异值集合；采用所述第一奇异值集合内的m个第一奇异值与所述第一奇异值集合内的m个第一奇异值均值进行对比处理，根据对比结果获得二元表；
具体的，所述对所述n个Delaunay三角形进行角度提取处理，获得n个Delaunay三角形的角度值序列，包括：分别计算n个Delaunay三角形的三条边长度；根据n个Delaunay三角形的三条边长度进行反三角函数计算，获得n个三角形的角度值序列。
在本发明实施过程中，首先是分别计算n个Delaunay三角形的三条边长度，在就算过程中，所使用的计算公式如下：
其中，
分别为第n个三角形的第一、第二和第三个点的横坐标值，
分别为第n个三角形的第一、第二和第三个点的纵坐标值，Dn,12，Dn,23，Dn,31为第n个三角形的三边的长度。
通过上述的计算公式可以分别计算出每一个Delaunay三角形的三条边长度。
根据n个Delaunay三角形的三条边长度进行反三角函数计算，获得n个三角形的角度值序列的计算公式如下：
其中，θn,1，θn,2，θn,3为第n个三角形的三个角的角度，Dn,12，Dn,23，Dn,31为第n个三角形的三边的长度。
通过上述公式计算分别获得n个三角形的三个角的角度，然后根据n个三角形的角度构建n个三角形的角度值序列如下：
A3n＝{θ1,1,θ1,2,θ1,3,…,θn,1,θn,2,θn,3}
其中，A3n为角度值序列，因为每个三角形拥有上个角，因此角度序列长度为3n。
在本发明具体实施过程中，奇异值分解(Singular Value Decomposition,SVD)方法是一种将矩阵对角化的正交变换，对原始矩阵大小无任何要求，由SVD得到的转秩矩阵具有转置不变性、位移不变性、旋转不变性等稳定性能，当矩阵受到小的扰动时，奇异值基本不变，因此基于奇异值分解的水印算法具有很强的稳健性奇异值反映图像内蕴特征是矩阵元素之间的关系，而不是视觉特征,因此，针对线图元的非特征点，可用奇异值矩阵来构造零水印，其稳定性对常见几何攻击具备鲁棒性。
对矢量地图非特征点的m个点矩阵进行SVD分解构造零水印，以横坐标为例，纵坐标与其相似：
对Cm进行奇异值分解，有Cm＝U∑VT，公式具体分解如下：
其中，[u1,u2,u3…,uk]和[υ1,υ2,υ3…,υk]分别表示其左右特征矢量，对角矩阵∑＝diag(σ1,σ2…σk)满足σ1≥σ2≥…≥σr>σr+1＝…＝σk＝0；r是∑的秩，等于非零奇异值的个数，σi由该分解唯一确定的矩阵C的奇异值。
因为第一奇异值σ1包含了数据的绝大部分信息，并且第一奇异值σ1比其他奇异值根据鲁棒性，因此获取到第一奇异值σ1。
将m个点矩阵均进行奇异分解，提取m个点矩阵的第一奇异值，将提取到的m个点矩阵的第一奇异值σ1构建集合S，即
f＝1,2,…,m(m为点矩阵的个数，也是线图元的条数)，S即m个点矩阵的第一奇异值σ1的集合。
具体的，所述采用所述第一奇异值集合内的m个第一奇异值与所述第一奇异值集合内的m个第一奇异值均值进行对比处理，根据对比结果获得二元表，包括：计算所述第一奇异集合内的m个第一奇异值的平均值；采用所述第一奇异集合内的m个第一奇异值的与所述平均值进行一一对比，获取对比结果；根据所述对比结果获得二元表。
在本发明具体实施过程中，计算m个第一奇异值集合的平均值，计算公式如下：
其中，
为第一奇异值的平均值，σ1第一奇异值，m为第一奇异值的个数，f＝1,2,3，…，m。
通过用第一奇异值的均值分别与第一奇异值进行对比，从而获得对比结果，根据对比结果获得二元表。
具体的，所述根据所述对比结果获得二元表，包括：对比结果中第一奇异值大于平均值的，用1表示；对比结果中第一奇异值小于或等于平均值的，用0表示；根据表示中的1或0构成二元表。
具体的对比获取二元表的公式如下：
其中，Bf为二元表，σ1 f为第一奇异值，
为第一奇异值的均值。
S15：对初始水印图像进行置乱加密处理，在置乱加密处理后依次进行二值排序和十进制化处理，获得水印序列；
具体的，所述对初始水印图像进行置乱加密处理，在置乱加密处理后依次进行二值排序和十进制化处理，获得水印序列，包括：采用Arnold置乱算法对所述初始水印图像进行加密处理，获取加密后的初始水印图像；将加密后的初始水印图像转化为0和1的有序序列，并将有序序列按照8位二进制进行分组，分为r组；将每组的8位二进制转化成一个整数值，获取r个整数值；采用r个整数值组成水印序列。
在本发明实施过程中，为了为了加强水印信息的安全性，防止被轻易识别与攻击，需要对初始水印图像进行加密处理；在本发明实施例中采用采用Arnold置乱算法对所述初始水印图像进行加密处理，获取加密后的初始水印图像；该加密方法的加密过程通过如下公式进行：
其中假设初始水印图像上的各个坐标点(x，y)，经过上述公式变换之后，变换为(x’,y’)，a,b参数为正整数，mod为求余函数，N为初始水印图像的像素点构成的矩阵的宽度。
