CN109102451B - 一种纸媒输出的防伪半色调智能数字水印制作方法 - Google Patents
一种纸媒输出的防伪半色调智能数字水印制作方法 Download PDFInfo
- Publication number
- CN109102451B CN109102451B CN201810819980.6A CN201810819980A CN109102451B CN 109102451 B CN109102451 B CN 109102451B CN 201810819980 A CN201810819980 A CN 201810819980A CN 109102451 B CN109102451 B CN 109102451B
- Authority
- CN
- China
- Prior art keywords
- image
- watermark
- binary
- embedding
- images
- 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
- 238000004519 manufacturing process Methods 0.000 title claims description 9
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000002441 reversible effect Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000016776 visual perception Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 3
- 230000008447 perception Effects 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XRTJYEIMLZALBD-UHFFFAOYSA-N 4-(6-methyl-1,3-benzothiazol-2-yl)aniline Chemical compound S1C2=CC(C)=CC=C2N=C1C1=CC=C(N)C=C1 XRTJYEIMLZALBD-UHFFFAOYSA-N 0.000 description 1
- -1 DHSPT Chemical compound 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- RHGQIWVTIHZRLI-DCXZOGHSSA-N dihydrosterigmatocystin Chemical compound O1C2=CC=CC(O)=C2C(=O)C2=C1C([C@@H]1CCO[C@@H]1O1)=C1C=C2OC RHGQIWVTIHZRLI-DCXZOGHSSA-N 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012795 verification 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
-
- 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
- G06T2201/0065—Extraction of an embedded watermark; Reliable detection
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明公开了一种纸媒输出的防伪半色调智能数字水印制作方法，具体步骤为：将宿主图像进行二值化处理，同时对嵌入的水印图像也进行二值化处理，形成二进制数码串，作为可嵌入的水印编码信息，使用随机数种子作为密钥，产生一系列二维随机数对，作为嵌入水印编码信息的嵌入位置，将S1中形成的水印编码信息嵌入到筛选的嵌入位置中，使用视觉迭代算法对嵌入水印编码信息的宿主图像进行优化；使用训练好的神经网络模型提取水印图像。本发明可以制造出具有防伪功能的印刷水印，在版权认定，防伪包装，智能包装方面都有广泛的应用前景，有较高的技术含量，印刷水印嵌入量较大，不会明显影响图像感知质量，水印具有隐藏性，不影响消费者使用印刷品。
Description
技术领域
本发明涉及一种数字水印制作方法，尤其涉及一种纸媒输出的防伪半色调智能数字水印制作方法。
背景技术
数字水印技术可有效提高数字媒体信息的抗侵权能力。目前市面上基于数字水印技术的包装印刷防伪产品还很少见，究其原因是因为印刷图像与数字图像的成像机理有着本质的区别。印刷品是以半色调的网点分布来再现连续调原稿的阶调层次和颜色变化。连续数字图像在印刷的过程中，首先要进行加网和分色处理，原来嵌入的数字水印在这个过程中受到很大破坏，再经过扫描重新采样量化，基本上不能被检测出来。本发明是针对灰度图像实施的印刷水印制造，不涉及彩色图像范围。
国内外面向半色调图像的数字水印技术大多还处于研制中，国内市场上还鲜有实用的产品出现。Hagit Z.和Hel-Or在2000年提出了一种在图像的半色调处理过程中，使用两种不同的抖动矩阵进行水印信息嵌入的半色调数字图像水印方法。Ming Sun Fu和Oscar C.Au在2003年结合误差扩散半色调算法，在半色调处理的过程中将水印图像嵌入到图像中。基本思路是：利用伪随机数产生信息隐藏的伪随机位置，这些位置上修改半色调网点为隐藏水印信息的编码。基于这种线路有一批数字图像水印算法提出来，如DHST，DHPT，DHSPT，DHE和MDHED等算法。此后，Ming Sun Fu 等人又提出了核自调整误差扩散算法，使用两个误差扩散核而非两个不同的抖动矩阵在图像的半色调处理过程中实现水印信息的嵌入。国内也有一些单位，如武汉大学，西安理工大学等研究师生展开了同类的科研活动。主要进展为：探讨了以人眼视觉系统模型为基础，通过逐步迭代来最小化含水印信息的半色调图像和原连续图像之间的视觉误差，以获得高质量的半色调图像。
数字水印一般可以分为频域嵌入与空域嵌入。频域嵌入一般是在连续调图像上进行的，先将图像转换到频率域，再在频率谱系数数据上嵌入水印，然后经过逆变换重新生成数字图像，频域嵌入水印的优点是具有较好的全息性，可以抵挡图像部分缺损和扫描对不齐问题对水印信息的提取效果的影响。然而经过印刷过程的图像加网转变，频域添加的信息很大程度受到破坏，不易制成印刷水印。基于空域变换的方法就比较适合在加网过程中嵌入水印信息，制成印刷水印。如果采用随机选取的孤立点，在这些位置上嵌入水印bit信息，对图像视觉上影响小，可嵌入信息量大，但是孤立网点在印刷输出和扫描重新输入的过程中很难准确定位，甚至出现网点丢失，不易检测出嵌入的信息。另一类空域水印方案，依据水印信息选择不同加网模式，在加网的过程中，将水印融入到宿主半色调图像的邻域模式中，在印刷输出和重新扫描输入后，更容易检测出水印信息。
在检测水印的环节中，已有的检测算法是一个逆向的运算过程，引入公式化的印刷扫描转换函数，通过计算推导在加网过程中嵌入的水印信息，因为公式化的印刷和扫描模型都不能包含实际生产过程中的复杂条件和随机偶然因素，所以对加网模式的变换方式不能做出正确的估计，一般会产生很大的偏差。水印的实际检测效果不理想。
发明内容
本发明的目的就是为了解决上述问题，提供一种纸媒输出的防伪半色调智能数字水印制作方法,它具有对印刷和扫描中经历的图像网点转化进行数据驱动的智能建模，可以智能化地检测出水印信息，同时对潜在的二次印刷盗版的行为进行抵抗的优点。
为了实现上述目的，本发明采用如下技术方案：
一种纸媒输出的防伪半色调智能数字水印制作方法，具体步骤为：
S1：将宿主图像进行二值化处理，同时对嵌入的水印图像也进行二值化处理，形成二进制数码串，作为可嵌入的水印编码信息；
S2：使用随机数种子作为密钥，产生一系列二维随机数对，作为嵌入水印编码信息的嵌入位置，将S1中形成的水印编码信息嵌入到筛选的嵌入位置中；
S3：使用视觉迭代算法对嵌入水印编码信息的宿主图像进行优化，以保持嵌入位置的水印编码信息不变，改变邻域的网点分布情况，使宿主图像嵌入水印编码信息之后与未嵌入水印编码信息之前的图像之间的视觉感知差异达到尽量小；
S4：使用多张520 x520的灰度图像，训练神经网络，将所使用的灰度图像用多种拜耳模式加网，形成图库，将多张520 x520的灰度图像分割成8x8的图片，每一个图片对应一种拜耳模式加网方式，将已经加网的灰度图像打印输出，扫描仪重新采用格式化，重新得到520x520的二值图像，将得到的二值图像分割成8x8的小图片，形成网络训练数据集，网络训练数据集的标注数据就是每一个小片的加网方式编码，在这些训练数据上训练神经网络用于加网方式的识别模型，利用训练的神经网络模型提取嵌入的二维水印二值图像。
所述S1中对水印图像进行二值化处理之前，先对水印图像进行可逆置乱，增加保密性。
所述S1中，形成二进制数码串时，使用无损压缩编码的方式，有利于形成尽量少的二进制数码串。
所述S2中，水印图像是二值化图，每一个像素的值是0，或1将此二值水印图像转变为一个二值序列，在随机产生的嵌入位置上，依次嵌入水印序列值。
所述S3中，视觉迭代算法按照原来的连续图像做参照，在每个像素的邻域探索几种像素对交换方式，每次迭代都朝着局部均方差降低的方向进行，全部像素处理完得到的是阶段性优化结果，然后进行下一轮逐点优化，直到半色调图像与原来连续调图像之间均方差合不再继续下降为止。
所述S4中的具体方法为：1)将加入水印图像的宿主图像经过打印机输出；2）输出的图像经过扫描仪重新采样；3）对采样的图像预处理，调整方向，缩放尺寸，用适当的阈值二值化，得到与打印前带水印的宿主图像具有同样分辨率的520x520 二值图像；4）将得到的520x520 二值图像按顺序划分成8x8的小片，每一个小片顺序输入训练好的神经网络模型，神经网络模型预测出每一个图片的加网方式，经图像组装得到嵌入的二维水印二值图像。
所述S1中利用拜耳抖动加网算法对宿主图像和水印图像进行二值化处理，拜耳抖动加网算法利用阈值矩阵对图像进行二值化处理，待加网的图像按照抖动矩阵的大小划分冲块矩阵，在块矩阵内按抖动矩阵设定的阈值进行二值化，拜耳抖动矩阵生成的公式如下：
Dn是n阶拜耳矩阵， 2nx2n的抖动矩阵；Un是2nx2n的单位矩阵；设定D0=0；应用公式（1）迭代计算，生成n阶的拜耳抖动矩阵；拜耳抖动矩阵有很好的对称性，能实现较好的视觉效果。
所述水印图像嵌入到宿主图像的具体算法为：
1）选择不同的抖动核D1,D1’，按照公式（1）的方式迭代计算，生成两个不同的3阶拜耳抖矩阵D3和D3’；
2）把整个宿主图像线划分成8x8的小块，每一个小块对应一位水印像素值0，或1；
3）水印像素嵌入宿主图像，如果当前水印像素是1，用D3抖动矩阵二值化当前的8x8小块，如果水印像素是0，则用D3’抖动矩阵二值化当前的8x8小块。
本发明的有益效果：
使用本发明可以制造出具有防伪功能的印刷水印，在版权认定，防伪包装，智能包装方面都有广泛的应用前景；本发明主要通过神经网络的记忆能力，对印刷扫描自然过程模糊建模，有较高的技术含量；印刷水印嵌入量较大，不会明显影响图像感知质量，水印具有隐藏性，不影响消费者使用印刷品，可以识别仿造的印刷水印，防止水印非法复制，数字水印扫描检测的效果好，提取信息全，并且具有一定的保密性。
附图说明
图1为本方法的方法流程图；
图2为水印图片信息；
图3为实施例一所使用的宿主图片；
图4为实施例一加网嵌入水印信息的图像；
图5为实施例一打印扫描后采集的图像；
图6为实施例一使用本发明提取的水印图片；
图7为实施例二所使用的宿主图片；
图8为实施例二加网嵌入水印信息的图像；
图9为实施例二打印扫描后采集的图像；
图10为实施例二使用本发明提取的水印图片。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1所示，一种纸媒输出的防伪半色调智能数字水印制作方法，具体步骤为：
S1：将宿主图像进行二值化处理，同时对嵌入的水印图像也进行二值化处理，形成二进制数码串，作为可嵌入的水印编码信息；
利用拜耳抖动加网算法对宿主图像和水印图像进行二值化处理，拜耳抖动加网算法利用阈值矩阵对图像进行二值化处理，待加网的图像按照抖动矩阵的大小划分冲块矩阵，在块矩阵内按抖动矩阵设定的阈值进行二值化，拜耳抖动矩阵生成的公式如下：
Dn是n阶拜耳矩阵， 2nx2n的抖动矩阵；Un是2nx2n的单位矩阵；设定D0=0；应用公式（1）迭代计算，生成n阶的拜耳抖动矩阵；拜耳抖动矩阵有很好的对称性，能实现较好的视觉效果。
S2：使用随机数种子作为密钥，产生一系列二维随机数对，作为嵌入水印编码信息的嵌入位置，将S1中形成的水印编码信息嵌入到筛选的嵌入位置中，水印图像是二值化图，每一个像素的值是0，或1将此二值水印图像转变为一个二值序列，在随机产生的嵌入位置上，依次嵌入水印序列值；
S3：使用视觉迭代算法对嵌入水印编码信息的宿主图像进行优化，以保持嵌入位置的水印编码信息不变，改变邻域的网点分布情况，使宿主图像嵌入水印编码信息之后与未嵌入水印编码信息之前的图像之间的视觉感知差异达到尽量小；视觉迭代算法按照原来的连续图像做参照，在每个像素的邻域探索几种像素对交换方式，每次迭代都朝着局部均方差降低的方向进行，全部像素处理完得到的是阶段性优化结果，然后进行下一轮逐点优化，直到半色调图像与原来连续调图像之间均方差合不再继续下降为止；
S4：使用多张520 x520的灰度图像，训练神经网络，将所使用的灰度图像用多种拜耳模式加网，形成图库，将多张520 x520的灰度图像分割成8x8的图片，每一个图片对应一种拜耳模式加网方式，将已经加网的灰度图像打印输出，扫描仪重新采用格式化，重新得到520x520的二值图像，将得到的二值图像分割成8x8的小图片，形成网络训练数据集，网络训练数据集的标注数据就是每一个小片的加网方式编码，在这些训练数据上训练神经网络用于加网方式的识别模型，利用训练的神经网络模型提取嵌入的二维水印二值图像。
S1中对水印图像进行二值化处理之前，先对水印图像进行可逆置乱，增加保密性。
S1中，形成二进制数码串时，使用无损压缩编码的方式，有利于形成尽量少的二进制数码串。
所述S4中的具体方法为：1)将加入水印图像的宿主图像经过打印机输出；2）输出的图像经过扫描仪重新采样；3）对采样的图像预处理，调整方向，缩放尺寸，用适当的阈值二值化，得到与打印前带水印的宿主图像具有同样分辨率的520x520 二值图像；4）将得到的520x520 二值图像按顺序划分成8x8的小片，每一个小片顺序输入训练好的神经网络模型，神经网络模型预测出每一个图片的加网方式，经图像组装得到嵌入的二维水印二值图像；
使用15张520x520的灰度图像建立训练神经网络模型的图库；将15张520x520的灰度图像用24种拜耳模式加网，形成了一个24*15的图库；将这些图像分割成8x8的小图片，每一个小图片对应一种加网方式；本申请中选择使用两种实验效果较好的拜耳抖动模式，分别标注为0,1. 对这15张灰度图像产生2*15种加网图像，这些加网图像经过打印输出，扫描仪重新采样，格式优化，重新得到520x520的二值图像；以这些打印扫描后的二值图像为基础，分割8x8的小片，形成网络训练数据集，网络训练数据集的标注数据就是每一个小片的加网方式编码，在这些训练数据集上训练神经网络用于识别加网方式的识别模型；将训练好的神经网络保存成一个模型数据，使用14副图像对神经网络进行训练，用第15幅图验证神经网络识别模型的效果，使用第15副图像作为检测图像，进行水印嵌入实验：
第15幅图像在加网的过程中使用0,1两种加网模式按照水印二进制信息的排列一次嵌入水印信息；加入水印的半调图像经过打印机输出，输出的图像经过扫描仪重新采样，对采样的图像预处理，调整方向，缩放尺寸，用适当的阈值二值化，得到与打印前带水印的半调图像同样分辨率的520x520 二值图像；该图像按顺序划分成8x8的小片，每一个小片顺序输入训练好的神经网络识别模型，神经网络识别模型能够预测出每一个图片的加网方式，图像组装后便得到嵌入的二维水印二值图像。
所述水印图像嵌入到宿主图像的具体算法为：
1）选择不同的抖动核D1,D1’，按照公式（1）的方式迭代计算，生成两个不同的3阶拜耳抖矩阵D3和D3’；
2）把整个宿主图像线划分成8x8的小块，每一个小块对应一位水印像素值0，或1；
3）水印像素嵌入宿主图像，如果当前水印像素是1，用D3抖动矩阵二值化当前的8x8小块，如果水印像素是0，则用D3’抖动矩阵二值化当前的8x8小块。
实施例一
本实施例嵌入的水印图像为简单的二值图像，图像如图2所示，本实例描述基本打印水印实施的细节，使用的宿主图像是一幅灰度图像，如图3所示，灰度图像密度分布比较均匀，可以省去选择水印嵌入位置的步骤，直接将水印信息顺序嵌入到宿主图像的8x8的领域阵列中，没有明显影响图像打印输出效果，采用本发明技术，在宿主图像上嵌入水印图像，宿主图像分辨率为520x520,嵌入水印图像是一个二值化的64x64图像，采用64行，64列8x8小块的点阵加网方式，对宿主图像进行加网，结果将二值化的水印图像嵌入到宿主图像中，如图4所示，图像打印扫描的效果及检测出的水印信息如图5和图6所示，本实施例中嵌入信息量较大，是一个64x64 1-bit信息流。
实施例二
本实施例为使用在图书防伪，包装印刷品防伪等应用领域，在书籍插图中使用印刷水印验证出版版权，选用一幅灰度图像，如图7所示，经加网，作为书籍中一页校验页，验证出版物的印刷版权，这样的印刷水印外观美观，比二维码有装饰性，并且更加安全保密，同样在高档包装盒中，可以制作一张印刷精美的校验卡片，包含印刷水印，如图8所示，方便扫描验证，具体操作可以将书籍的校验页，包装品中的校验卡扫描输入计算机，形成数字图像，再利用网络将扫描图像如图9所示，上传到生产厂家提供的校验页面，选择商品就可以在线检验产品是不是正品；如图10所示，利用本发明提取的水印图像信息；本发明还需要和服务网站配合使用，如果开发专用的手持式扫描设备将进一步提高使用效率，两幅图像加网嵌入水印，打印扫描图像用来训练水印检测模型，扫描图像的检测效果。
实施例三
本发明也可以使用到数字图像上，是一种非常有特色的数字水印效果，在数字图像上检测水印效果很好，直接使用数值计算，速度快，是在加网图像上用数值方法得到的水印信息。这种方法很难仿造，安全性高，可以一定程度上解决数字水印，二维码，条码中存在的安全问题，更大的优点是这种数字水印比较美观，预计有很好的用户吸引力。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (5)
1.一种纸媒输出的防伪半色调智能数字水印制作方法，其特征在于，具体步骤为：
S1：将宿主图像进行二值化处理，同时对嵌入的水印图像也进行二值化处理，形成二进制数码串，作为可嵌入的水印编码信息；
S2：使用随机数种子作为密钥，产生一系列二维随机数对，作为嵌入水印编码信息的嵌入位置，将S1中形成的水印编码信息嵌入到筛选的嵌入位置中；
S3：使用视觉迭代算法对嵌入水印编码信息的宿主图像进行优化，以保持嵌入位置的水印编码信息不变，改变邻域的网点分布情况，使宿主图像嵌入水印编码信息之后与未嵌入水印编码信息之前的图像之间的视觉感知差异达到尽量小；
S4：使用多张520x520的灰度图像，训练神经网络，将所使用的灰度图像用多种拜耳模式加网，形成图库，将多张520x520的灰度图像分割成8x8的图片，每一个图片对应一种拜耳模式加网方式，将已经加网的灰度图像打印输出，扫描仪重新采用格式化，重新得到520x520的二值图像，将得到的二值图像分割成8x8的小图片，形成网络训练数据集，网络训练数据集的标注数据就是每一个小片的加网方式编码，在这些训练数据上训练神经网络用于加网方式的识别模型，利用训练的神经网络模型提取嵌入的二维水印二值图像；
所述S1中，形成二进制数码串时，使用无损压缩编码的方式，有利于形成尽量少的二进制数码串；
所述S3中，视觉迭代算法按照原来的连续图像做参照，在每个像素的邻域探索几种像素对交换方式，每次迭代都朝着局部均方差降低的方向进行，全部像素处理完得到的是阶段性优化结果，然后进行下一轮逐点优化，直到半色调图像与原来连续调图像之间均方差合不再继续下降为止；
所述S4中的具体方法为：1)将加入水印图像的宿主图像经过打印机输出；2)输出的图像经过扫描仪重新采样；3)对采样的图像预处理，调整方向，缩放尺寸，用适当的阈值二值化，得到与打印前带水印的宿主图像具有同样分辨率的520x520二值图像；4)将得到的520x520二值图像按顺序划分成8x8的小片，每一个小片顺序输入训练好的神经网络模型，神经网络模型预测出每一个图片的加网方式，经图像组装得到嵌入的二维水印二值图像；
使用15张520x520的灰度图像建立训练神经网络模型的图库；将15张520x520的灰度图像用24种拜耳模式加网，形成了一个24*15的图库；将这些图像分割成8x8的小图片，每一个小图片对应一种加网方式；本申请中选择使用两种实验效果较好的拜耳抖动模式，分别标注为0,1，对这15张灰度图像产生2*15种加网图像，这些加网图像经过打印输出，扫描仪重新采样，格式优化，重新得到520x520的二值图像；以这些打印扫描后的二值图像为基础，分割8x8的小片，形成网络训练数据集，网络训练数据集的标注数据就是每一个小片的加网方式编码，在这些训练数据集上训练神经网络用于识别加网方式的识别模型；将训练好的神经网络保存成一个模型数据，使用14副图像对神经网络进行训练，用第15幅图验证神经网络识别模型的效果，使用第15副图像作为检测图像，进行水印嵌入实验：
第15幅图像在加网的过程中使用0,1两种加网模式按照水印二进制信息的排列一次嵌入水印信息；加入水印的半调图像经过打印机输出，输出的图像经过扫描仪重新采样，对采样的图像预处理，调整方向，缩放尺寸，用适当的阈值二值化，得到与打印前带水印的半调图像同样分辨率的520x520二值图像；该图像按顺序划分成8x8的小片，每一个小片顺序输入训练好的神经网络识别模型，神经网络识别模型能够预测出每一个图片的加网方式，图像组装后便得到嵌入的二维水印二值图像。
2.如权利要求1所述的一种纸媒输出的防伪半色调智能数字水印制作方法，其特征在于，所述S1中对水印图像进行二值化处理之前，先对水印图像进行可逆置乱，增加保密性。
3.如权利要求1所述的一种纸媒输出的防伪半色调智能数字水印制作方法，其特征在于，所述S2中，水印图像是二值化图，每一个像素的值是0，或1将此二值水印图像转变为一个二值序列，在随机产生的嵌入位置上，依次嵌入水印序列值。
4.如权利要求1所述的一种纸媒输出的防伪半色调智能数字水印制作方法，其特征在于，所述S1中利用拜耳抖动加网算法对宿主图像和水印图像进行二值化处理，拜耳抖动加网算法利用阈值矩阵对图像进行二值化处理，待加网的图像按照抖动矩阵的大小划分冲块矩阵，在块矩阵内按抖动矩阵设定的阈值进行二值化，拜耳抖动矩阵生成的公式如下：
Dn是n阶拜耳矩阵，2nx2n的抖动矩阵；Un是2nx2n的单位矩阵；设定D0＝0；应用公式(1)迭代计算，生成n阶的拜耳抖动矩阵；拜耳抖动矩阵有很好的对称性，能实现较好的视觉效果。
5.如权利要求4所述的一种纸媒输出的防伪半色调智能数字水印制作方法，其特征在于，所述水印图像嵌入到宿主图像的具体算法为：
1)选择不同的抖动核D1,D1’，按照公式(1)的方式迭代计算，生成两个不同的3阶拜耳抖矩阵D3和D3’；
2)把整个宿主图像线划分成8x8的小块，每一个小块对应一位水印像素值0，或1；
3)水印像素嵌入宿主图像，如果当前水印像素是1，用D3抖动矩阵二值化当前的8x8小块，如果水印像素是0，则用D3’抖动矩阵二值化当前的8x8小块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810819980.6A CN109102451B (zh) | 2018-07-24 | 2018-07-24 | 一种纸媒输出的防伪半色调智能数字水印制作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810819980.6A CN109102451B (zh) | 2018-07-24 | 2018-07-24 | 一种纸媒输出的防伪半色调智能数字水印制作方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109102451A CN109102451A (zh) | 2018-12-28 |
| CN109102451B true CN109102451B (zh) | 2023-03-21 |
Family
ID=64847284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810819980.6A Active CN109102451B (zh) | 2018-07-24 | 2018-07-24 | 一种纸媒输出的防伪半色调智能数字水印制作方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109102451B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948278A (zh) * | 2019-03-29 | 2019-06-28 | 山东建筑大学 | 基于宽度学习的建筑物设计美观程度评估方法与系统 |
| CN110033067B (zh) * | 2019-03-31 | 2020-06-02 | 深圳大学 | 防复制的二维码及二维码的防伪认证方法 |
| CN110189354B (zh) * | 2019-04-18 | 2021-12-28 | 北京迈格威科技有限公司 | 图像处理方法与图像处理器、图像处理设备及介质 |
| CN111161215B (zh) * | 2019-12-09 | 2023-03-31 | 合肥中科迪宏自动化有限公司 | 一种可识别打印机颜色的检测装置 |
| CN113705806B (zh) * | 2020-05-22 | 2024-01-02 | 中国人民银行数字货币研究所 | 用于数字水印的网络训练、编码和解码方法、装置及介质 |
| CN111611823A (zh) * | 2020-05-26 | 2020-09-01 | 山东汇贸电子口岸有限公司 | 一种二维码识别优化方法 |
| CN112488902B (zh) * | 2020-12-21 | 2024-02-06 | 重庆紫光华山智安科技有限公司 | 一种自适应隐匿水印的优化方法、系统、介质及终端 |
| CN114723853A (zh) * | 2021-01-04 | 2022-07-08 | 航天信息股份有限公司 | 生成防伪图像的方法、装置、存储介质及电子设备 |
| CN114139665B (zh) * | 2021-10-14 | 2024-07-26 | 珠海丹德图像技术有限公司 | 一种有价证券的防伪嵌入方法、识别方法、防伪装置 |
| CN115499556B (zh) * | 2022-09-19 | 2024-05-28 | 浙江工业大学 | 一种基于机器学习迭代的数字印刷加网方法 |
| CN118095316B (zh) * | 2024-04-23 | 2024-07-19 | 四川数盾科技有限公司 | 一种防复制水印二维码生成、提取、验证方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012022086A1 (zh) * | 2010-08-16 | 2012-02-23 | 中兴通讯股份有限公司 | 电子门票处理方法及装置 |
| CN104616244A (zh) * | 2015-01-24 | 2015-05-13 | 河南师范大学 | 基于bp神经网络压缩域的图像水印嵌入与提取方法 |
| CN106096668A (zh) * | 2016-08-18 | 2016-11-09 | 携程计算机技术（上海）有限公司 | 带水印图像的识别方法及识别系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7095872B2 (en) * | 2001-08-28 | 2006-08-22 | University Of North Carolina At Charlotte | Automated digital watermarking methods using neural networks |
-
2018
- 2018-07-24 CN CN201810819980.6A patent/CN109102451B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012022086A1 (zh) * | 2010-08-16 | 2012-02-23 | 中兴通讯股份有限公司 | 电子门票处理方法及装置 |
| CN104616244A (zh) * | 2015-01-24 | 2015-05-13 | 河南师范大学 | 基于bp神经网络压缩域的图像水印嵌入与提取方法 |
| CN106096668A (zh) * | 2016-08-18 | 2016-11-09 | 携程计算机技术（上海）有限公司 | 带水印图像的识别方法及识别系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于半色调数字图像的抗打印的水印算法研究;刘文涛等;《齐鲁工业大学学报》;20171231;第1-5页 * |
| 基于半色调数字图像的水印技术;徐兴等;《齐鲁工业大学学报》;20170830;第1-5页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109102451A (zh) | 2018-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109102451B (zh) | 一种纸媒输出的防伪半色调智能数字水印制作方法 | |
| Tkachenko et al. | Two-level QR code for private message sharing and document authentication | |
| JP4000316B2 (ja) | 埋め込み型図形符号化を用いたハーフトーン化による図形コードの生成 | |
| JP4218920B2 (ja) | 画像処理装置及び画像処理方法並びに記憶媒体 | |
| CN103886545B (zh) | 基于计算全息的变换域抗打印扫描数字水印方法 | |
| US7142689B2 (en) | Image processing apparatus for determining specific images | |
| Hong | Adaptive image data hiding in edges using patched reference table and pair-wise embedding technique | |
| US6993150B2 (en) | Halftone primitive watermarking and related applications | |
| CN102254295B (zh) | 一种基于支持向量机的彩色半色调图像水印算法 | |
| JP4173994B2 (ja) | 画像に埋め込まれたハーフトーン変調の検出 | |
| CN110766594A (zh) | 信息隐藏方法及装置、检测方法、装置及防伪溯源方法 | |
| JP2001218006A (ja) | 画像処理装置、画像処理方法および記憶媒体 | |
| CN111368960B (zh) | 一种量子防伪二维码生成方法及扫描方法 | |
| Amiri et al. | Robust watermarking against print and scan attack through efficient modeling algorithm | |
| CN101122995A (zh) | 二值图像中数字水印的嵌入、提取方法和装置 | |
| CN109815653A (zh) | 一种基于深度学习的pdf文本水印提取及比对方法 | |
| EP3175423B1 (en) | Digital image watermarking system and method | |
| US20090174910A1 (en) | Digital watermark embedding apparatus and digital watermark detecting apparatus | |
| CN116757904A (zh) | 基于数字图像水印的信息隐藏和验证方法及装置 | |
| Chen et al. | High-quality blind watermarking in halftones using random toggle approach | |
| US7586627B2 (en) | Method and system for optimizing print-scan simulations | |
| Malik et al. | A new image steganography technique based on pixel intensity and similarity in secret message | |
| CN110417551B (zh) | 一种结合误差扩散的字符画生成式伪装及恢复方法 | |
| Cu et al. | Hiding security feature into text content for securing documents using generated font | |
| Cu et al. | A robust data hiding scheme using generated content for securing genuine documents |
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 | ||
| CP03 | Change of name, title or address |
Address after: 250353 Science Park, West New Town University, Changqing District, Shandong, Ji'nan Patentee after: Qilu University of Technology (Shandong Academy of Sciences) Country or region after: China Address before: 250353 Science Park, West New Town University, Changqing District, Shandong, Ji'nan Patentee before: Qilu University of Technology Country or region before: China |