CN110796582B - 一种基于矢量图形压缩的可逆明水印方法和装置 - Google Patents
一种基于矢量图形压缩的可逆明水印方法和装置 Download PDFInfo
- Publication number
- CN110796582B CN110796582B CN201910917780.9A CN201910917780A CN110796582B CN 110796582 B CN110796582 B CN 110796582B CN 201910917780 A CN201910917780 A CN 201910917780A CN 110796582 B CN110796582 B CN 110796582B
- Authority
- CN
- China
- Prior art keywords
- points
- image
- watermark
- curve
- point
- 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
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
- G06T2201/0203—Image watermarking whereby the image with embedded watermark is reverted to the original condition before embedding, e.g. lossless, distortion-free or invertible watermarking
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于矢量图形压缩的可逆明水印方法和装置。本发明通过将明水印图像进行矢量化处理后得到离散的图形轮廓曲线点集合,然后再经过矢量图形压缩后保存至宿主图像中的非明水印图像区域,用于辅助明水印图像的嵌入和去除,从而减少了可逆明水印处理过程中对于原始明水印图像的依赖性限制,进而解决了明水印图像压缩效率低、载体图像修改失真大以及明水印图像嵌入效果差等问题。本发明还利用基于卷积浮雕和双重单增复合映射方法实现了半透明的立体浮雕明水印效果,使得载体图像和明水印图像的融合更加自然。
Description
技术领域
本发明涉及信息隐藏技术领域,具体涉及图像可逆信息隐藏技术领域,尤其涉及一种基于矢量图形压缩的可逆明水印方法和装置。
背景技术
信息隐藏因其在数字媒体的知识产权保护和真实性鉴别、开放网络环境下的隐蔽数据通信等方面具有良好性能,越来越受到人们的关注。所谓信息隐藏,是指利用数字载体的冗余性,通过适当修改载体数据实现水印信息嵌入得到含密载体的一项技术。但是传统的信息隐藏算法信息嵌入过程将给原始载体带来永久性失真,而这些失真对于一些应用场合是不可接受的。为了兼顾信息隐藏和原始载体的无失真恢复,可逆信息隐藏作为一种特殊的信息隐藏技术被提出。可逆信息隐藏允许人们在提取嵌入信息后无失真地恢复出原始内容,在诸如军事、法律、远程医学诊断、云环境下的加密数据标注、以及视频传输等对图像内容敏感的领域,有着重要应用价值。
基于载体图像中的嵌入隐藏信息可见性,数字水印可以分为不可见水印(嵌入的水印信息通过人类感知不可见)和可见水印(嵌入的水印信息通过人类感知可见)两种类型。其中可见水印旨在通过半透明地方式将可见的水印图像(比如公司徽标Logo图)插入到宿主图像的特定位置处以进行显示版权声明,并在很多领域具有重要用途,比如内容保护、广播监控的电视频道标识、即将推出的节目广告或商业公司和数字图书馆的标识广告等。进一步地,如果上述可见水印是可逆的,即通过特定算法从宿主图像中将可见水印图像完全擦除并无失真地恢复原始载体图像内容,这对于保持原始数字图像载体本身的使用价值有非常大的帮助,能够更好地促进数字图像的网络化应用。
现有的可逆明水印算法中嵌入的明水印图像一般为二值图像,为实现明水印图像和宿主图像融合的透明效果,明水印图像中白色区域所覆盖下的,在宿主图像相应位置处的像素值不发生变化,而根据特定规则修改黑色区域所覆盖的像素值。在明水印去除和载体图像无失真恢复地过程中,需要将原始的明水印图像的轮廓信息作为辅助信息进行保存,信息容量比较大。另外,部分方法还完全依赖原始的明水印图像才能实现可逆。为此,本发明通过矢量图形压缩的技术将明水印图像进行压缩处理后完整保存在非明水印区域,在明水印图像嵌入和去除的过程中,只需要关注黑色区域覆盖像素值的修改。同时解决了明水印去除时对原始明水印图像依赖的问题。
