CN109978747A - 用于审核图片的方法及装置 - Google Patents
用于审核图片的方法及装置 Download PDFInfo
- Publication number
- CN109978747A CN109978747A CN201711449540.8A CN201711449540A CN109978747A CN 109978747 A CN109978747 A CN 109978747A CN 201711449540 A CN201711449540 A CN 201711449540A CN 109978747 A CN109978747 A CN 109978747A
- Authority
- CN
- China
- Prior art keywords
- watermark
- picture
- image
- pending picture
- auditing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000012550 audit Methods 0.000 claims abstract description 18
- 239000000284 extract Substances 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 66
- 238000004590 computer program Methods 0.000 claims description 4
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 20
- 230000009466 transformation Effects 0.000 description 18
- 238000012545 processing Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 230000015654 memory Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000003780 insertion Methods 0.000 description 11
- 230000037431 insertion Effects 0.000 description 11
- 238000013507 mapping Methods 0.000 description 9
- 230000006835 compression Effects 0.000 description 8
- 238000007906 compression Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本申请公开一种用于审核图片的方法及装置。涉及计算机信息处理领域,该方法包括:提取待审核图片的水印;当所述待审核图片的水印提取失败时,检索所述待审核图片的相似图像;提取所述相似图像的水印;以及根据提取的所述待审核图片的水印或者所述相似图像的水印获取审核结果。本申请公开的用于审核图片的方法及装置,能够用于审核图片是否为内部员工泄露的。
Description
技术领域
本发明涉及计算机信息处理领域,具体而言,涉及一种用于审核图片的方法及装置。
背景技术
公司、企业、政府等各种单位或者部门,经常会涉及到内部资料的保密需求,尤其是现在的高科技互联网企业,经常会发生内部员工通过截图的方式,将内部资料例如和同事在通讯录上的聊天记录、内网信息、技术资料等发送到互联网上,以供大众传阅,这样会给公司的运营或者公关带来极大的困扰。而且事情发生后,由于无法得知将内网信息通过图片外传的具体人员,使得公司无法对这种情况进行有效的遏制。
因此,需要一种新的用于审核图片的方法及装置。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本发明提供一种用于审核图片的方法及装置,能够用于审核图片是否为内部员工泄露的。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明的一方面,提出一种用于审核图片的方法,所述方法包括:提取待审核图片的水印;当所述待审核图片的水印提取失败时,检索所述待审核图片的相似图像;提取所述相似图像的水印;以及根据提取的所述待审核图片的水印或者所述相似图像的水印获取审核结果。
在本公开的一种示例性实施例中,还包括:采集屏幕截图的原始图像;以及将截屏者身份信息作为数字盲水印嵌入到所述原始图像生成水印图像。
在本公开的一种示例性实施例中,所述将截屏者身份信息作为数字盲水印嵌入到所述原始图像生成水印图像,包括:通过变换域数字盲水印算法为所述原始图像添加水印生成所述水印图像。
在本公开的一种示例性实施例中,所述通过变换域数字盲水印算法为所述原始图像添加水印生成所述水印图像,包括:将所述原始图像经过傅立叶变换生成频域图像;经过水印编码获得编码码字串;将所述频域图像和所述码字串叠加;以及将叠加后的图像经过傅里叶逆变换生成所述水印图像。
在本公开的一种示例性实施例中,还包括:将所述水印图像存储至第一数据库;以及将所述水印图像对应的哈希值存储至第二数据库。
在本公开的一种示例性实施例中,所述检索所述待审核图片的相似图像,包括:获取所述待审核图片的哈希值;计算所述待审核图片的哈希值与所述第二数据库中的哈希值之间的汉明距离;以及根据所述汉明距离检索出所述第一数据库中相应的水印图像作为所述待审核图片的相似图像。
在本公开的一种示例性实施例中,所述审核结果为所述待审核图片为内部泄露图片或者不为内部泄露图片。
根据本发明的一方面,提出一种用于审核图片的装置,该装置包括:第一水印提取模块,用于提取待审核图片的水印;图像检索模块,用于当所述待审核图片的水印提取失败时,检索所述待审核图片的相似图像;第二水印提取模块,用于提取所述相似图像的水印;以及审核模块,用于根据提取的所述待审核图片的水印或者所述相似图像的水印获取审核结果。
根据本发明的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本发明的一方面,提出一种计算机可读介质,其上存储有计算机程序,其特征在于,程序被处理器执行时实现如上文中的方法。
根据本发明的用于审核图片的方法及装置,通过提取待识别图片的水印,并能够实现在该待识别图片的水印提取失败时,通过检索数据库中该待识别图片的相似图像,从而提取相似图像的水印来判断该待识别图片是否为内部员工泄露的,增强了系统的使用安全性,有利于追溯图片来源。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
通过参照附图详细描述其示例实施例,本发明的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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他的附图。
图1是根据一示例性实施例示出的一种用于审核图片的方法的系统架构。
图2是根据一示例性实施例示出的一种用于审核图片的方法的流程图。
图3是根据一示例性实施例示出的另一种用于审核图片的方法的流程图。
图4是根据一示例性实施例示出的另一种用于审核图片的方法的系统架构示意图。
图5是根据一示例性实施例示出的一种水印嵌入的方法的流程图。
图6是根据一示例性实施例示出的一种水印提取的方法的流程图。
图7是根据一示例性实施例示出的最近邻搜索的示意图。
图8是根据一示例性实施例示出的一种用于图像检索的网络结构的示意图。
图9是根据一示例性实施例示出的一种3个样本构成的相似度矩阵的示意图。
图10是根据一示例性实施例示出的一种相似度矩阵分解的示意图。
图11是根据一示例性实施例示出的网络使用过程的示意图。
图12是根据一示例性实施例示出的一种用于审核图片的装置的框图。
图13是根据一示例性实施例示出的一种电子设备的框图。
图14是根据一示例性实施例示出的一种计算机可读介质示意图。
具体实施例
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“和/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的,因此不能用于限制本发明的保护范围。
下面结合附图对本公开示例实施方式进行详细说明。
图1是根据一示例性实施例示出的一种用于审核图片的方法的系统架构。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台服务器。后台服务器可以对接收到的图片等数据进行分析等处理,并将处理结果(例如审核结果)反馈给终端设备。
需要说明的是,本申请实施例所提供的审核图片的处理一般由服务器105执行,相应地,审核结果的显示处理一般在客户端101中进行。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2是根据一示例性实施例示出的一种用于审核图片的方法的流程图。
如图2所示,在步骤S210中,提取待审核图片的水印。
本发明实施例中,所述水印是指盲水印,盲水印是指人感知不到的水印,看不到或听不见。使用盲水印可以在不破坏原始作品的情况下,实现图片的防护或者追踪。
图6是根据一示例性实施例示出的一种水印提取的方法的流程图。
如图6所示,在步骤S610中,原始图像经过傅里叶变换生成频域图像。
本发明实施例中,所述原始图像是指未加水印之前的初始图像。这里所述原始图像是指所述待审核图片未嵌入水印之前的初始图像。
在步骤S620中,水印图像经过傅里叶变换。
本发明实施例中,这里的所述水印图像是指所述待审核图片。
在步骤S630中,将上述步骤S610和步骤S620变换后的两图像进行差值运算。
在步骤S640中,对差值运算后图像进行解码提取水印。
具体的,水印提取过程是水印嵌入过程的逆过程。首先,原始图像经过傅里叶变换,变换到图像频域;其次,水印图像经过傅里叶变换后两图像进行差值运算,得到的“图像”再经过解码操作便可以得到水印图像。
需要说明的是,虽然上述图6的水印提取方法用于示例性用于所述待审核图片的水印提取,但实际上,图6所示的水印提取方法还可以用于下文中的相似图像的水印提取,本公开对此不作限定。在其他实施例中,所述待审核图片的水印提取方法也可以和下文的相似图像的水印提取方法不同。
在示例性实施例中,所述方法还可以包括:采集屏幕截图的原始图像;以及将截屏者身份信息作为数字盲水印嵌入到所述原始图像生成水印图像。
具体地,可以首先进行样本采集,例如员工在公司通过截屏所产生的所有图片的原始图像及其对应生成的水印图像都需要保持到数据库中,作为样本。
需要说明的是,员工截图的原始图像也可以不保存到数据库中,而仅保存根据各原始图像生成的水印图像即可。
本发明实施例中,所述截屏者身份信息可以是任意的能够唯一区分截屏者身份的信息,例如,员工ERP(Enterprise Resource Planning,企业资源计划)作为数字盲水印,但本公开并不限定于此,例如还可以是员工的ID、员工的姓名、员工的计算机设备信息(例如IP地址、设备型号等)等中的任意一种或者多种,即当内部员工登录内部网站进行截图操作时,系统后台会自动记录下进行该截图操作的截屏者身份信息例如员工个人信息和执行该截图操作的设备信息,并可以以该截图截屏者身份信息作为水印添加到截图获得的原始图像上生成相应的水印图像。这样,当通过解水印时,即可通过获得的水印得到该待审核图片是否为内部员工泄露的,并且还可以追溯到具体是哪个员工、哪台设备泄露的。
本发明实施例中,在原始图像中添加数字盲水印,在编码和压缩情况不变的情况下,不会改变原始图像大小。添加数字盲水印的方法简单可分为空域方法和频域方法。
其中,空域是指空间域,日常所见的图像就是空域。空域添加数字水印的方法是在空间域直接对图像操作,比如将水印直接叠加在图像上。
图像灰度变化强烈的情况,也可以视为图像的频率。频域添加数字水印的方法,是指通过某种变换手段(傅里叶变换,离散余弦变换,小波变换等)将图像变换到频域(小波域),在频域对图像添加水印,再通过逆变换,将图像转换为空间域。
对于数字水印的嵌入算法和提取算法,纵观近几年来的相关的报道和参考文献,从空间域到频域,从概率统计到纠错编码,可以说是百花齐放。其中的设计思想主要是取决于研究人员的研究背景和其拥有的专业知识,使得可从不同的研究角度切入,让水印算法得到更加完善的应用。对于数字水印算法划分来讲,一般可依据数字水印所依附的载体数据,图像水印算法划分为:文本水印算法、音频水印算法、视频水印算法和三维网格水印算法。或者依据水印隐藏的位置划分,水印算法划分为:空间域水印算法、变换域水印算法。
在空间域上的水印算法包括最低有效位算法(Least significant Bits,LSB)、纹理块映射算法及Patchwork算法等。
LSB算法最先被Turner和Schyndel等人提出。LSB算法用在水印嵌入中。可以通过对最低位平面置零,或者使用一个特定的密钥,产生m序列来作为水印。因为最低位平面信号能量小,对图像本身不会产生多少视觉影响。不过LSB算法本身也不是完美的,与其他算法一样,在一个方面优势但是另外一个方面就会暴露其不足之处,LSB算法简单,水印信息容量大,但水印信息鲁棒性弱,抗干扰能力低,因此LSB算法一般都不会在水印处理中被单独使用。
Patchwork算法,是一种能用于打印票据的防伪的水印算法,被Walter Bander等人在美国麻省理工学院提出。Patchwork算法鲁棒性比较强,它可将水印信息隐藏在特定图像区域的统计特性中。不过缺陷是其水印容量较低,对多拷贝平均攻击抵抗性差,并且对仿射变换也非常敏感。
依据水印隐藏的位置划分的话,水印算法可以划分为:空间域水印算法和变换域水印算法。一般的变换域指的是频域,也就是通过数学算法分离出图像的频率特征,从频域上面来分析和进行水印的嵌入。常用的频域变换如:离散小波变换(Discrete WaveletTransformation,DWT)、哈达马变换(Hadamard transform)、余弦变换(Discrete CosineTransform,DCT)、傅里叶变换(DiscreteFourier Transform-DFT、Fast FourierTransformation-FFT)等。
DCT算法通常在图像压缩标准中使用的比较多,在图像视频压缩处理中,比如JPEG压缩、H.264压缩等都可看到DCT算法的身影。而在水印嵌入中,DCT变换域来实现往往对JPEG压缩有较强的健壮性,也就是能够更好的抵抗图像压缩。对于算法细节而言,基于DCT分块水印算法主要是将图像从空间域变换到频率域后,其频率特性按照Zig-Zag的顺序,从低频到高频依次排列。图像经DCT变换后,大部分能量集中在低频系数之中,如果高频段系数稍微的改动,在感官上很容易发现图像被改动,在遇到压缩等攻击时又容易丢失,中频部分稳健性适中,常被选来作为水印嵌入的区域。DCT变换域鲁棒水印算法有一种比较经典的算法,那就是Cox等人提出的扩频数字水印算法,这种算法也被叫做Cox算法。它的方法是在宿主信号的中频等部分嵌入数字水印。这种嵌入到中频的算法大大提高了数字水印技术的发展。不过比起中频部分,低频部分能量高,携带水印能力强,鲁棒性好,常常也被选来作为水印嵌入位置。对于水印信息的提取,则按嵌入时的规则,先进行DCT变换,然后选取嵌入载有水印信息的系数,用嵌入的逆算法提取水印信息。
DWT(离散小波变换),它同时拥有信号空域特征和频域特征,它相对DCT算法而言,不仅具有图像信号的频域特征,它还具备图像信号的空间域特征具有多分辨率分析等特点,也是现代谱分析工具。DWT算法因为它的良好的时频特性得到了许多研究者的重视,其最大的优势是可以选取不同的水印嵌入强度在不同子带带来提升算法的鲁棒性。DWT处理方法比较符合人眼的视觉特性,数字水印在视觉上的隐藏性和稳健性常利用小波变换来提高。DWT算法可以将图像变换为多个子带,每一个子带对应一系列小波系数,这些系数可以被高效地进行压缩和存储。
现阶段数字盲水印技术添加的水印抗攻击性的效果往往不是很理想。当水印被破坏之后,待审核图片将无法被正确审核获取正确的结果。
在示例性实施例中,所述将截屏者身份信息作为数字盲水印嵌入到所述原始图像生成水印图像,可以包括:通过变换域数字盲水印算法为所述原始图像添加水印生成所述水印图像。
在示例性实施例中,所述通过变换域数字盲水印算法为所述原始图像添加水印生成所述水印图像,可以包括:将所述原始图像经过傅立叶变换生成频域图像;经过水印编码获得编码码字串;将所述频域图像和所述码字串叠加;以及将叠加后的图像经过傅里叶逆变换生成所述水印图像。
本发明实施例中,采用离散傅立叶变换(DCT),是利用变换后的相位信息嵌入水印信息,通过修改DFT系数的幅度和相位值来嵌入水印,其中它的优点是这种算法能够较好地解决图像传输过程中所导致的失真现象。此外,它还有良好的几何不变性。
具体方法流程如图5所示。首先,原始图像经过傅里叶变换到频域之上,水印图像经过编码后得到编码码字串。其次,频域图像和码字串叠加后再经过傅里叶变换操作得到嵌入水印的图像。
如图5所示,在步骤S510中,将所述原始图像经过傅里叶变换生成频域图像。
在S520中,经过水印编码获得编码码字串。
在S530中,将所述频域图像和所述码字串叠加。
在S540中,将叠加后的图像经过傅里叶逆变换生成水印图像。
在示例性实施例中,所述方法还可以包括:将所述水印图像存储至第一数据库。
在示例性实施例中,所述方法还可以包括:将所述水印图像对应的哈希值存储至第二数据库。
需要说明的是,所述第一数据库和所述第二数据库在物理上可以是同一数据库,也可以是不同的数据库。
在步骤S220中,当所述待审核图片的水印提取失败时,检索所述待审核图片的相似图像。
关于海量图像检索问题,传统的检索方法中有一种局部敏感哈希(Locality-Sensitive Hashing,LSH)的算法。LSH的基本思想是:将原始数据空间中的两个相邻数据点通过相同的映射或投影变换(projection)后,这两个数据点在新的数据空间中仍然相邻的概率很大,而不相邻的数据点被映射到同一个桶的概率很小。也就是说,如果对原始数据进行一些hash映射后,希望原先相邻的两个数据能够被hash到相同的桶内,具有相同的桶号。对原始数据集合中所有的数据都进行hash映射后,就得到了一个hash table,这些原始数据集被分散到了hash table的桶内,每个桶会落入一些原始数据,属于同一个桶内的数据就有很大可能是相邻的,当然也存在不相邻的数据被hash到了同一个桶内。因此,如果能够找到这样一些hash functions,使得经过它们的哈希映射变换后,原始空间中相邻的数据落入相同的桶内的话,那么在该数据集合中进行近邻查找就变得容易了,只需要将查询数据进行哈希映射得到其桶号,然后取出该桶号对应桶内的所有数据,再进行线性匹配即可查找到与查询数据相邻的数据。换句话说,通过hash function映射变换操作,将原始数据集合分成了多个子集合,而每个子集合中的数据间是相邻的且该子集中的元素个数较小,因此将一个在超大集合内查找相邻元素的问题转化为了在一个很小的集合内查找相邻元素的问题,显然计算量下降了很多。
如果对效果要求不是很高的话,最直接的方法就是用一种特征来表示每张图像(比如AlexNet中fc7层的输出),然后通过计算查询图像(上图左)和数据库中图像在特征空间中的欧式距离,并按照距离从小到大的顺序,返回数据库中的图像。随着互联网上的图像越来越多,存储空间消耗越来越大,检索速度随之越来越慢。
为此,近年来近似最近邻搜索(approximate nearest neighbor search)技术发展迅猛,它对空间和时间的需求大幅降低,而且能够得到不错的检索结果,因此成为了一种实用的替代方案。在此,哈希(hashing)作为一种代表性方法,近年来受到了广泛的关注。
本发明实施例中,最近邻搜索(nearest neighbor search)是指给定一个查询(query),目标是要找到空间中离它最近的点。这里提到的空间可以是任意的空间,如特征空间或者语义空间。
在图像检索问题中,每张图像对应空间中的一个点,而所谓的“近”既可以是外观上的近(看着像),也可以是语义上的近(同类)。以图7为例,当把左侧的图像给到两个不同的搜索引擎后,得到的返回结果就对应上面的两种情况。
目前看来,局部敏感哈希的算法其准确率在某些情况下是不理想的,为此本发明实施例中关于图像检索技术使用了深度哈希的办法提高其准确率。
哈希算法将任意长度的二进制值映射为较短的固定长度的二进制值,这个小的二进制值称为哈希值。最早的基于深度学习的哈希算法应该是2009年由Hinton研究组提出。深度哈希算法在不同领域上的具体实现,都根据手头的问题对模型进行了相应的修改,以适应对应的任务,而这种灵活性,也正是深度学习的优势所在。
深度模型学习图像表示+sigmoid/tanh函数限制输出范围+不同的损失函数+(可选)有针对性的网络结构,这四个部件合在一起,组合出了很多种不同的以图搜图的方法。
其他应用例如跨模态检索:在搜索引擎中输入一些关键词,找相关的图像。
以文本搜文本,即给定一段查询文本,找到和这段文本相似的其他文本。
基于深度学习的哈希算法,凭借其强大的特征学习能力,一出现就迅速超越了基于手工设计特征的传统哈希方法。但是,目前的研究还远没有到尽头,更适合这一任务的网络结构、优化算法等都还有待进一步探索。目前来看,传统方法非但没有过时,反而可以在新的深度哈希算法研究中提供一些指导,进一步提升深度哈希算法的能力。
在示例性实施例中,所述检索所述待审核图片的相似图像,可以包括:获取所述待审核图片的哈希值;计算所述待审核图片的哈希值与所述第二数据库中的哈希值之间的汉明距离;以及根据所述汉明距离检索出所述第一数据库中相应的水印图像作为所述待审核图片的相似图像。
本发明实施例中,所述哈希值是指通过哈希算法将任意长度的二进制值映射为较短的固定长度的二进制值。
在示例性实施例中,可以通过利用深度学习的哈希的算法完成图像检索的任务。深度哈希的好处在于速度快、准确率高。对于深度哈希算法来说,深度神经网络只是提供了一定的非线性表示能力,也就是说是提供非线性映射的作用。这里可以参考中山大学的潘炎老师研究组和颜水成老师在2014年提出的CNNH方法。通过对相似度矩阵(矩阵中的每个元素指示对应的两个样本是否相似)进行分解,得到样本的二值编码;然后,利用CNN对得到的二值编码进行拟合。拟合的过程相当于一个多标签预测问题,这里可以使用交叉熵损失来达到这个目的。此外,还加入分类的损失函数来进一步提升性能。具体的网络结构如图8所示。
其中,图8是本发明实施例使用的深度哈希方法(CNNH方法)的网络结构图。
CNNH的基本原理是通过对相似度矩阵(矩阵中的每个元素指示对应的两个样本是否相似)进行分解,得到样本的二值编码;然后,利用CNN对得到的二值编码进行拟合。拟合的过程相当于一个多标签预测问题,可以使用交叉熵损失来达到这个目的。
这样的深度学习网络可以分为训练阶段和使用阶段。下面分别详述这两个阶段。在示例性实施例中,所述方法还可以包括网络训练过程。该网络训练过程可以包括以下步骤。
1、通过训练样本构建相似度矩阵S,其中S的元素为1可以表示相似的图像,S的元素为-1可以表示不相似的图像,但这里的数值设置可以自主设置的,1和-1只是用于举例说明。图9是3个样本(3training samples)构成的相似度矩阵S。
2、将S分解成H,即其中H的大小为N*q,q直观的表示把N压缩之后的大小,也就是说用大小为q的向量(vector)表示大小为N的vector。H将作为本批训练样本的标签(label)。
3、H将作为本批训练样本的标签(label)(图10中虚线框框出的就是样本x1的hash码的理想值即3-bit Hash codes),原始图像作为输入的data,训练网络来学习图像表征和哈希函数。目标是使网络收敛(即输出无限接近样本label)。
深度网络使用(工作)阶段对应于图11,这部分在图11下面介绍。
在示例性实施例中,所述方法还可以包括网络使用过程。
网络使用过程则无需图8所示的第一阶段(Stage1),只需将待审核图片输入至训练好的深度神经网络中,获得hash码。图11表示了具体的使用过程。
图11表示深度网络的使用(工作)阶段。网络的使用过程则无需图8中的第一阶段,只需将待测试图像输入至训练好的深度神经网络中(即图8的第二阶段),获得hash码,获取待检测图像的hash码后,通过计算该hash码和数据库中所有图像hash码的汉明距离检索出相似图像,然后对这些相似图像进行水印提取(数据库中的图像水印未被破坏,可提取)完成待审核图片的审核工作。
在步骤S230中,提取所述相似图像的水印。
获取待审核图片的hash码后,通过计算该hash码和数据库中所有图像hash码的汉明距离检索出相似图像,然后对这些相似图像进行水印提取(数据库中的图像水印未被破坏,可提取)完成待审核图片的审核工作。
在步骤S240中,根据提取的所述待审核图片的水印或者所述相似图像的水印获取审核结果。
在示例性实施例中,所述审核结果为所述待审核图片为内部泄露图片或者不为内部泄露图片。或者,所述审核结果也可以为审核通过或者审核不通过,例如,当所述待审核图片为内部泄露图片时,相应的审核结果为审核不通过;当所述待审核图片不为内部泄露图片时,相应的审核结果为审核通过。
在示例性实施例中,所述方法还可以包括:当提取所述待审核图片的水印失败且未检索到所述待审核图片的相似图像时,获取审核通过的审核结果。
根据本发明的用于审核图片的方法,一方面,可以通过提取待审核图片的水印来实现图片审核的问题,实现截图外泄的水印管理及识别功能。另一方面,还可以通过在该待审核图片的水印提取失败时,通过检索数据库中的相似图像并提取相似图像的水印来实现水印破损(被剪切等操作)后的识别追溯功能。这样,当公司内部图片被外泄后,可以通过对图像进行审核追踪到泄露图片的员工。同时,在另一些实施例中,所述方法还将盲水印技术和深度哈希技术结合解决图片审核问题。
应清楚地理解,本发明描述了如何形成和使用特定示例,但本发明的原理不限于这些示例的任何细节。相反,基于本发明公开的内容的教导,这些原理能够应用于许多其它实施例。
图3是根据一示例性实施例示出的另一种用于审核图片的方法的流程图。
该用于审核图片的方法包括总体流程、图像检索流程以及图像检索流程中的子流程。
在步骤S301中,开始总体流程。
在步骤S302中,获取待审核图片。
在步骤S303中,对所述待审核图片进行解水印。
在步骤S304中,判断上述解水印是否成功;当上述待审核图片的解水印成功时,进入步骤S305;当上述待审核图片的解水印失败时,跳转到步骤S307。
在步骤S305中,返回结果给客户端。
例如,可以根据所述待审核图片解水印后提取到的水印判断所述待审核图片是否为内部员工泄露的图片,并且还可以根据提取到的水印判断出具体是哪一个内部员工泄露的。
在步骤S306中,结束总体流程。
当所述待审核图片的解水印成功时,可以结束图片审核流程。
在步骤S307中,开始图像检索流程。
当所述待审核图片的解水印失败时,例如所述待审核图片的水印被破坏时,可以开始图像检索流程。
在步骤S308中,输入所述待审核图片。
在步骤S309中,根据所述待审核图片从数据库中进行相似图像的检索。
在步骤S310中,判断在所述数据库中是否检索(或者匹配)成功;当在所述数据库中未检索到所述待审核图片的相似图像时,进入步骤S311;当在所述数据库中检索到所述待审核图片的相似图像时,
在步骤S311中,返回结果给客户端。
由于此时所述待审核图片解水印已经失败,且同时在所述数据库中不存在相似图像,因此,已经可以判断所述待审核图片不为内部员工泄露的图片,审核结果可以为审核通过。
在步骤S312中,结束图像检索流程。
此时可以判定所述待审核图片不为内部员工泄露的图片,可以结束图像检索流程。
在步骤S313中,当从所述数据库中检索到所述待审核图片的相似图像时,获取检索到的数据库图像。
在步骤S314中,对检索到的数据库图像进行解水印提取所述相似图像的水印。
在步骤S315中,根据所述相似图像的水印返回结果给客户端。
例如,当可以从所述数据库中检索到所述待审核图片的相似图像时,可以判定所述待审核图片为内部员工泄露的图片,同时,再根据所述相似图像的水印追溯到具体泄露该图片的员工是谁。
在步骤S316中,结束子流程。
图4是根据一示例性实施例示出的一种用于审核图片的方法的系统架构图。
如图4所示,该系统可以包括客户端(可以包括应用程序,例如Web/App)、水印嵌入模块、水印提取模块、图像检索模块以及数据库。
本发明实施例中,所述客户端可以为用于审核图片的方法提供服务入口或界面服务。
本发明实施例中,所述水印嵌入模块可以通过变换域数字盲水印算法为图像添加水印。
本发明实施例中,所述水印提取模块可以通过设计水印提取算法,对水印图像进行相关的一系列操作获取水印信息。
本发明实施例中,所述图像检索模块可以设计相关图像检索算法,针对未成功提取水印的待审核图像从数据库中进行检索,得到数据库中的水印图像后再进行水印提取操作。
本发明实施例中,所述数据库可以存储所有的嵌入水印后的图像。
根据本发明的用于审核图片的方法,当在外界发现疑似公司内部泄露的图片要对该图片进行审核时,首先对该图片进行提取水印,如果得到相应的水印则审核完成;如果解水印未成功或者水印被破坏,则将该图片通过神经网络映射成为hash码,然后利用该hash码去数据库中进行检索,检索到相似图像后,对数据库中的相似图像再进行提取水印以完成图像审核工作。
同时,根据本发明的用于审核图片的方法,可以基于图像频域制作数字盲水印,并从水印图像中检测提取出水印信息。还可以从大量的图像数据库中检索出目标图像。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
图12是根据一示例性实施例示出的一种用于审核图片的装置的框图。所述装置10可以包括第一水印提取模块110、图像检索模块120、第二水印提取模块130以及审核模块140。
第一水印提取模块110可以用于将待审核图片的核心码作为请求参数,发送至服务器。
图像检索模块120可以用于接收所述服务器返回的请求结果。
第二水印提取模块130可以用于对所述请求结果进行解码处理,生成图片内容数据。
审核模块140可以用于将所述图片内容数据与图片头数据合并,生成图片数据。
在示例性实施例中,该装置10还可以包括:截图采集模块和水印嵌入模块(图中未示出)。其中所述截图采集模块可以用于采集屏幕截图的原始图像。所述水印嵌入模块可以用于将截屏者身份信息作为数字盲水印嵌入到所述原始图像生成水印图像。
在示例性实施例中,所述水印嵌入模块可以进一步包括水印嵌入子模块。其中所述水印嵌入子模块可以用于通过变换域数字盲水印算法为所述原始图像添加水印生成所述水印图像。
在示例性实施例中,所述水印嵌入子模块可以进一步包括频域变换单元、水印编码单元、叠加单元以及频域逆变换单元。
其中,所述频域变换单元可以用于将所述原始图像经过傅立叶变换生成频域图像。所述水印编码单元可以用于经过水印编码获得编码码字串。所述叠加单元可以用于将所述频域图像和所述码字串叠加。所述频域逆变换单元可以用于将叠加后的图像经过傅里叶逆变换生成所述水印图像。
在示例性实施例中,该装置10还可以包括第一存储模块以及第二存储模块。其中,所述第一存储模块可以用于将所述水印图像存储至第一数据库。所述第二存储模块可以用于将所述水印图像对应的哈希值存储至第二数据库。
在示例性实施例中,图像检索模块120可以进一步包括哈希值获取单元、距离计算单元以及图像检索单元。
其中,所述哈希值获取单元可以用于获取所述待审核图片的哈希值。所述距离计算单元可以用于计算所述待审核图片的哈希值与所述第二数据库中的哈希值之间的汉明距离。所述图像检索单元可以用于根据所述汉明距离检索出所述第一数据库中相应的水印图像作为所述待审核图片的相似图像。
在示例性实施例中,所述审核结果为所述待审核图片为内部泄露图片或者不为内部泄露图片。
根据本发明的用于审核图片的装置,一方面,可以通过提取待审核图片的水印来实现图片审核的问题,实现截图外泄的水印管理及识别功能。另一方面,还可以通过在该待审核图片的水印提取失败时,通过检索数据库中的相似图像并提取相似图像的水印来实现水印破损(被剪切等操作)后的识别追溯功能。这样,当公司内部图片被外泄后,可以通过对图像进行审核追踪到泄露图片的员工。同时,在另一些实施例中,所述方法还将盲水印技术和深度哈希技术结合解决图片审核问题。
图13是根据一示例性实施例示出的一种电子设备的框图。
下面参照图13来描述根据本发明的这种实施方式的电子设备200。图13显示的电子设备200仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图13所示,电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元210执行,使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元210可以执行如图2中所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且,电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述电子处方流转处理方法。
图14是根据一示例性实施例示出的一种计算机可读介质示意图。
参考图14所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品400,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:提取待审核图片的水印;当所述待审核图片的水印提取失败时,检索所述待审核图片的相似图像;提取所述相似图像的水印;以及根据提取的所述待审核图片的水印或者所述相似图像的水印获取审核结果。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块和/或子模块和/或单元,也可以进一步拆分成多个模块和/或子模块和/或单元。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施例的方法。
以上具体地示出和描述了本发明的示例性实施例。应可理解的是,本发明不限于这里描述的详细结构、设置方式或实现方法;相反,本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外,本说明书说明书附图所示出的结构、比例、大小等,均仅用以配合说明书所公开的内容,以供本领域技术人员了解与阅读,并非用以限定本公开可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本公开所能产生的技术效果及所能实现的目的下,均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语,也仅为便于叙述的明了,而非用以限定本公开可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当也视为本发明可实施的范畴。
Claims (10)
1.一种用于审核图片的方法,其特征在于,包括:
提取待审核图片的水印;
当所述待审核图片的水印提取失败时,检索所述待审核图片的相似图像;
提取所述相似图像的水印;以及
根据提取的所述待审核图片的水印或者所述相似图像的水印获取审核结果。
2.如权利要求1所述的方法,其特征在于,还包括:
采集屏幕截图的原始图像;以及
将截屏者身份信息作为数字盲水印嵌入到所述原始图像生成水印图像。
3.如权利要求2所述的方法,其特征在于,所述将截屏者身份信息作为数字盲水印嵌入到所述原始图像生成水印图像,包括:
通过变换域数字盲水印算法为所述原始图像添加水印生成所述水印图像。
4.如权利要求3所述的方法,其特征在于,所述通过变换域数字盲水印算法为所述原始图像添加水印生成所述水印图像,包括:
将所述原始图像经过傅立叶变换生成频域图像;
经过水印编码获得编码码字串;
将所述频域图像和所述码字串叠加;以及
将叠加后的图像经过傅里叶逆变换生成所述水印图像。
5.如权利要求2至4任一所述的方法,其特征在于,还包括:
将所述水印图像存储至第一数据库;以及
将所述水印图像对应的哈希值存储至第二数据库。
6.如权利要求5所述的方法,其特征在于,所述检索所述待审核图片的相似图像,包括:
获取所述待审核图片的哈希值;
计算所述待审核图片的哈希值与所述第二数据库中的哈希值之间的汉明距离;以及
根据所述汉明距离检索出所述第一数据库中相应的水印图像作为所述待审核图片的相似图像。
7.如权利要求1所述的方法,其特征在于,所述审核结果为所述待审核图片为内部泄露图片或者不为内部泄露图片。
8.一种用于审核图片的装置,其特征在于,包括:
第一水印提取模块,用于提取待审核图片的水印;
图像检索模块,用于当所述待审核图片的水印提取失败时,检索所述待审核图片的相似图像;
第二水印提取模块,用于提取所述相似图像的水印;以及
审核模块,用于根据提取的所述待审核图片的水印或者所述相似图像的水印获取审核结果。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711449540.8A CN109978747A (zh) | 2017-12-27 | 2017-12-27 | 用于审核图片的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711449540.8A CN109978747A (zh) | 2017-12-27 | 2017-12-27 | 用于审核图片的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109978747A true CN109978747A (zh) | 2019-07-05 |
Family
ID=67072249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711449540.8A Pending CN109978747A (zh) | 2017-12-27 | 2017-12-27 | 用于审核图片的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978747A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390016A (zh) * | 2019-07-25 | 2019-10-29 | 山东健康医疗大数据有限公司 | 一种基于文本分类的健康商城商家入驻申请内容检查方法 |
CN110990801A (zh) * | 2019-11-29 | 2020-04-10 | 深圳市商汤科技有限公司 | 信息校验方法及装置、电子设备和存储介质 |
CN112712090A (zh) * | 2019-10-24 | 2021-04-27 | 北京易真学思教育科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN115984082A (zh) * | 2023-03-21 | 2023-04-18 | 杭州虎符网络有限公司 | 暗水印添加和提取方法、装置、存储介质和终端 |
CN118333690A (zh) * | 2024-06-17 | 2024-07-12 | 浦江三思光电技术有限公司 | 智能广告审核方法、系统及终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009081827A (ja) * | 2007-09-03 | 2009-04-16 | Osaka Prefecture Univ | 電子透かしの復元方法および復元処理プログラム |
CN101753823A (zh) * | 2008-12-18 | 2010-06-23 | 三星电子株式会社 | 自动标记图像的装置及其方法 |
CN107066844A (zh) * | 2017-04-12 | 2017-08-18 | 李晓妮 | 一种纸质文档安全管控与溯源追踪的方法和装置 |
CN107273753A (zh) * | 2017-05-11 | 2017-10-20 | 北京明朝万达科技股份有限公司 | 一种截屏防泄漏方法及装置 |
-
2017
- 2017-12-27 CN CN201711449540.8A patent/CN109978747A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009081827A (ja) * | 2007-09-03 | 2009-04-16 | Osaka Prefecture Univ | 電子透かしの復元方法および復元処理プログラム |
CN101753823A (zh) * | 2008-12-18 | 2010-06-23 | 三星电子株式会社 | 自动标记图像的装置及其方法 |
CN107066844A (zh) * | 2017-04-12 | 2017-08-18 | 李晓妮 | 一种纸质文档安全管控与溯源追踪的方法和装置 |
CN107273753A (zh) * | 2017-05-11 | 2017-10-20 | 北京明朝万达科技股份有限公司 | 一种截屏防泄漏方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390016A (zh) * | 2019-07-25 | 2019-10-29 | 山东健康医疗大数据有限公司 | 一种基于文本分类的健康商城商家入驻申请内容检查方法 |
CN110390016B (zh) * | 2019-07-25 | 2023-07-18 | 山东浪潮智慧医疗科技有限公司 | 一种基于文本分类的健康商城商家入驻申请内容检查方法 |
CN112712090A (zh) * | 2019-10-24 | 2021-04-27 | 北京易真学思教育科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN110990801A (zh) * | 2019-11-29 | 2020-04-10 | 深圳市商汤科技有限公司 | 信息校验方法及装置、电子设备和存储介质 |
CN110990801B (zh) * | 2019-11-29 | 2022-05-17 | 深圳市商汤科技有限公司 | 信息校验方法及装置、电子设备和存储介质 |
CN115984082A (zh) * | 2023-03-21 | 2023-04-18 | 杭州虎符网络有限公司 | 暗水印添加和提取方法、装置、存储介质和终端 |
CN118333690A (zh) * | 2024-06-17 | 2024-07-12 | 浦江三思光电技术有限公司 | 智能广告审核方法、系统及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11334635B2 (en) | Domain specific natural language understanding of customer intent in self-help | |
CN109978747A (zh) | 用于审核图片的方法及装置 | |
US11429405B2 (en) | Method and apparatus for providing personalized self-help experience | |
CN109284357A (zh) | 人机对话方法、装置、电子设备及计算机可读介质 | |
CN102629261B (zh) | 由钓鱼网页查找目标网页的方法 | |
EP4128036A1 (en) | Processing image-bearing electronic documents using a multimodal fusion framework | |
CN111866004B (zh) | 安全评估方法、装置、计算机系统和介质 | |
KR20210039998A (ko) | 정보 처리 방법, 장치, 전자 기기 및 저장 매체 | |
Nesi et al. | Ge (o) Lo (cator): Geographic information extraction from unstructured text data and Web documents | |
CN107330079A (zh) | 基于人工智能呈现辟谣信息的方法和装置 | |
Hwang et al. | A spelling based CAPTCHA system by using click | |
CN112598039A (zh) | 获取nlp分类领域阳性样本方法及相关设备 | |
Julham et al. | Automatic face recording system based on quick response code using multicam | |
Kayhan et al. | Cyber threat detection: Unsupervised hunting of anomalous commands (UHAC) | |
CN110472121A (zh) | 名片信息搜索方法、装置、电子设备以及计算机可读存储介质 | |
CN115859273A (zh) | 一种数据库异常访问的检测方法、装置、设备及存储介质 | |
Liu et al. | Subverting privacy-preserving gans: Hiding secrets in sanitized images | |
Che | Copyright Protection of Literary Works Based on Data Mining Algorithms | |
Deeba et al. | Digital image watermarking in sparse domain | |
Nematollahi | A machine learning approach for digital watermarking | |
CN117591770B (zh) | 政策的推送方法、装置以及计算机设备 | |
NL2031940B1 (en) | Method and device for clustering phishing web resources based on visual content image | |
Sandoval-Bravo et al. | Coverless image steganography framework using distance local binary pattern and convolutional neural network | |
Ganatra | Identifying Copycat Counterfeit Apps in the Google Play Store | |
Awasthi et al. | CNN-Based Deep Learning Approach Over Image Data for Cyber Forensic Investigation |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |