CN111210380A - 基于深度学习分片式图像数字水印嵌入及解密方法及系统 - Google Patents
基于深度学习分片式图像数字水印嵌入及解密方法及系统 Download PDFInfo
- Publication number
- CN111210380A CN111210380A CN202010309293.7A CN202010309293A CN111210380A CN 111210380 A CN111210380 A CN 111210380A CN 202010309293 A CN202010309293 A CN 202010309293A CN 111210380 A CN111210380 A CN 111210380A
- Authority
- CN
- China
- Prior art keywords
- image
- digital watermark
- training
- encrypted
- decrypting
- 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.)
- Granted
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于深度学习分片式图像数字水印嵌入及解密方法及系统,该方法包括数字水印生成和数字水印解密两部分;数字水印生成是将原始图像均分为9等份,逐份输入到生成器和将要加密的信息共同生成由9等份小图像组成加密后的新图像,新图像大小为原始图像的二倍,但结构没有变化;数字水印解密是指将加密后的新图像再次均分为9等份,逐份解密加密信息,主要解决以往数字水印不能抗涂鸦、翻拍、裁剪和拉伸变换的问题,极大增强数字水印的稳定性,生成的数字水印难以被发现、破坏和篡改。能够嵌入更多的信息,为图像数字版权提供强大的技术保护支撑。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于深度学习分片式图像数字水印嵌入及解密方法。
背景技术
数字水印是将一些标识信息(即数字水印)直接嵌入数字载体当中或是间接表示,且不影响原载体的使用价值,也不容易被探知和再次修改。但可以被生产方识别和辨认。通过这些隐藏在载体中的信息,可以达到确认内容创建者、购买者、传送隐秘信息或者判断载体是否被篡改等目的。图像数字水印要解决的就是图片加密的问题。现有的技术有基于传统图像算法小波变换进行的加密,这种方法能够嵌入的信息少(一般为8bit),鲁棒性差,图像稍微改动,水印就信息就会被破坏。有基于普通GAN做的嵌入,但鲁棒性也不高,不能应对裁剪、涂鸦、翻拍等场景,一旦出现这些情况,原始水印将会被破坏,原鉴别器不能鉴别出出水印。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于深度学习分片式图像数字水印嵌入及解密方法,主要解决以往数字水印不能抗涂鸦、翻拍、裁剪和拉伸变换的的问题,极大增强数字水印的稳定性,生成的数字水印难以被发现、破坏和篡改。能够嵌入更多的信息(16bit),为图像数字版权提供强大的技术保护支撑。
本发明的目的是通过以下技术方案来实现的:
一种基于深度学习分片式图像数字水印嵌入及解密方法,该方法包括数字水印生成和数字水印解密两部分;
所述数字水印生成是将原始图像均分为9等份,逐份输入到生成器和将要加密的信息共同生成由9等份小图像组成加密后的新图像,新图像分辨率大小为原始图像的二倍,但色彩构成、纹理细节和亮度没有变化;
所述数字水印解密是指将加密后的新图像再次均分为9等份,逐份解密加密信息。
进一步的,所述数字水印解密中包括两种情况,当加密后的图像相对于原始图像没有拉伸、剪裁、翻盘的时候使用原始解密器解密,当原始解密器无法解密时则使用增强解密器解密。
进一步的,所述数字水印生成的具体步骤为:
S00:首先训练一个生成模块的生成模型,生成模型结构由生成对抗网络GAN,和一个辅助训练神经网络VGG构成,GAN主要由生成器和判别器两部分,VGG为ImageNet数据训练的深度特征提取模型;
S01:将单张原始图像均分成9等份,每等份输入生成模块,经过上采样层,图大小变为输入图像的2倍;
S02:将上采样的结构和随机生成的16位编码器共同输入第一个基础结构,基础结构为一种人工神经网络结构ResNet构成;
S03:经过多个基础结构(ResNet),再经过编码器还原成RGB图像,新生成的图像大小为原始图像的2倍,生成结构的输出损失为值记为L_G;
S04:将生成的图像和原始图像输入判别器,将判别器的输出结果做交差熵记为L_D
S05:将生成的图像和和原始图像分别输入特征提取器VGG结构,将输出的特征结果做平方差,得到的结果记为L_F;
S06:将L_G、L_D、L_F进行求和,和值作为回传梯度,反馈给生成器和判定器,生成器和判定器获得梯度值后,更新权重,更新权重后为新的生成结构;