发明内容
本发明主要针对目前可逆明水印算法中,明水印图像去除和原始宿主图像载体无失真恢复过程对于原始明水印图像依赖性问题,提出利用传统可逆隐藏算法将压缩后的明水印图像数据嵌入非明水印区域,用于辅助可逆明水印处理过程。另外,同时利用基于卷积浮雕和双重单增复合映射方法实现了半透明的立体浮雕明水印效果,使得载体图像和明水印图像的融合更加自然。
本发明提出了一种基于矢量图形压缩的可逆明水印方法和装置,通过将明水印图像进行矢量化处理后得到离散的图形轮廓曲线点集合,然后再经过矢量图形压缩后保存至宿主图像中的非明水印图像区域,用于辅助明水印图像的嵌入和去除,从而减少了可逆明水印处理过程中对于原始明水印图像的依赖性限制,进而解决了明水印图像压缩效率低、载体图像修改失真大以及明水印图像嵌入效果差等问题。
本发明的主要技术方案包括:
一种基于矢量图形压缩的可逆明水印方法,包括以下步骤:
步骤一、将原始明水印图像进行矢量图形压缩处理,获得精简的图形轮廓曲线点集合Г;
步骤二、利用图形轮廓曲线点集合Г重新创建明水印图像,并嵌入至宿主图像文件中;
步骤三、将图形轮廓曲线点集合Г保存至宿主图像中的非明水印图像区域,获得最终的水印图像。
进一步地,上述方法还包括:步骤四、将嵌入水印后的图像文件进行可逆恢复。
一种基于矢量图形压缩的可逆明水印装置,包括:
图形压缩模块,负责将原始明水印图像进行矢量图形压缩处理,获得精简的图形轮廓曲线点集合;
水印嵌入模块,负责利用图形轮廓曲线点集合重新创建明水印图像,并嵌入至宿主图像文件中;
非明水印区域处理模块,负责将图形轮廓曲线点集合保存至宿主图像中的非明水印图像区域,获得最终的水印图像。
进一步地,还包括可逆恢复模块,负责将嵌入水印后的图像文件进行可逆恢复。
与现有技术相比,本发明的有益效果在于:
由于本发明中,将原始的明水印图像进行矢量化处理得到离散的图形轮廓曲线点集合,并通过矢量图形压缩算法将离散点集合进行精简,然后保存至宿主图像中的非明水印图像区域,不仅实现了半盲的可逆明水印图像处理,而且较好地保留明水印图像的关键细节内容,有效地节省明水印图像的压缩数据存储空间,大大减少了载体图像的失真。
由于本发明中,通过对明水印图像进行卷积操作,实现了明水印图像的半透明立体浮雕效果,使得嵌入后的明水印图案与宿主图像的融合效果更加自然,从而增加明水印图像的美观性。
附图说明
图1是尺寸为256×256像素的Logo图形;
图2是对图1所示的Logo图形进行边缘检测后得到离散的图形轮廓点集合Г,数目为1876,共由三条独立闭合曲线组成;
图3为图2中的轮廓曲线经角点检测后获得31个角点;
图4为图2的局部,对于两角点Pj,Pj+1,计算两点之间的内点到由两角点组成的直线段的距离最大值d并得到1个对应的点Q1,对Q1赋予权重值Sig(Q1)=d;
图5在图4的基础上分别对Pj和Q1,Q1和Pj+1进行递归,分别获得Q2和Q3并赋予权重值,继续分别对点对Pj和Q2,Q2和Q1,Q1和Q3,Q3和Pj+1进行递归;
图6为图2中所有内点的归一化权重值曲线;
图7为在图6所示的归一化权重值曲线中寻找角点,阈值点为曲线上距点Q′距离最远的点,归一化阈值h=0.015174;
图8为图2经过最终精简后的图形轮廓示意图;
图9为带alpha通道的RGB浮雕水印图像Lrgbα;
图10为浮雕水印图像Lrgba嵌入宿主图像I获得嵌入后水印图像效果。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面通过具体实施例和附图,对本发明做进一步详细说明。
为了实现在半盲的可逆明水印嵌入和去除,本实施例提供了一种基于矢量图形压缩的可逆明水印方法。整体流程的具体步骤如下:
1.将原始明水印图像进行矢量图形压缩处理后获得精简的图形轮廓曲线点集合Г。
首先,将水印图像进行矢量化处理得到离散的图形轮廓曲线点集合Г′={P1,P2,P3,...,Pn},然后将曲线点集合Г′进行矢量曲线压缩后得到最优逼近后的轮廓曲线Г,其中明水印图像如图1所示,图2为将图1中的水印图像进行矢量化处理后得到原始的离散图形轮廓点集合Г′。