通过上述的加密计算，即可获取到加密之后的初始水印图像。
将上述加密后的初始水印图像转化为0和1的有序序列，通过二值排序方式进行转化；在获取0和1的有序序列之后，将有序序列的8个有序序列值作为一组，将分成r组，然后通过二进制转换的方式，将8个有序序列值转化为一个整数Q(Q＝0,1,2，…，255)，将r个整数值组成一个水印序列Wr，Wr即为本次加密生成的水印信息，将在后续操作中用于生产水印密钥。
S16：采用所述水印序列与所述角度序列进行异或操作处理，获得第一二值序列；采用所述水印序列与所述二元表进行异或操作处理，获得第二二值序列；
具体的，所述采用所述水印序列与所述角度序列进行异或操作处理，获得第一二值序列，包括：获取所述角序列的长度为水印序列的长度的倍数；根据所述倍数在所述水印序列的末尾原有水印序列补位操作，获取补位后的水印序列；采用所述水印序列与所述补位后的水印序列进行异或操作处理，获得第一二值序列。
在具体实施过程中，分块角度值序列A3n长度是水印序列Wr长度的m倍，则在水印序列Wr的尾部补上m-1个原有水印序列，如A3n长度为3300，Wr长度为800，则补上3Wr位，长度变为3200，即补位后的水印序列为W3n。
然后将A3n与补位后的W3n进行异或操作，获得第一二值序列；异或操作公式如下：
其中，Z3n为第一二值序列，A3n为分块角度值序列，W3n为补位后的水印序列。
具体的，采用所述水印序列与所述二元表进行异或操作处理，获得第二二值序列为通过二元表Bf与水印序列Wr二进化后的序列进行异或操作，具体的异或操作公式如下：
其中，Zf为第二二值序列，Bf为二元表，Wr水印序列。
S17：对所述第一二值序列进行图像化处理，获得第一零水印矢量地图；对所述第二二值序列进行图像化处理，获得第二零水印矢量地图；
在具体实施过程中，因为第一二值序列和第二二值序列均为数字的形式表示，因此需要将其转换为图像，通过分别对第一二值序列和第二二值序列进行图像转化处理，分别获得第一零水印矢量地图和第二零水印矢量地图。
S18：将所述第一零水印矢量地图与所述第二零水印矢量地图进行合并，获得双重零水印的矢量地图。
在具体实施过程中，通过对第一零水印矢量地图和第二零水印矢量地图进行合并，从而获得双重零水印的矢量地图。
在本发明实施过程中，通过对矢量地图的特征点和非特征点一起构建双重零水印主要存在以下优点：
1)双重零水印之间没有冲突，对一些攻击都表现出强鲁棒性，并且双重零水印之间存在较好的鲁棒性互补。2)通过点约束分块确保每个内的坐标点个数相近，使水印分别更均匀，提升抗裁剪攻击的能力。3)将Delaunay三角网的角度值作为特征信息可充分利用数据点之间拓扑关系的稳定性；并且只要特征点不变，Delaunay三角网具有唯一性，即便缺失部分特征点，也只会局部影响，具有很强的稳定性；SVD的第一奇异值具有很强的稳定性，即便确实部分坐标点数据，仍可保持内蕴特征信息的稳定性。
另一实施例：
请参阅图2，图2是本发明实施例中的矢量地图的双重零水印系统的系统结构组成示意图。
如图2所示，一种矢量地图的双重零水印系统，所述系统包括：
特征点与非特征点提取模块101：用于对矢量地图进行特征点和非特征点提取处理，获得矢量地图的特征点和非特征点；
具体的，通过采用道格拉斯-普克压缩法进行特征点提取处理，获得矢量地图的特征点；在矢量地图上对所述特征点进行擦除操作处理，获得所述矢量地图的非特征点。
在具体实施过程中，特征点提取是指通过某种算法提取矢量地图中一些最稳定的顶点，并基于这些点来构建水印；特征点是矢量地图构成的关键图元，包含地图的主要特征信息，具有不可删除性，因此，选取的特征点越不容易被攻击，对应的水印鲁棒性越强。
特征点的提取是非特征点的去除过程，最经典的非特征点去除方式就是线要素简化，在本发明实施例中采用道格拉斯-普克压缩法进行特征点提取处理，获得矢量地图的特征点；线要素简化也是矢量地图压缩的基本方法，因此道格拉斯-普克算法设定的阈值越大，水印方案抗压缩攻击能力越强，但得到的特征点越少，水印容量因此会下降；在具体实施过程中，需要进过阈值的筛选；选择合适的阈值，以确保各分块内有足够的且稳定性较强的水印信息。
在获取到矢量地图的特征点之后，在矢量地图上对特征点进行擦拭操作，将矢量地图上的特征点去除之后，剩余的点即为非特征点。
特征点分块模块102：用于对所述特征点进行点约束分块处理，获得若干个特征点分块；