S07:将新生成的图片输入原始解码器,以随机生成的编码作为标签,用L1 loss(目标变量和预测变量之间绝对差值之和,L1=|f(x)-Y|)作为其损失函数;
S08:重复S01-S07,直到新生成得图像与原图结构上无明显差异,L_G和L_D的损失值都比较小(低于0.1)的时候,停止训练。
进一步的,所述数字水印解密的具体步骤为:
S09:将训练图像进行加密操作,加密后,将每一张均分成9等份经过随机变换,将变换后的图片与加密信息一一对应,构成新的数据集,记为增强型数据集;
S10:将增强性数据集作为训练集,训练增强解密器;
S11:增强后的数据以RGB的形式输入增强解码器,增强解密器的损失函数为L1 loss,循环训练,直到ACC(accuracy,准确率:预测值相对于标签的准确率)大于等于0.95为止;
S12:将任意加密后的图像输入解密器,解密器输出既为水印信息。
进一步的,所述将要加密的信息是由数字编码器生产的数字编码。
一种基于深度学习分片式图像数字水印嵌入及解密系统,该系统包括数字水印生成模块和数字水印解密模块;
所述数字水印生成模块由一个CNN基础结构加编码结构构成,所述编码结构用于生成加密信息,所述CNN基础结构用于实现生成模型训练,其包括GAN和一个辅助训练神经网络VGG,GAN主要由生成器和判别器两部分,VGG为ImageNet数据训练的深度特征提取模型;
所述数字水印解密模块包括原始解密器和增强解密器,原始解密器用于图像没有拉伸、裁剪、翻拍的时候解密,增强解密器用于原始解密器不能解出加密信息的时候。
进一步的,所述将训练图像进行加密操作,加密后,将每一张均分成9等份经过随机变换,将变换后的图片与加密信息一一对应,构成新的数据集,记为增强型数据集,将增强性数据集作为训练集,训练所述增强解密器。
进一步的,所述增强型数据集以RGB的形式输入增强解码器,增强解密器的损失函数为L1 loss。循环训练,直到准确率ACC(actually)大于等于0.95为止。
本发明的有益效果是:现有的技术有基于传统图像算法小波变换进行的加密,这种方法能够嵌入的信息少(一般为8bit),鲁棒性差,图像稍微改动,水印就信息就会被破坏。有基于普通GAN做的嵌入,但鲁棒性也不高,不能应对裁剪、涂鸦、翻拍等场景,一旦出现这些情况,原始水印将会被破坏,原鉴别器不能鉴别出出水印。通过用原始解密器训练的增强解密器,可以解决以往数字水印不能抗涂鸦、翻拍、裁剪和拉伸变换的的问题,极大增强数字水印的稳定性,生成的数字水印难以被发现、破坏和篡改。为了保持加密后得图像与原图质量和结构无明显变化,引入了特征提取辅助网络,让训练更加得稳定。能够嵌入的信息更多,为图像数字版权提供强大的技术保护支撑。
附图说明
图1为本发明顶层设计示意图;
图2为加密生成器和原始解密器训练示意图;
图3为增强解密器训练示意图。
具体实施方式
下面结合具体实施例进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
一种基于深度学习分片式图像数字水印嵌入及解密方法,该方法包括数字水印生成和数字水印解密两部分;
数字水印生成是将原始图像均分为9等份,逐份输入到生成器和将要加密的信息共同生成由9等份小图像组成加密后的新图像,新图像分辨率大小为原始图像的二倍,但结构没有变化;结构是指图像的色彩构成、纹理细节和亮度。
数字水印解密是指将加密后的新图像再次均分为9等份,逐份解密加密信息。
如图1所示,将原始图像和加密信息共同输入到数字水印生成模块中得到一个水印图像,然后在数字水印解密模块中进行解密,从而得出解密信息。
作为一种优选实施例,数字水印解密中包括两种情况,当加密后的图像相对于原始图像没有拉伸、剪裁、翻盘的时候使用原始解密器解密,当原始解密器无法解密时则使用增强解密器解密。
作为一种优选实施例,数字水印生成的具体步骤为:
S00:首先训练一个生成模块的生成模型,生成模型结构由生成对抗网络GAN和一个辅助训练神经网络VGG构成,GAN主要由生成器和判别器两部分,VGG为ImageNet数据训练的深度特征提取模型;
S01:将单张原始图像均分成9等份,每等份输入生成模块,经过上采样层,图大小变为输入图像的2倍;
S02:将上采样的结构和随机生成的16位编码器共同输入第一个基础结构,基础结构为一种人工神经网络结构ResNet构成,其具体结构可参考图2所示。
S03:经过多个基础结构ResNet,再经过编码器还原成RGB图像,新生成的图像大小为原始图像的2倍,生成结构的输出损失为值记为L_G;
S04:将生成的图像和原始图像输入判别器,将判别器的输出结果做交差熵记为L_D
S05:将生成的图像和和原始图像分别输入特征提取器VGG结构,将输出的特征结果做平方差,得到的结果记为L_F;
S06:将L_G、L_D、L_F进行求和,和值作为回传梯度,反馈给生成器和判定器,生成器和判定器获得梯度值后,更新权重,更新权重后为新的生成结构;