现在最常用的矢量曲线数据压缩算法是Douglas-Peucker算法,大致思路为:首先,将图形轮廓的起始点P1和Pn设置为初始点,计算所有内点Pi(i=2,3,...,n-1)到直线段P1Pn的距离di,选取其中距离最大的点Pk。如果其距离dk小于给定精度限差ε,则去除P1Pn内的全部内点,反之Pk为压缩后的特征点。利用特征点Pk将原曲线分为两段:P1Pk和PkPn。用同样的方法对位于它们之间的曲线上的离散点进行检测,以确定下一批压缩后的特征点。以此方法反复递归进行,直至两端点之间的曲线上的离散点与两端点连线的距离最大值小于给定的精度限差为止。最后在曲线的起始点之间,用一系列的在保留数据采样点之间的线段顺次连接而成的折线取代原有曲线。但是Douglas-Peucker算法有两个明显的缺点:(1)曲线逼近的最优程度完全依赖于预设的精度限差ε,但是对于不同类型的曲线而言,得到最优逼近的精度限差ε值是不同的;(2)没有考虑图形本身的对称性,因此曲线压缩后的图形对称特性不一定能够很好地得到保持。为此,本发明基于改进的Douglas-Peucker算法实现最优精度限差ε值的自适应选取,从而得到最优逼近后的轮廓曲线Г。具体处理过程为:
(1)图形对称性检测
为了精简图形轮廓曲线点集合Г中离散点的数目,对于具有对称或者局部对称性的图形而言,事先判断其对称性以及检测对称轴后,通过保留一半的离散点集和对称轴信息即可构造出整体的图形轮廓。
(2)初始点选择与角点检测
经过图形对称性检测处理后的图形轮廓由若干条闭合的曲线组成,对于每一条闭合曲线,本发明通过现有的ACCS(Adaptive Curvature Scale Space)角点检测算法的方式获得图形轮廓曲线的所有角点,如图3所示。所谓角点一般指图像边缘上曲率的极大值点,同时也是在矢量图形压缩中需要被保留的关键点,这些点可以更好地保留曲线整体轮廓细节。
将所有的角点Pj设置为初始点,j∈{1,...,k},其余点则被为视为内点,则离散的图形轮廓曲线点集合Г被分割为若干个以初始点为端点且首尾相连的子图形轮廓曲线点集。对于以相邻的两个角点Pj和P(j+1)mod k,j∈{1,...,k}为端点组成的子图形轮廓的离散点集,利用现有的基于Freeman链码的直线段检测方法判断该离散的子点集能否拟合为一条直线段。如果可以拟合为直线段,则将角点Pj和P(j+1)mod k之间的所有离散点从Г′中删除,从而减少了曲线轮廓离散点的数目。剩余的不能拟合为一条直线段的子图形轮廓离散点集则被视为曲线段来处理,所有的初始点视为曲线段的端点,端点之间的轮廓点称为内点(contour point)。
(3)非初始点权重值的计算
对每个曲线段的端点Pj,P(j+1)mod k,j∈{1,...,k}使用递归函数求解图形轮廓中各个端点之间的所有内点pi的权重值。如图4和图5所示。
递归函数:
输入:图形轮廓Г中的两角点p,p′。
算法流程:
1)对于图形轮廓中的两点p,p′之间的所有内点,计算它们到由p和p′组成直线段的距离最大值d;
2)如果d=0,则对于p,p′之间的所有内点赋予权重值(significance value)为0,递归过程停止;
如果d≠0,将距离为d的点Q1,...,Qm(m≥1)全部赋予权重值Sig(Qm)=d,并对点对p和Q1,Q1和Q2,...,Qm和p′进行递归操作。
(4)权重值曲线归一化
所有曲线段中内点的归一化权重值曲线是多边形近似误差的结果图,该曲线定义为所有内点中控制点(dominant points)数量的函数,如图6所示。这条曲线是严格递减的,并且具有非常明显或陡峭的斜率。在开始时,误差减小是显著的;但后来,当图形轮廓的小细节被近似逼近时,误差逐渐减小。其中归一化包括四个步骤:
·将所有内点根据其权重值以降序排序;
·对所有内点的权重值归一化到区间[0,1],归一化公式为:
其中,Nsig(Qn)表示归一化后的点Qn的权重值,Sig(Qn)表示点Qn的权重值,Sigmax表示所有点中最大的权重值。
·内点的数量归一化到区间[0,1],归一化公式为:
其中,n为排序后的轮廓点序数,N为内点的总数。
·绘制归一化的权重曲线。
(5)选取归一化权重值曲线的阈值
上述步骤(4)的目的是定位归一化权重值曲线的阈值点P,并利用阈值点P的纵坐标y作为阈值h来对轮廓点的归一化权重值曲线进行阈值化处理。阈值点是在横坐标轴的间隔[Left extreme point,Right extreme point]定义的区间内进行搜索,其中Leftextreme point是归一化权重值曲线上取值为1.0的点中横坐标中最大的点,Rightextreme point是归一化权重值曲线上取值为0.0的点中横坐标中最小的点。阈值点的具体搜索方法如下:
·在归一化权重值曲线上寻找纵坐标(即归一化显著性值)为0且横坐标最小的点,记为Q′(x0,0),并记点Q(x0,1);
·在x∈[0,x0]的搜索区域内寻找距离点Q最远的阈值点P(x,y);
P的纵坐标y即为归一化权重值的阈值h。如图7所示。
(6)归一化权重值的阈值处理
为了获得所有的控制点(Dominant point),需要采用阈值化方法对内点的归一化权重进行处理。如果Nsig(P)代表P点的归一化后的权重值,h代表阈值大小,归一化后的权重值大于阈值h的内点则为曲线控制点:
即对于每一个内点,有:
至此,图形轮廓点保留了所有的角点和角点之间曲线段内权重值大于阈值的内点作为图形轮廓的控制点,如图8所示。
2.利用图形轮廓曲线点集合Г重新创建明水印图像,并嵌入至宿主图像文件中。
本发明提出了一种基于卷积浮雕和双重单增复合映射的可逆明水印算法,具体过程为:
(1)卷积浮雕操作
首先,对明水印图像L进行图像卷积操作后获得L′,即:
其中卷积核C构造如下:
l′(i,j)={0,±0.5,±1}。因此,可利用L和L′构造带alpha通道的RGB图像Lrgbα,Lrgbα中的每一个像素Irgbα(i,j)=(r,g,b,α),其中i=1,2,...,W,j=1,2,...H,按照如下方法构造:
如果l′(i,j)=-1,则lrgbα(i,j)=(0,0,0,255);
如果l′(i,j)=-0.5,则lrgbα(i,j)=(64,64,64,255);
如果l′(i,j)=0.5,则lrgbα(i,j)=(192,192,192,255);
如果l′(i,j)=1,则lrgbα(i,j)=(255,255,255,255);
如果l′(i,j)=0且l(i,j)=0则lrgbα(i,j)=(255,255,255,alp);
如果l′(i,j)=0且l(i,j)=1则lrgbα(i,j)=(0,0,0,0).
其中l′(i,j)∈L′,l(i,j)∈L,i=1,2,...,W,j=1,2,...H,alp=64。W表示明水印图像的宽度,H表示明水印图像的高度,alp表示阿尔法通道(Alpha Channel)的透明度,r表示RGB图像的R分量,g表示RGB图像的G分量,b表示RGB图像的B分量,α表示阿尔法通道。
进行上述构造过程后,可以得到如图9所示的立体浮雕水印图像效果。
(2)基于双重单增复合映射的明水印嵌入
本发明使用中的基于双重单增复合映射方法将浮雕水印图像Lrgbα嵌入到宿主图像I中。该方法首先构造一个可逆映射p′=Fa(p),其中a,p∈[0,255]之间的正整数,该映射构造方式如下:
i.设p′的初值为0;
ii.创建一个集合S,其初始元素为{0,1,2,...,255};
iii.在S中寻找一个元素r,使得|a-r|最小,并选择最小的r;
iv.如果r≠p,则p′=p′+1,将r从S中移除,并重复iii中操作;否则,p′即为所求。
i.创建一个集合S,其初始元素为{0,1,2,...,255};
ii.在S寻中找一个元素p,使得|a-p|最小,并选择最小的p;
iii.如果p′>0,将p从S中移除,p′=p′-1,并重复ii中操作;否则,p即为所求。
该映射满足可逆:
使用该映射将带alpha通道的RGB浮雕水印图像Lrgbα嵌入宿主图像I。设I′∈I为宿主图像中明水印嵌入区域,则对于图像Lrgba的每一个非透明像素lrgbα(i,j)(其中i=1,2,...,W,j=1,2,...H)和相应位置处的宿主图像的像素i′(i,j)∈I′,依照如下方法进行处理:
i.a为i′(i,j)的四邻中像素点的估计值,a为[0,255]之间的整数;
ii.b=lrgbα(i,j)×α+a×(255-α),即b为lrgba(i,j)与i′(i,j)的估计值进行alpha融合后的像素值。
至此,获得嵌入明水印后图像I″,明水印嵌入结果如图10所示。
3.将图形轮廓曲线点集合Г保存至宿主图像中的非明水印图像区域获得最终的水印图像。
为了实现半盲地可逆明水印算法,需要将经过矢量压缩后的图形轮廓点集合Г数据信息、明水印区域的起始位置、明水印区域大小、卷积核C以及水印强度参数alp等辅助信息,利用传统的可逆信息隐藏方法保存至嵌入水印后图像I″的非明水印区域,从而获得水印图像I″′,至此水印嵌入过程全部完成。
4.将嵌入水印后的图像文件进行可逆恢复。
由式(7)和(8)可知,水印嵌入使用的映射是可逆的,因此可以使用类似过程完成水印的去除。记恢复后的水印嵌入区域图像为I′recover,其中的每一个像素为i′recover(i,j)(其中i=1,2,...,Wj=1,2,...H)对于W中水印嵌入区域Q中的每一个像素q(i,j)∈Q的每一个颜色通道(r,g,b),依照如下方法去除水印图像:
i.设I′recover的初始值为I′recover=Q;
ii.a为i′recover(i,j)的四邻域(也可以使用八邻域,与水印嵌入时相同)中已被去除水印或未被嵌入水印的点的像素值的均值,a的取值范围为0-255之间的整数;
iii.b=lrgba(i,j)×α+a×(255-α),其中α为lrgba(i,j)中alpha通道的值,即b为lrgba(i,j)与i′(i,j)的估计值进行alpha融合后的像素值。
v.将I′recover与W中非水印嵌入区域拼接,获得恢复的宿主图像Irecover.
由式(7)和式(8)的可逆性可知,只要保证水印移除与水印嵌入的顺序相同,即可保证每一个像素的在嵌入和移除中的参数a,b相同,从而实现明水印的去除。
基于同一发明构思,本发明的另一个实施例提供一种基于矢量图形压缩的可逆明水印装置,包括:
图形压缩模块,负责将原始明水印图像进行矢量图形压缩处理,获得精简的图形轮廓曲线点集合;
水印嵌入模块,负责利用图形轮廓曲线点集合重新创建明水印图像,并嵌入至宿主图像文件中;
非明水印区域处理模块,负责将图形轮廓曲线点集合保存至宿主图像中的非明水印图像区域,获得最终的水印图像;
可逆恢复模块,负责将嵌入水印后的图像文件进行可逆恢复。
基于同一发明构思,本发明的另一个实施例提供一种计算机/服务器,其包括存储器和处理器,所述存储器存储计算机程序,所述计算机程序被配置为由所述处理器执行,所述计算机程序包括用于执行本发明方法中各步骤的指令。
基于同一发明构思,本发明的另一个实施例提供一种计算机可读存储介质(如ROM/RAM、磁盘、光盘),所述计算机可读存储介质存储计算机程序,所述计算机程序被计算机执行时,实现本发明方法的各个步骤。
本发明未详细阐述的部分属于本领域技术人员的公知技术。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明的原理和范围,本发明的保护范围应以权利要求书所述为准。
Claims (9)
1.一种基于矢量图形压缩的可逆明水印方法,其特征在于,包括以下步骤:
1)将原始明水印图像进行矢量图形压缩处理,获得精简的图形轮廓曲线点集合;
2)利用图形轮廓曲线点集合重新创建明水印图像,并嵌入至宿主图像文件中;
3)将图形轮廓曲线点集合保存至宿主图像中的非明水印图像区域,获得最终的水印图像;
其中,步骤1)包括:
1.1)将水印图像进行矢量化处理得到离散的图形轮廓曲线点集合Γ′;
1.2)将图形轮廓曲线点集合Γ′进行矢量曲线压缩后得到最优逼近后的轮廓曲线Γ;
1.3)将轮廓曲线Γ上的离散点的坐标集合信息保存在载体图像中的非明水印图像区域;
其中,基于改进的Douglas-Peucker算法得到最优逼近后的轮廓曲线Γ,所述改进的Douglas-Peucker算法包括:
a)进行图形对称性检测;
b)对于图形对称性检测后的图形轮廓的每一条闭合曲线,进行初始点选择与角点检测;
c)计算非初始点的权重值;
d)通过归一化操作,得到所有内点的归一化权重值曲线;
e)选取归一化权重值曲线的阈值;
f)采用阈值化方法对内点的归一化权重进行处理,将角点之间曲线段内权重值大于阈值的内点作为图形轮廓的控制点;
g)所有的角点和控制点构成图形轮廓点,图形轮廓点和其间的连线构成最优逼近后的轮廓曲线Γ;
其中,步骤2)采用基于卷积浮雕和双重单增复合映射的可逆明水印算法创建明水印图像并嵌入至宿主图像文件中,包括以下步骤:
2.1)对明水印图像进行卷积浮雕操作,得到立体浮雕水印图像;
2.2)构造可逆的双重单增复合映射,使用该映射将立体浮雕水印图像嵌入宿主图像。
2.根据权利要求1所述的方法,其特征在于,步骤b)包括:
通过角点检测算法的方式获得图形轮廓曲线的所有角点,将所有的角点Pj设置为初始点,j∈{1,…,k},其余点则被为视为内点;
对于以相邻的两个角点Pj和P(j+1)modk,j∈{1,…,k}为端点组成的子图形轮廓的离散点集,利用直线段检测方法判断该离散点集能否拟合为一条直线段;如果可以拟合为直线段,则将角点Pj和P(j+1)modk之间的所有离散点从Γ′中删除;剩余的不能拟合为一条直线段的子图形轮廓离散点集则被视为曲线段来处理,所有的初始点视为曲线段的端点,端点之间的轮廓点称为内点。
3.根据权利要求2所述的方法,其特征在于,步骤c)对每个曲线段的端点Pj,P(j+1)modk,j∈{1,…,k},使用递归函数求解图形轮廓中各个端点之间的所有内点pi的权重值,包括以下步骤:
对于图形轮廓中的两点p,p′之间的所有内点,计算它们到由p和p′组成直线段的距离最大值d;
如果d=0,则对于p,p′之间的所有内点赋予权重值为0,递归过程停止;
如果d≠0,将距离为d的点Q1,…,Qm全部赋予权重值Sig(Qm)=d,并对点对p和Q1,Q1和Q2,...,Qm和p′进行递归操作。
4.根据权利要求1所述的方法,其特征在于,步骤e)中,阈值点是在横坐标轴的间隔[Left extreme point,Right extreme point]定义的区间内进行搜索,其中Left extremepoint是归一化权重值曲线上取值为1.0的点中横坐标中最大的点,Right extreme point是归一化权重值曲线上取值为0.0的点中横坐标中最小的点;阈值点的搜索步骤包括:
在归一化权重值曲线上寻找纵坐标(即归一化显著性值)为0且横坐标最小的点,记为Q′(x0,0),并记点Q(x0,1);
在x∈[0,x0]的搜索区域内寻找距离点Q最远的阈值点P(x,y);
5.根据权利要求1所述的方法,其特征在于,步骤3)将经过矢量压缩后的图形轮廓点集合、明水印区域的起始位置、明水印区域大小、卷积核以及水印强度参数,利用可逆信息隐藏方法保存至嵌入水印后图像的非明水印区域,从而获得水印图像,从而完成水印嵌入过程。
6.根据权利要求1~5中任一权利要求所述的方法,其特征在于,将嵌入水印后的图像文件进行可逆恢复。
7.一种采用权利要求1~6中任一权利要求所述方法的基于矢量图形压缩的可逆明水印装置,其特征在于,包括:
图形压缩模块,负责将原始明水印图像进行矢量图形压缩处理,获得精简的图形轮廓曲线点集合;
水印嵌入模块,负责利用图形轮廓曲线点集合重新创建明水印图像,并嵌入至宿主图像文件中;
非明水印区域处理模块,负责将图形轮廓曲线点集合保存至宿主图像中的非明水印图像区域,获得最终的水印图像;
其中,所述图形压缩模块执行以下操作:
1.1)将水印图像进行矢量化处理得到离散的图形轮廓曲线点集合Γ′;
1.2)将图形轮廓曲线点集合Γ′进行矢量曲线压缩后得到最优逼近后的轮廓曲线Γ;
1.3)将轮廓曲线Γ上的离散点的坐标集合信息保存在载体图像中的非明水印图像区域;
其中,基于改进的Douglas-Peucker算法得到最优逼近后的轮廓曲线Γ,所述改进的Douglas-Peucker算法包括:
a)进行图形对称性检测;
b)对于图形对称性检测后的图形轮廓的每一条闭合曲线,进行初始点选择与角点检测;
c)计算非初始点的权重值;
d)通过归一化操作,得到所有内点的归一化权重值曲线;
e)选取归一化权重值曲线的阈值;
f)采用阈值化方法对内点的归一化权重进行处理,将角点之间曲线段内权重值大于阈值的内点作为图形轮廓的控制点;
g)所有的角点和控制点构成图形轮廓点,图形轮廓点和其间的连线构成最优逼近后的轮廓曲线Γ;
其中,所述水印嵌入模块采用基于卷积浮雕和双重单增复合映射的可逆明水印算法创建明水印图像并嵌入至宿主图像文件中,包括以下步骤:
2.1)对明水印图像进行卷积浮雕操作,得到立体浮雕水印图像;
2.2)构造可逆的双重单增复合映射,使用该映射将立体浮雕水印图像嵌入宿主图像。
8.根据权利要求7所述的装置,其特征在于,还包括可逆恢复模块,负责将嵌入水印后的图像文件进行可逆恢复。
9.一种计算机,其特征在于,包括存储器和处理器,所述存储器存储计算机程序,所述计算机程序被配置为由所述处理器执行,所述计算机程序包括用于执行权利要求1~6中任一权利要求所述方法中各步骤的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910917780.9A CN110796582B (zh) | 2019-09-26 | 2019-09-26 | 一种基于矢量图形压缩的可逆明水印方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910917780.9A CN110796582B (zh) | 2019-09-26 | 2019-09-26 | 一种基于矢量图形压缩的可逆明水印方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110796582A CN110796582A (zh) | 2020-02-14 |
CN110796582B true CN110796582B (zh) | 2021-11-16 |
Family
ID=69439872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910917780.9A Active CN110796582B (zh) | 2019-09-26 | 2019-09-26 | 一种基于矢量图形压缩的可逆明水印方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796582B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111510776A (zh) * | 2020-05-11 | 2020-08-07 | 知安视娱(南京)科技有限公司 | 水印标识插入与提取的方法及系统 |
CN112579993B (zh) * | 2020-12-22 | 2023-05-23 | 浙江财经大学 | 一种基于水印底纹的抗屏摄攻击的溯源取证系统及方法 |
CN113205445B (zh) * | 2021-04-16 | 2023-10-17 | 北京大学 | 一种基于数据压缩的可逆明水印方法和装置 |
CN113688108A (zh) * | 2021-07-16 | 2021-11-23 | 深圳智慧林网络科技有限公司 | 数据处理方法及相关设备 |
CN117834788A (zh) * | 2024-03-06 | 2024-04-05 | 北京国隐科技有限公司 | 一种信息处理方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101472161A (zh) * | 2007-12-27 | 2009-07-01 | 华为技术有限公司 | 一种嵌入、移除水印的方法、装置和系统 |
EP2154649A1 (en) * | 2008-08-14 | 2010-02-17 | Université Catholique de Louvain | An adaptive watermarking system and method |
CN101833746A (zh) * | 2010-04-23 | 2010-09-15 | 北京大学 | 一种数字图像中可逆水印的嵌入方法及其提取方法 |
WO2010089383A3 (en) * | 2009-02-06 | 2010-10-07 | Thomson Licensing | Method for fingerprint-based video registration |
CN108416724A (zh) * | 2018-02-11 | 2018-08-17 | 广东工业大学 | 一种基于多预测器的可逆信息隐藏方法 |
CN109711418A (zh) * | 2019-01-29 | 2019-05-03 | 浙江大学 | 一种针对物体平面图像的轮廓角点检测方法 |
-
2019
- 2019-09-26 CN CN201910917780.9A patent/CN110796582B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101472161A (zh) * | 2007-12-27 | 2009-07-01 | 华为技术有限公司 | 一种嵌入、移除水印的方法、装置和系统 |
EP2154649A1 (en) * | 2008-08-14 | 2010-02-17 | Université Catholique de Louvain | An adaptive watermarking system and method |
WO2010089383A3 (en) * | 2009-02-06 | 2010-10-07 | Thomson Licensing | Method for fingerprint-based video registration |
CN101833746A (zh) * | 2010-04-23 | 2010-09-15 | 北京大学 | 一种数字图像中可逆水印的嵌入方法及其提取方法 |
CN108416724A (zh) * | 2018-02-11 | 2018-08-17 | 广东工业大学 | 一种基于多预测器的可逆信息隐藏方法 |
CN109711418A (zh) * | 2019-01-29 | 2019-05-03 | 浙江大学 | 一种针对物体平面图像的轮廓角点检测方法 |
Non-Patent Citations (5)
Title |
---|
一种基于人类视觉系统_HVS_的数字水印;张彤等;《电脑知识与技术》;20090930;第7480-7482页 * |
图像浮雕算法及其在防伪印刷中的应用;国伟等;《中国印刷与包装研究》;20111231;第24-29页 * |
基于Hash矢量优化的数字水印算法研究;丁家琳;《中国优秀硕士学位论文全文数据库(电子期刊)》;20170215;第I130-140页 * |
基于视觉特征的数字矢量图形水印算法研究;郑玉婷;《中国优秀硕士学位论文全文数据库(电子期刊)》;20100515;第I138-17页 * |
结合均值调整整数变换的迭代自适应可逆图像水印算法;陈文鑫等;《计算机应用》;20150710;第1908-1914页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110796582A (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796582B (zh) | 一种基于矢量图形压缩的可逆明水印方法和装置 | |
CN111028308B (zh) | 一种图像中信息的隐写及读取方法 | |
Hatoum et al. | Using deep learning for image watermarking attack | |
CN111340047B (zh) | 基于多尺度特征与前背景对比的图像语义分割方法及系统 | |
CN106204503B (zh) | 基于改进置信度更新函数及匹配准则的图像修复算法 | |
CN111292265A (zh) | 一种基于生成式对抗神经网络的图像修复方法 | |
CN112184585B (zh) | 一种基于语义边缘融合的图像补全方法及系统 | |
CN111223034A (zh) | 基于深度学习的大容量抗打印/拍摄盲水印系统及方法 | |
CN107808140B (zh) | 一种基于图像融合的单目视觉道路识别算法 | |
CN104680473A (zh) | 基于机器学习的彩色图像水印嵌入及检测方法 | |
Xiao et al. | Single image dehazing based on learning of haze layers | |
CN115345866B (zh) | 一种遥感影像中建筑物提取方法、电子设备及存储介质 | |
CN101866478A (zh) | 一种数字图像中的水印嵌入和提取方法 | |
CN112700363A (zh) | 一种基于区域选择的自适应可视水印嵌入方法和装置 | |
Wu et al. | Reversible watermarking of 3D mesh models by prediction-error expansion | |
Liang et al. | Depth map guided triplet network for deepfake face detection | |
CN111798359A (zh) | 一种基于深度学习的图像去水印方法 | |
Ntahobari et al. | Protecting Data by Improving Quality of Stego Image based on Enhanced Reduced difference Expansion. | |
CN114662061B (zh) | 基于改进注意力和损失函数的解码编码网络隐写术方法 | |
CN114399419B (zh) | 基于预测误差扩展的可逆图像水印算法 | |
CN107292803B (zh) | 一种符合人眼观察规律的可逆鲁棒数字图像水印方法 | |
CN115115860A (zh) | 一种基于深度学习的图像特征点检测匹配网络 | |
CN114331894A (zh) | 一种基于潜在特征重构和掩模感知的人脸图像修复方法 | |
CN114972937A (zh) | 一种基于深度学习的特征点检测与描述子生成方法 | |
Aberna et al. | Optimal Semi-Fragile Watermarking based on Maximum Entropy Random Walk and Swin Transformer for Tamper Localization |
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 |