在具体实施过程中，对特征点按照某种规则分成若干块，方便在后续添加水印时，按照分块嵌入相关的水印，对特征点进行分块和裁剪攻击相似，因此对特征点进行分块有利于分块嵌入水印，从而提高嵌入的水印的抗裁剪攻击；因为分块方式的不同，后续对水印的分别情况和容量有直接的影响；因此在本发明实施例中采用点约束分块来对特征点进行分块；点约束分块在平均分块方法基础上，将点数量大于阈值的分块继续划分，直到点数量小于阈值；参数设定需选择合适的初次分块的面积S和特征点个数的阈值P，若S和P设定过大，矢量地图中水印个数将会相应减少；面积S与阈值P过小，则分块效率过低，零散度高；因此需要多次试验选择合适的面积S和阈值P；点约束分块方法相比于四叉树分块方法或者平均分块方法，使各分块的特征点个数相近，分块面积差异减小，使得后续添加的水印在矢量地图上分布更加均匀合理；通过点约束分块，即可将特征点分为若干个特征点分块。
非特征点集合构建模块103：用于对所述非特征点按综合有线图元进行集合构建处理，获取每个线要素和多边要素的非特征点集合；
具体实施过程中，需要综合考虑所有线图元的非特征点情况，按照综合有线图元对非特征点进行集合构建，即可构建得到集合M。
三角形构建模块104：用于对所述若干个特征点分块进行构建Delaunay三角形处理，获得n个Delaunay三角形；
具体的，在获得特征点的分块之后，通过Delaunay三角网的方式将每一个特征点分块进行Delaunay三角形构建，从而获得n个Delaunay三角形。
矩阵构建模块105：用于对每个线要素和多边要素的非特征点集合进行构造点矩阵处理，获得m个点矩阵；
具体的，分别对每一个线要素和多边要素的非特征点集合均构建实数矩阵，构建好的矩阵如下：
该矩阵为I行，J列矩阵。
角度序列组成模块106：用于对所述n个Delaunay三角形进行角度提取处理，根据提取到的n个Delaunay三角形的角度组成角度值序列；
具体的，所述对所述n个Delaunay三角形进行角度提取处理，获得n个Delaunay三角形的角度值序列，包括：分别计算n个Delaunay三角形的三条边长度；根据n个Delaunay三角形的三条边长度进行反三角函数计算，获得n个三角形的角度值序列。
在本发明实施过程中，首先是分别计算n个Delaunay三角形的三条边长度，在就算过程中，所使用的计算公式如下：
其中，
分别为第n个三角形的第一、第二和第三个点的横坐标值，
分别为第n个三角形的第一、第二和第三个点的纵坐标值，Dn,12，Dn,23，Dn,31为第n个三角形的三边的长度。
通过上述的计算公式可以分别计算出每一个Delaunay三角形的三条边长度。
根据n个Delaunay三角形的三条边长度进行反三角函数计算，获得n个三角形的角度值序列的计算公式如下：
其中，θn,1，θn,2，θn,3为第n个三角形的三个角的角度，Dn,12，Dn,23，Dn,31为第n个三角形的三边的长度。
通过上述公式计算分别获得n个三角形的三个角的角度，然后根据n个三角形的角度构建n个三角形的角度值序列如下：
A3n＝{θ1,1,θ1,2,θ1,3,…,θn,1,θn,2,θn,3}
其中，A3n为角度值序列，因为每个三角形拥有上个角，因此角度序列长度为3n。
奇异分解模块107：用于对m个点矩阵进行奇异分解处理，获得m个第一奇异值；
在本发明具体实施过程中，奇异值分解(Singular Value Decomposition,SVD)方法是一种将矩阵对角化的正交变换，对原始矩阵大小无任何要求，由SVD得到的转秩矩阵具有转置不变性、位移不变性、旋转不变性等稳定性能，当矩阵受到小的扰动时，奇异值基本不变，因此基于奇异值分解的水印算法具有很强的稳健性奇异值反映图像内蕴特征是矩阵元素之间的关系，而不是视觉特征,因此，针对线图元的非特征点，可用奇异值矩阵来构造零水印，其稳定性对常见几何攻击具备鲁棒性。
对矢量地图非特征点的m个点矩阵进行SVD分解构造零水印，以横坐标为例，纵坐标与其相似：
对Cm进行奇异值分解，有Cm＝U∑VT，公式具体分解如下：
其中，[u1,u2,u3…,uk]和[υ1,υ2,υ3…,υk]分别表示其左右特征矢量，对角矩阵∑＝diag(σ1,σ2…σk)满足σ1≥σ2≥…·≥σr>σr+1＝…＝σk＝0；r是∑的秩，等于非零奇异值的个数，σi由该分解唯一确定的矩阵C的奇异值。
因为第一奇异值σ1包含了数据的绝大部分信息，并且第一奇异值σ1比其他奇异值根据鲁棒性，因此获取到第一奇异值σ1。
奇异集合构建模块108：用于采用m个第一奇异值进行集合构建处理，获得第一奇异值集合；
将m个点矩阵均进行奇异分解，提取m个点矩阵的第一奇异值，将提取到的m个点矩阵的第一奇异值σ1构建集合S，即
f＝1,2,…,m(m为点矩阵的个数，也是线图元的条数)，S即m个点矩阵的第一奇异值σ1的集合。
二元表获得模块109：用于采用所述第一奇异值集合内的m个第一奇异值与所述第一奇异值集合内的m个第一奇异值均值进行对比处理，根据对比结果获得二元表；
具体的，所述采用所述第一奇异值集合内的m个第一奇异值与所述第一奇异值集合内的m个第一奇异值均值进行对比处理，根据对比结果获得二元表，包括：计算所述第一奇异集合内的m个第一奇异值的平均值；采用所述第一奇异集合内的m个第一奇异值的与所述平均值进行一一对比，获取对比结果；根据所述对比结果获得二元表。