S07:将新生成的图片输入原始解码器,以随机生成的编码作为标签,用L1 loss(目标变量和预测变量之间绝对差值之和,L1=|f(x)-Y|)作为其损失函数;
S08:重复S01-S07,直到新生成得图像与原图结构上无明显差异,L_G和L_D的损失值都比较小(低于0.1)的时候,停止训练。
如图3所示,作为一种优选实施例,数字水印解密的具体步骤为:
S09:将训练图像进行加密操作,加密后,将每一张均分成9等份经过随机变换,将变换后的图片与加密信息一一对应,构成新的数据集,记为增强型数据集;
S10:将增强性数据集作为训练集,训练增强解密器;
S11:增强后的数据以RGB的形式输入增强解码器,增强解密器的损失函数为L1 loss,循环训练,直到准确率ACC(actually)大于等于0.95为止;
S12:将任意加密后的图像输入解密器,解密器输出既为水印信息。
作为一种优选实施例,将要加密的信息是由数字编码器生产的数字编码。
一种基于深度学习分片式图像数字水印嵌入及解密系统,该系统包括数字水印生成模块和数字水印解密模块;
数字水印生成模块由一个CNN基础结构加编码结构构成,编码结构用于生成加密信息,CNN基础结构用于实现生成模型训练,其包括GAN和一个辅助训练神经网络VGG,GAN主要由生成器和判别器两部分,VGG为ImageNet数据训练的深度特征提取模型;
数字水印解密模块包括原始解密器和增强解密器,原始解密器用于图像没有拉伸、裁剪、翻拍的时候解密,增强解密器用于原始解密器不能解出加密信息的时候。
数字水印生成模块:数字水印生成模块由一个CNN基础结构加编码结构构成。将原始图像均分为9等份,逐份输入生成器和将要加密的信息(16bit数字编码)共同成新的图像,9等份小图片拼接成一幅图像,图像大小为原始图像的二倍,但结构没有变化。
数字水印解密模块:数字水印解密模块由2个解密器(原始解密器和增强解密器)组成,两个解密器基础结构一致,由CNN模块和编码模块组成。将加密的的图像均分为9等份,逐份解密出水印信息。原始解密器主要是应对图像没有拉伸、裁剪、翻拍的时候解密。增强解码器用于原始解密器不能解出加密信息的时候。
作为一种优选实施例,将训练图像进行加密操作,加密后,将每一张均分成9等份经过随机变换,将变换后的图片与加密信息一一对应,构成新的数据集,记为增强型数据集,将增强性数据集作为训练集,训练增强解密器。
作为一种优选实施例,增强型数据集以RGB的形式输入增强解码器,增强解密器的损失函数为L1 loss。循环训练,直到准确率准确率ACC(actually)大于等于0.95为止,即预测值正确的比例大于等于0.95。
实例演示:
首先训练一个生成模块的生成模型,训练步骤及构成结构如下:
生成模型结构主要由GAN和一个辅助训练神经网络VGG构成,GAN主要由生成器和判别器2部分。VGG为ImageNet数据训练的深度特征提取模型。
100.将单张图像均分成9等份,每等份输入生成模块,经过上采用层,图大小变为输入图像的2倍。
101.将上采样的结构和随机生成的16位编码器共同输入第一个基础结构。
102.经过多个基础结构,再经过编码器还原成RGB图像,新生成的图像大小为原始图像的2倍,生成结构的输出损失为值记为L_G。
103.将生成的图像和原始图像输入判别器,将判别器的输出结果做交差熵记为L_D。
104.将生成的图像和和原始图像分别输入特征提取器VGG结构,将输出的特征结果做平方差,得到的结果记为L_F。
105.将L_G、L_D、L_F进行求和,和值作为回传梯度,反馈给生成器和判定器。生成器和判定器获得梯度值后,更新权重,更新权重后为新的生成结构。
106.将新生成的图片输入原始解码器,以随机生成的编码作为标签(lable),用L1loss作为其损失函数。
107.重复101-107,直到新生成得图像与原图结构上无明显差异,L_G和L_D的损失值都比较小的时候,停止训练。
108.将训练图像进行加密操作,加密后,将每一张均分成9等份经过随机变换(随机拉伸,随机裁剪,随机涂鸦、随机翻拍等操作),将变换后的图片与加密信息一一对应,构成新的数据集,记为增强型数据集。
109.将增强性数据集作为训练集,训练增强解密器。
110.增强后的数据以RGB的形式输入增强解码器,增强解密器的损失函数为L1loss。循环训练,直到准确率ACC(actually)大于等于0.95为止。
111.将任意加密后的图像输入解密器,解密器输出既为水印信息。
以上仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (8)
1.一种基于深度学习分片式图像数字水印嵌入及解密方法,其特征在于,该方法包括数字水印生成和数字水印解密两部分;
所述数字水印生成是将原始图像均分为9等份,逐份输入到生成器和将要加密的信息共同生成由9等份小图像组成加密后的新图像,新图像分辨率大小为原始图像的二倍,但结构没有变化;
所述数字水印解密是指将加密后的新图像再次均分为9等份,逐份解密加密信息。
2.根据权利要求1所述的基于深度学习分片式图像数字水印嵌入及解密方法,其特征在于,所述数字水印解密中包括两种情况,当加密后的图像相对于原始图像没有拉伸、剪裁、翻盘的时候使用原始解密器解密,当原始解密器无法解密时则使用增强解密器解密。
3.根据权利要求2所述的基于深度学习分片式图像数字水印嵌入及解密方法,其特征在于,所述数字水印生成的具体步骤为:
S00:首先训练一个生成模块的生成模型,生成模型结构由GAN和一个辅助训练神经网络VGG构成,GAN主要由生成器和判别器两部分,VGG为ImageNet数据训练的深度特征提取模型;
S01:将单张原始图像均分成9等份,每等份输入生成模块,经过上采样层,图大小变为输入图像的2倍;
S02:将上采样的结构和随机生成的16位编码器共同输入第一个基础结构,基础结构为ResNet结构构成;
S03:经过多个基础结构,再经过编码器还原成RGB图像,新生成的图像大小为原始图像的2倍,生成结构的输出损失为值记为L_G;
S04:将生成的图像和原始图像输入判别器,将判别器的输出结果做交差熵记为L_D
S05:将生成的图像和和原始图像分别输入特征提取器VGG结构,将输出的特征结果做平方差,得到的结果记为L_F;
S06:将L_G、L_D、L_F进行求和,和值作为回传梯度,反馈给生成器和判定器,生成器和判定器获得梯度值后,更新权重,更新权重后为新的生成结构;
S07:将新生成的图片输入原始解码器,以随机生成的编码作为标签,用L1 loss作为其损失函数;
S08:重复S01-S07,直到新生成得图像与原图结构上无明显差异,L_G和L_D的损失值都低于0.1时,停止训练。
4.根据权利要求3所述的基于深度学习分片式图像数字水印嵌入及解密方法,其特征在于,所述数字水印解密的具体步骤为:
S09:将训练图像进行加密操作,加密后,将每一张均分成9等份经过随机变换,将变换后的图片与加密信息一一对应,构成新的数据集,记为增强型数据集;
S10:将增强性数据集作为训练集,训练增强解密器;
S11:增强后的数据以RGB的形式输入增强解码器,增强解密器的损失函数为L1 loss,循环训练,直到预测值相对于标签的准确率大于等于0.95为止;
S12:将任意加密后的图像输入解密器,解密器输出既为水印信息。
5.根据权利要求1所述的基于深度学习分片式图像数字水印嵌入及解密方法,其特征在于,所述将要加密的信息是由数字编码器生产的数字编码。
6.一种用于实现权利要求1-5中任一项所述的基于深度学习分片式图像数字水印嵌入及解密系统,其特征在于,该系统包括数字水印生成模块和数字水印解密模块;
所述数字水印生成模块由一个CNN基础结构加编码结构构成,所述编码结构用于生成加密信息,所述CNN基础结构用于实现生成模型训练,其包括GAN和一个辅助训练神经网络VGG,GAN主要由生成器和判别器两部分,VGG为ImageNet数据训练的深度特征提取模型;
所述数字水印解密模块包括原始解密器和增强解密器,原始解密器用于图像没有拉伸、裁剪、翻拍的时候解密,增强解密器用于原始解密器不能解出加密信息的时候。
7.根据权利要求6所述的基于深度学习分片式图像数字水印嵌入及解密系统,其特征在于,所述将训练图像进行加密操作,加密后,将每一张均分成9等份经过随机变换,将变换后的图片与加密信息一一对应,构成新的数据集,记为增强型数据集,将增强性数据集作为训练集,训练所述增强解密器。
8.根据权利要求7所述的基于深度学习分片式图像数字水印嵌入及解密系统,其特征在于,所述增强型数据集以RGB的形式输入增强解码器,增强解密器的损失函数为L1 loss,循环训练,直到准确率ACC大于等于0.95为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010309293.7A CN111210380B (zh) | 2020-04-20 | 2020-04-20 | 基于深度学习分片式图像数字水印嵌入及解密方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010309293.7A CN111210380B (zh) | 2020-04-20 | 2020-04-20 | 基于深度学习分片式图像数字水印嵌入及解密方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111210380A true CN111210380A (zh) | 2020-05-29 |
CN111210380B CN111210380B (zh) | 2020-07-14 |
Family
ID=70789935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010309293.7A Active CN111210380B (zh) | 2020-04-20 | 2020-04-20 | 基于深度学习分片式图像数字水印嵌入及解密方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111210380B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488900A (zh) * | 2020-11-30 | 2021-03-12 | 福建省亿鑫海信息科技有限公司 | 一种深度学习训练图片加密解密方法 |
CN113379585A (zh) * | 2021-06-23 | 2021-09-10 | 景德镇陶瓷大学 | 无边框定位的陶瓷水印模型训练方法和嵌密方法 |
CN113689318A (zh) * | 2021-07-30 | 2021-11-23 | 南京信息工程大学 | 一种用于图像认证与对抗样本防御的深度半脆弱水印方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673390A (zh) * | 2009-09-17 | 2010-03-17 | 上海交通大学 | 基于hsb和lsb的可恢复的半脆弱水印方法 |
CN109993678A (zh) * | 2019-03-26 | 2019-07-09 | 南京联创北斗技术应用研究院有限公司 | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 |
US20190287204A1 (en) * | 2018-03-15 | 2019-09-19 | Tata Consultancy Services Limited | Neural network based insertion of watermark into images and tampering detection thereof |
CN110766598A (zh) * | 2019-10-29 | 2020-02-07 | 厦门大学嘉庚学院 | 基于卷积神经网络的智能模型水印嵌入和提取方法及系统 |
-
2020
- 2020-04-20 CN CN202010309293.7A patent/CN111210380B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673390A (zh) * | 2009-09-17 | 2010-03-17 | 上海交通大学 | 基于hsb和lsb的可恢复的半脆弱水印方法 |
US20190287204A1 (en) * | 2018-03-15 | 2019-09-19 | Tata Consultancy Services Limited | Neural network based insertion of watermark into images and tampering detection thereof |
CN109993678A (zh) * | 2019-03-26 | 2019-07-09 | 南京联创北斗技术应用研究院有限公司 | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 |
CN110766598A (zh) * | 2019-10-29 | 2020-02-07 | 厦门大学嘉庚学院 | 基于卷积神经网络的智能模型水印嵌入和提取方法及系统 |
Non-Patent Citations (4)
Title |
---|
SANGHYUN HONG 等: "Fatty and Skinny: A Joint Training Method of Watermark Encoder and Decoder", 《OPENREVIEW.NET》 * |
WILSONSONG1024: "基于DCT变换(变换域)实现信息隐藏(数字水印)原理详解及matlab实现", 《HTTPS://BLOG.CSDN.NET/WILSONSONG1024/ARTICLE/DETAILS/80318006》 * |
XIYANG LUO 等: "Distortion Agnostic Deep Watermarking", 《ARXIV.ORG/ABS/2001.04580V1》 * |
刘波: "基于深度学习的图像可见水印的检测及去除方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488900A (zh) * | 2020-11-30 | 2021-03-12 | 福建省亿鑫海信息科技有限公司 | 一种深度学习训练图片加密解密方法 |
CN112488900B (zh) * | 2020-11-30 | 2023-09-05 | 福建省亿鑫海信息科技有限公司 | 一种深度学习训练图片加密解密方法 |
CN113379585A (zh) * | 2021-06-23 | 2021-09-10 | 景德镇陶瓷大学 | 无边框定位的陶瓷水印模型训练方法和嵌密方法 |
CN113379585B (zh) * | 2021-06-23 | 2022-05-27 | 景德镇陶瓷大学 | 无边框定位的陶瓷水印模型训练方法和嵌密方法 |
CN113689318A (zh) * | 2021-07-30 | 2021-11-23 | 南京信息工程大学 | 一种用于图像认证与对抗样本防御的深度半脆弱水印方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111210380B (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111210380B (zh) | 基于深度学习分片式图像数字水印嵌入及解密方法及系统 | |
US6834344B1 (en) | Semi-fragile watermarks | |
Charan et al. | A novel LSB based image steganography with multi-level encryption | |
Islam et al. | Enhancing security of image steganography using visual cryptography | |
CN109671011B (zh) | 版权信息的嵌入方法、提取方法及电子设备 | |
JP2006081169A (ja) | デジタルデータにウォータマークを付与するための方法及び装置 | |
CN108735223B (zh) | 音频文件数字水印的嵌入及提取方法及系统 | |
Liu et al. | Separable reversible data hiding in encrypted images with high capacity based on median-edge detector prediction | |
Vybornova | A new watermarking method for video authentication with tamper localization | |
CN110430335B (zh) | 一种信息伪装和恢复的方法、设备及存储介质 | |
Ahmed | A systematic overview of secure image steganography | |
CN109064381B (zh) | 一种基于密钥的多维度的数字水印加密方法 | |
CN109993679B (zh) | 一种基于向量参数的数字水印加密方法 | |
CN113489982A (zh) | 一种基于avs3编码框架下的数字水印版权保护方法 | |
Liu et al. | Reversible data hiding in encrypted images based on bit-plane rearrangement and Huffman coding | |
CN112488899A (zh) | 基于重复码和Schur分解的视觉加密彩色盲水印方法 | |
Asif et al. | High-Capacity Reversible Data Hiding using Deep Learning | |
Munir et al. | Application of chaos-based fragile watermarking to authenticate digital video | |
CN110648271A (zh) | 一种使用特殊网点在半色调图像中嵌入数字水印的方法 | |
Manimegalai et al. | The image steganography and steganalysis based on peak-shaped technique for Mp3 audio and video | |
CN103533457A (zh) | 多媒体数字水印嵌入及分离方法和装置 | |
Hingmire et al. | A Novel Approach to Audio Steganography on Audio Input for Secure Communication | |
Memon et al. | Authentication techniques for multimedia content | |
Chen et al. | An improved privacy protection algorithm for multimodal data fusion | |
Chaudhary et al. | Digital Data Protection using Barcode & Steganographic Approach |
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 |