在本发明具体实施过程中，计算m个第一奇异值集合的平均值，计算公式如下：
其中，
为第一奇异值的平均值，σ1第一奇异值，m为第一奇异值的个数，f＝1,2,3，…，m。
通过用第一奇异值的均值分别与第一奇异值进行对比，从而获得对比结果，根据对比结果获得二元表。
具体的，所述根据所述对比结果获得二元表，包括：对比结果中第一奇异值大于平均值的，用1表示；对比结果中第一奇异值小于或等于平均值的，用0表示；根据表示中的1或0构成二元表。
具体的对比获取二元表的公式如下：
其中，Bf为二元表，σ1 F为第一奇异值，
为第一奇异值的均值。
水印序列获得模块110：用于对初始水印图像进行置乱加密处理，在置乱加密处理后依次进行二值排序和十进制化处理，获得水印序列；
具体的，所述对初始水印图像进行置乱加密处理，在置乱加密处理后依次进行二值排序和十进制化处理，获得水印序列，包括：采用Arnold置乱算法对所述初始水印图像进行加密处理，获取加密后的初始水印图像；将加密后的初始水印图像转化为0和1的有序序列，并将有序序列按照8位二进制进行分组，分为r组；将每组的8位二进制转化成一个整数值，获取r个整数值；采用r个整数值组成水印序列。
在本发明实施过程中，为了为了加强水印信息的安全性，防止被轻易识别与攻击，需要对初始水印图像进行加密处理；在本发明实施例中采用采用Arnold置乱算法对所述初始水印图像进行加密处理，获取加密后的初始水印图像；该加密方法的加密过程通过如下公式进行：
其中假设初始水印图像上的各个坐标点(x，y)，经过上述公式变换之后，变换为(x’,y’)，a,b参数为正整数，mod为求余函数，N为初始水印图像的像素点构成的矩阵的宽度。
通过上述的加密计算，即可获取到加密之后的初始水印图像。
将上述加密后的初始水印图像转化为0和1的有序序列，通过二值排序方式进行转化；在获取0和1的有序序列之后，将有序序列的8个有序序列值作为一组，将分成r组，然后通过二进制转换的方式，将8个有序序列值转化为一个整数Q(Q＝0,1,2，…，255)，将r个整数值组成一个水印序列Wr，Wr即为本次加密生成的水印信息，将在后续操作中用于生产水印密钥。
第一异或模块111：用于采用所述水印序列与所述角度序列进行异或操作处理，获得第一二值序列；
具体的，所述采用所述水印序列与所述角度序列进行异或操作处理，获得第一二值序列，包括：获取所述角序列的长度为水印序列的长度的倍数；根据所述倍数在所述水印序列的末尾原有水印序列补位操作，获取补位后的水印序列；采用所述水印序列与所述补位后的水印序列进行异或操作处理，获得第一二值序列。
在具体实施过程中，分块角度值序列A3n长度是水印序列Wr长度的m倍，则在水印序列Wr的尾部补上m-1个原有水印序列，如A3n长度为3300，Wr长度为800，则补上3Wr位，长度变为3200，即补位后的水印序列为W3n。
然后将A3n与补位后的W3n进行异或操作，获得第一二值序列；异或操作公式如下：
其中，Z3n为第一二值序列，A3n为分块角度值序列，W3n为补位后的水印序列。
第二异或模块112：用于采用所述水印序列与所述二元表进行异或操作处理，获得第二二值序列；
具体的，采用所述水印序列与所述二元表进行异或操作处理，获得第二二值序列为通过二元表Bf与水印序列Wr二进化后的序列进行异或操作，具体的异或操作公式如下：
其中，Zf为第二二值序列，Bf为二元表，Wr水印序列。
第一图像化模块113：用于对所述第一二值序列进行图像化处理，获得第一零水印矢量地图；
具体实施过程中，因为第一二值序列为数字的形式表示，因此需要将其转换为图像，通过对第一二值序列进行图像转化处理，分别获得第一零水印矢量地图。
第二图像化模块114：用于对所述第二二值序列进行图像化处理，获得第二零水印矢量地图；
具体实施过程中，因为第二二值序列为数字的形式表示，因此需要将其转换为图像，通过对第二二值序列进行图像转化处理，分别获得第二零水印矢量地图
合并模块115：用于将所述第一零水印矢量地图与所述第二零水印矢量地图进行合并，获得双重零水印的矢量地图。
在具体实施过程中，通过对第一零水印矢量地图和第二零水印矢量地图进行合并，从而获得双重零水印的矢量地图。
在本发明实施过程中，通过对矢量地图的特征点和非特征点一起构建双重零水印主要存在以下优点：
1)双重零水印之间没有冲突，对一些攻击都表现出强鲁棒性，并且双重零水印之间存在较好的鲁棒性互补。2)通过点约束分块确保每个内的坐标点个数相近，使水印分别更均匀，提升抗裁剪攻击的能力。3)将Delaunay三角网的角度值作为特征信息可充分利用数据点之间拓扑关系的稳定性；并且只要特征点不变，Delaunay三角网具有唯一性，即便缺失部分特征点，也只会局部影响，具有很强的稳定性；SVD的第一奇异值具有很强的稳定性，即便确实部分坐标点数据，仍可保持内蕴特征信息的稳定性。
另一实施例：
本发明实施例提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现任一项技术方案所述的矢量地图的双重零水印方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(Random AcceSS Memory，随即存储器)、EPROM(EraSable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically EraSable ProgrammableRead-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，存储设备包括由设备(例如，计算机、手机)以能够读的形式存储或传输消息的任何介质，可以是只读存储器，磁盘或光盘等。
请参阅图3，图3是本发明实施例中执行矢量地图的双重零水印方法的服务器组成结构示意图。
如图3所示，一种服务器，处理器702、存储器703、输入单元704以及显示单元705等器件。图3所示的结构器件并不构成对所有服务器的限定，可以比图3更多或更少部件，或组合某些部件。
存储器703可用于存储应用程序701以及各功能模块，处理器702运行存储在存储器703的应用程序701，从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器，或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器只作为例子而非作为限定。
输入单元704用于接收信号的输入，以及接收用户输入的关键字。输入单元704可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并根据预先设定的程序驱动相应的连接装置；其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元705可用于显示用户输入的信息或提供给用户的信息以及终端设备的各种菜单。显示单元705可采用液晶显示器、有机发光二极管等形式。处理器702是终端设备的控制中心，利用各种接口和线路连接整个设备的各个部分，通过运行或执行存储在存储器702内的软件程序和/或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据。
作为一个实施例，所述计算机设备包括：一个或多个处理器702，存储器703，一个或多个应用程序701，其中所述一个或多个应用程序701被存储在存储器703中并被配置为由所述一个或多个处理器702执行，所述一个或多个应用程序701配置用于执行上述实施例中的矢量地图的双重零水印方法。
本发明实施例提供的服务器可实现上述提供的矢量地图的双重零水印方法的实施例，具体功能实现请参详方法实施例中的说明，在此不再赘述。
另外，以上对本发明实施例所提供的矢量地图的双重零水印方法、系统、存储介质及服务器进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种矢量地图的双重零水印方法，其特征在于，所述双重零水印方法包括：
对矢量地图进行特征点和非特征点提取处理，获得矢量地图的特征点和非特征点；
对所述特征点进行点约束分块处理，获得若干个特征点分块；对所述非特征点按综合有线图元进行集合构建处理，获取每个线要素和多边要素的非特征点集合；
对所述若干个特征点分块进行构建Delaunay三角形处理，获得n个Delaunay三角形；对每个线要素和多边要素的非特征点集合进行构造点矩阵处理，获得m个点矩阵；
对所述n个Delaunay三角形进行角度提取处理，根据提取到的n个Delaunay三角形的角度组成角度值序列；对m个点矩阵进行奇异分解处理，获得m个第一奇异值；采用m个第一奇异值进行集合构建处理，获得第一奇异值集合；采用所述第一奇异值集合内的m个第一奇异值与所述第一奇异值集合内的m个第一奇异值均值进行对比处理，根据对比结果获得二元表；
对初始水印图像进行置乱加密处理，在置乱加密处理后依次进行二值排序和十进制化处理，获得水印序列；
采用所述水印序列与所述角度序列进行异或操作处理，获得第一二值序列；采用所述水印序列与所述二元表进行异或操作处理，获得第二二值序列；
对所述第一二值序列进行图像化处理，获得第一零水印矢量地图；对所述第二二值序列进行图像化处理，获得第二零水印矢量地图；
将所述第一零水印矢量地图与所述第二零水印矢量地图进行合并，获得双重零水印的矢量地图；
所述对所述n个Delaunay三角形进行角度提取处理，获得n个Delaunay三角形的角度值序列，包括：
分别计算n个Delaunay三角形的三条边长度；
根据n个Delaunay三角形的三条边长度进行反三角函数计算，获得n个三角形的角度值序列；
所述分别计算n个Delaunay三角形的三条边长度所使用的计算公式如下：
其中，
分别为第n个三角形的第一、第二和第三个点的横坐标值，
分别为第n个三角形的第一、第二和第三个点的纵坐标值，Dn,12，Dn,23，Dn,31为第n个三角形的三边的长度；
根据n个Delaunay三角形的三条边长度进行反三角函数计算，获得n个三角形的角度值序列的计算公式如下：
其中，θn,1，θn,2，θn,3为第n个三角形的三个角的角度，Dn,12，Dn,23，Dn,31为第n个三角形的三边的长度；
通过上述公式计算分别获得n个三角形的三个角的角度，然后根据n个三角形的角度构建n个三角形的角度值序列如下：
A3n＝{θ1,1,θ1,2,θ1,3,···,θn,1,θn,2,θn,3}；
其中，A3n为角度值序列，因为每个三角形拥有三个角，因此角度序列长度为3n。
2.根据权利要求1所述的矢量地图的双重零水印方法，其特征在于，所述对矢量地图进行特征点和非特征点提取处理，获得矢量地图的特征点和非特征点，包括：
采用道格拉斯-普克压缩法进行特征点提取处理，获得矢量地图的特征点；
在矢量地图上对所述特征点进行擦除操作处理，获得所述矢量地图的非特征点。
3.根据权利要求1所述的矢量地图的双重零水印方法，其特征在于，所述采用所述第一奇异值集合内的m个第一奇异值与所述第一奇异值集合内的m个第一奇异值均值进行对比处理，根据对比结果获得二元表，包括：
计算所述第一奇异集合内的m个第一奇异值的平均值；
采用所述第一奇异集合内的m个第一奇异值的与所述平均值进行一一对比，获取对比结果；
根据所述对比结果获得二元表。
4.根据权利要求3所述的矢量地图的双重零水印方法，其特征在于，所述根据所述对比结果获得二元表，包括：
对比结果中第一奇异值大于平均值的，用1表示；
对比结果中第一奇异值小于或等于平均值的，用0表示；
根据表示中的1或0构成二元表。
5.根据权利要求1所述的矢量地图的双重零水印方法，其特征在于，所述对初始水印图像进行置乱加密处理，在置乱加密处理后依次进行二值排序和十进制化处理，获得水印序列，包括：
采用Arnold置乱算法对所述初始水印图像进行加密处理，获取加密后的初始水印图像；
将加密后的初始水印图像转化为0和1的有序序列，并将有序序列按照8位二进制进行分组，分为r组；
将每组的8位二进制转化成一个整数值，获取r个整数值；
采用r个整数值组成水印序列。
6.根据权利要求1所述的矢量地图的双重零水印方法，其特征在于，所述采用所述水印序列与所述角度序列进行异或操作处理，获得第一二值序列，包括：
获取所述角度序列的长度为水印序列的长度的倍数；
根据所述倍数在所述水印序列的末尾原有水印序列补位操作，获取补位后的水印序列；
采用所述水印序列与所述补位后的水印序列进行异或操作处理，获得第一二值序列。
7.一种矢量地图的双重零水印系统，其特征在于，所述系统包括：
特征点与非特征点提取模块：用于对矢量地图进行特征点和非特征点提取处理，获得矢量地图的特征点和非特征点；
特征点分块模块：用于对所述特征点进行点约束分块处理，获得若干个特征点分块；
非特征点集合构建模块：用于对所述非特征点按综合有线图元进行集合构建处理，获取每个线要素和多边要素的非特征点集合；
三角形构建模块：用于对所述若干个特征点分块进行构建Delaunay三角形处理，获得n个Delaunay三角形；
矩阵构建模块：用于对每个线要素和多边要素的非特征点集合进行构造点矩阵处理，获得m个点矩阵；
角度序列组成模块：用于对所述n个Delaunay三角形进行角度提取处理，根据提取到的n个Delaunay三角形的角度组成角度值序列；
奇异分解模块：用于对m个点矩阵进行奇异分解处理，获得m个第一奇异值；
奇异集合构建模块：用于采用m个第一奇异值进行集合构建处理，获得第一奇异值集合；
二元表获得模块：用于采用所述第一奇异值集合内的m个第一奇异值与所述第一奇异值集合内的m个第一奇异值均值进行对比处理，根据对比结果获得二元表；
水印序列获得模块：用于对初始水印图像进行置乱加密处理，在置乱加密处理后依次进行二值排序和十进制化处理，获得水印序列；
第一异或模块：用于采用所述水印序列与所述角度序列进行异或操作处理，获得第一二值序列；
第二异或模块：用于采用所述水印序列与所述二元表进行异或操作处理，获得第二二值序列；
第一图像化模块：用于对所述第一二值序列进行图像化处理，获得第一零水印矢量地图；
第二图像化模块：用于对所述第二二值序列进行图像化处理，获得第二零水印矢量地图；
合并模块：用于将所述第一零水印矢量地图与所述第二零水印矢量地图进行合并，获得双重零水印的矢量地图；
所述对所述n个Delaunay三角形进行角度提取处理，获得n个Delaunay三角形的角度值序列，包括：
分别计算n个Delaunay三角形的三条边长度；
根据n个Delaunay三角形的三条边长度进行反三角函数计算，获得n个三角形的角度值序列。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6中任意一项所述的矢量地图的双重零水印方法。
9.一种服务器，其特征在于，其包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于：执行根据权利要求1至6中任意一项所述的矢量地图的双重零水印方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810724750.1A CN108961141B (zh) | 2018-07-04 | 2018-07-04 | 矢量地图的双重零水印方法、系统、存储介质及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810724750.1A CN108961141B (zh) | 2018-07-04 | 2018-07-04 | 矢量地图的双重零水印方法、系统、存储介质及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108961141A CN108961141A (zh) | 2018-12-07 |
| CN108961141B true CN108961141B (zh) | 2023-05-16 |
Family
ID=64485511
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810724750.1A Active CN108961141B (zh) | 2018-07-04 | 2018-07-04 | 矢量地图的双重零水印方法、系统、存储介质及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108961141B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109741230A (zh) * | 2018-12-13 | 2019-05-10 | 齐鲁工业大学 | 基于四元数phfm的三图像零水印构造方法和检测方法 |
| CN111242825B (zh) * | 2019-12-17 | 2022-09-23 | 中国人民解放军海军大连舰艇学院 | 一种基于水深特征的enc电子航海图零水印方法 |
| CN113129198B (zh) * | 2021-04-29 | 2024-01-12 | 南京师范大学 | 一种零水印生成方法、系统及版权的侵权比对方法、系统 |
| CN113284036B (zh) * | 2021-06-15 | 2022-07-26 | 苏州科技大学 | 基于虚拟格网区间映射的矢量地图可逆水印算法 |
| CN114298881B (zh) * | 2021-10-29 | 2023-01-06 | 广东省国土资源测绘院 | 基于梯度提升决策树的矢量地图水印处理方法、终端 |
| CN114897659B (zh) * | 2022-05-09 | 2023-12-29 | 南京师范大学 | 一种矢量地理数据零水印生成方法及零水印信息检测方法 |
| CN115222575B (zh) * | 2022-06-06 | 2023-11-24 | 苏州科技大学 | 利用频率域系数比值的矢量数据水印嵌入和提取方法 |
| CN116582246B (zh) * | 2023-06-16 | 2024-02-06 | 兰州交通大学 | 基于混沌和零水印的矢量地理空间数据交换密码水印方法 |
| CN117173003B (zh) * | 2023-11-02 | 2024-01-05 | 南京师范大学 | Bim数据零水印方法、装置及介质 |
| CN119128833A (zh) * | 2024-11-14 | 2024-12-13 | 一网互通(北京)科技有限公司 | 在数据图表报告中添加防盗水印的方法及装置 |
-
2018
- 2018-07-04 CN CN201810724750.1A patent/CN108961141B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108961141A (zh) | 2018-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108961141B (zh) | 矢量地图的双重零水印方法、系统、存储介质及服务器 | |
| Liao et al. | New cubic reference table based image steganography | |
| Farrag et al. | Secure 3d data hiding technique based on a mesh traversal algorithm | |
| Peng et al. | A reversible watermarking scheme for two-dimensional CAD engineering graphics based on improved difference expansion | |
| Hameed et al. | A secure data hiding approach based on least-significant-bit and nature-inspired optimization techniques | |
| Peng et al. | Multipurpose watermarking for vector map protection and authentication | |
| Parah et al. | Realisation and robustness evaluation of a blind spatial domain watermarking technique | |
| US9406169B2 (en) | System and method for data compression and grid regeneration | |
| CN105488434B (zh) | 一种基于标记的矢量地图完整性认证方法 | |
| Novozámský et al. | Detection of copy-move image modification using JPEG compression model | |
| Wu et al. | Reversible watermarking of 3D mesh models by prediction-error expansion | |
| Zhang et al. | Reversible data hiding for 3D mesh models with hybrid prediction and multilayer strategy | |
| Hou et al. | A graded reversible watermarking scheme for relational data | |
| Ren et al. | A zero-watermarking scheme based on spatial topological relations for vector dataset | |
| Qiu et al. | Rich-information reversible watermarking scheme of vector maps | |
| CN116305211A (zh) | 一种图像加密处理方法及装置 | |
| CN110677552B (zh) | 一种基于完备分组基的无载体信息隐藏方法 | |
| Qiu et al. | Reversible watermarking algorithm of vector maps based on ECC | |
| Sun et al. | A reversible digital watermarking algorithm for vector maps | |
| CN112948895A (zh) | 数据的水印嵌入方法、水印溯源方法及装置 | |
| CN113014742B (zh) | 基于脆弱水印的图像篡改检测定位与自恢复方法 | |
| CN111242825B (zh) | 一种基于水深特征的enc电子航海图零水印方法 | |
| CN115222575B (zh) | 利用频率域系数比值的矢量数据水印嵌入和提取方法 | |
| Borah et al. | Watermarking techniques for three dimensional (3D) mesh authentication in spatial domain | |
| Wang | An efficient multiple-bit reversible data hiding scheme without shifting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |