CN112561768A - 基于深度学习的电脑屏幕最佳水印类型确定方法及系统 - Google Patents

基于深度学习的电脑屏幕最佳水印类型确定方法及系统 Download PDF

Info

Publication number
CN112561768A
CN112561768A CN202011403609.5A CN202011403609A CN112561768A CN 112561768 A CN112561768 A CN 112561768A CN 202011403609 A CN202011403609 A CN 202011403609A CN 112561768 A CN112561768 A CN 112561768A
Authority
CN
China
Prior art keywords
computer screen
screen image
watermark
visual effect
deep learning
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
Application number
CN202011403609.5A
Other languages
English (en)
Other versions
CN112561768B (zh
Inventor
杨军
田辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei High Dimensional Data Technology Co ltd
CETC 15 Research Institute
Original Assignee
Hefei High Dimensional Data Technology Co ltd
CETC 15 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei High Dimensional Data Technology Co ltd, CETC 15 Research Institute filed Critical Hefei High Dimensional Data Technology Co ltd
Priority to CN202011403609.5A priority Critical patent/CN112561768B/zh
Publication of CN112561768A publication Critical patent/CN112561768A/zh
Application granted granted Critical
Publication of CN112561768B publication Critical patent/CN112561768B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/70—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer
    • G06F21/82—Protecting input, output or interconnection devices
    • G06F21/84—Protecting input, output or interconnection devices output devices, e.g. displays or monitors
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于深度学习的电脑屏幕最佳水印类型确定方法及系统。该方法包括：对不同型号的电脑屏幕添加不同水印强度的水印类型，获取电脑屏幕图像数据集；确定电脑屏幕图像的视觉效果等级；以电脑屏幕图像为输入，以电脑屏幕图像的视觉效果等级为输出，建立深度学习网络模型；对当前电脑屏幕添加不同水印强度的水印类型，获取实际电脑屏幕图像；将实际电脑屏幕图像输入深度学习网络模型中，输出实际电脑屏幕图像的视觉效果等级；根据实际电脑屏幕图像的视觉效果等级筛选出最佳视觉效果等级，并将最佳视觉效果等级所对应的水印类型作为对当前电脑屏幕添加的最佳水印类型。本发明能够准确选择出最合适的水印类型以使得电脑屏幕的视觉效果最佳。

Description

基于深度学习的电脑屏幕最佳水印类型确定方法及系统
技术领域
本发明涉及电脑屏幕数字水印视觉效果领域，特别是涉及一种基于深度学习的电脑屏幕最佳水印类型确定方法及系统。
背景技术
当前，数字水印技术主要用于信息安全，大体分为明水印以及隐形水印，明水印显然是直接影响了视觉效果，虽然传统隐形水印的视觉效果较好，但其鲁棒性不足，水印容易被攻击破坏。屏幕水印本质上也是一种数字水印，屏幕水印的视觉效果受水印强度影响，水印强度越强，其抗攻击性，抗干扰能力越强，溯源提取能力也就越强，但视觉效果会变差。因此，为了满足客户的实际需求，衡量屏幕水印的溯源成功率与视觉效果之间的关系具有较大的应用背景和意义。
为保证信息安全，在电脑屏幕上添加数字水印，计算机的电子数据得到相对的安全保障，防止拍屏、截屏泄密，帮助用户精准定位泄密源头，追查责任人，但添加数字水印后，对正常办公会造成视觉干扰，影响体验效果。现有的电脑屏幕添加数字水印的方法均是将电脑中所存储的固有数字水印添加电脑屏幕，由人工观测添加数字水印电脑屏幕的视觉效果以决定选择哪种水印类型，但这种视觉效果观测方式受人工的主观意识强烈，无法在保障电脑屏幕信息安全的同时，选择出最合适的水印类型以使得电脑屏幕的视觉效果最佳。
发明内容
本发明的目的是提供一种基于深度学习的电脑屏幕最佳水印类型确定方法及系统，以解决由人工观测添加数字水印电脑屏幕的视觉效果的方式无法在保障电脑屏幕信息安全的同时，选择出最合适的水印类型以使得电脑屏幕的视觉效果最佳的问题。
为实现上述目的，本发明提供了如下方案：
一种基于深度学习的电脑屏幕最佳水印类型确定方法，包括：
对不同型号的电脑屏幕添加不同水印强度的水印类型，获取电脑屏幕图像数据集；所述电脑屏幕图像数据集包括多张电脑屏幕图像；
对每张所述电脑屏幕图像的视觉效果进行等级划分，确定所述电脑屏幕图像的视觉效果等级；
以所述电脑屏幕图像为输入，以所述电脑屏幕图像的视觉效果等级为输出，建立深度学习网络模型；
对当前电脑屏幕添加不同水印强度的水印类型，获取实际电脑屏幕图像；
将所述实际电脑屏幕图像输入所述深度学习网络模型中，输出所述实际电脑屏幕图像的视觉效果等级；
根据所述实际电脑屏幕图像的视觉效果等级筛选出最佳视觉效果等级，并将所述最佳视觉效果等级所对应的水印类型作为对所述当前电脑屏幕添加的最佳水印类型；以所述最佳水印类型对应的水印强度值对所述当前电脑屏幕添加数字水印。
可选的，所述对每张所述电脑屏幕图像的视觉效果进行等级划分，确定所述电脑屏幕图像的视觉效果等级，具体包括：
计算每张所述电脑屏幕图像的每一类水印类型不同水印强度的视觉信息保真度；
根据所述视觉信息保真度确定水印强度等级；
根据所述水印强度等级对每张所述电脑屏幕图像的视觉效果进行等级划分，确定所述电脑屏幕图像的视觉效果等级。
可选的，所述以所述电脑屏幕图像为输入，以所述电脑屏幕图像的视觉效果等级为输出，建立深度学习网络模型，具体包括：
将所述电脑屏幕图像数据集内的电脑屏幕图像进行压缩，确定压缩后的电脑屏幕图像；
按照8:2的比例，将所述压缩后的电脑屏幕图像以及所述压缩后的电脑屏幕图像所对应的视觉效果等级随机划分为训练集和测试集；
以所述训练集内的压缩后的电脑屏幕图像为输入，依次经过所述残差网络中的核心模块、卷积层以及池化层，以所述训练集内的压缩后的电脑屏幕图像所对应的视觉效果等级为输出，建立深度学习网络模型。
可选的，所述以所述训练集内的压缩后的电脑屏幕图像为输入，依次经过所述残差网络中的核心模块、卷积层以及池化层，以所述训练集内的压缩后的电脑屏幕图像所对应的视觉效果等级为输出，建立深度学习网络模型，之后还包括：
采用均方误差损失，将水印强度值作为损失函数正则项，修正所述深度学习网络模型，确定修正后的深度学习网络模型。
可选的，所述采用均方误差损失，将水印强度值作为损失函数正则项，修正所述深度学习网络模型，确定修正后的深度学习网络模型，之后还包括：
以所述测试集内的压缩后的电脑屏幕图像为输入，以所述测试集内的压缩后的电脑屏幕图像所对应的视觉效果等级为输出，验证所述修正后的深度学习网络模型。
一种基于深度学习的电脑屏幕最佳水印类型确定系统，包括：
电脑屏幕图像数据集获取模块，用于对不同型号的电脑屏幕添加不同水印强度的水印类型，获取电脑屏幕图像数据集；所述电脑屏幕图像数据集包括多张电脑屏幕图像；
视觉效果等级等级确定模块，用于对每张所述电脑屏幕图像的视觉效果进行等级划分，确定所述电脑屏幕图像的视觉效果等级；
深度学习网络模型建立模块，用于以所述电脑屏幕图像为输入，以所述电脑屏幕图像的视觉效果等级为输出，建立深度学习网络模型；
实际电脑屏幕图像获取模块，用于对当前电脑屏幕添加不同水印强度的水印类型，获取实际电脑屏幕图像；
实际电脑屏幕图像的视觉效果等级输出模块，用于将所述实际电脑屏幕图像输入所述深度学习网络模型中，输出所述实际电脑屏幕图像的视觉效果等级；
最佳水印类型确定模块，用于根据所述实际电脑屏幕图像的视觉效果等级筛选出最佳视觉效果等级，并将所述最佳视觉效果等级所对应的水印类型作为对所述当前电脑屏幕添加的最佳水印类型；以所述最佳水印类型对应的水印强度值对所述当前电脑屏幕添加数字水印。
可选的，所述视觉效果等级等级确定模块，具体包括：
视觉信息保真度计算单元，用于计算每张所述电脑屏幕图像的每一类水印类型不同水印强度的视觉信息保真度；
水印强度等级确定单元，用于根据所述视觉信息保真度确定水印强度等级；
视觉效果等级确定单元，用于根据所述水印强度等级对每张所述电脑屏幕图像的视觉效果进行等级划分，确定所述电脑屏幕图像的视觉效果等级。
可选的，所述深度学习网络模型建立模块，具体包括：
图像压缩单元，用于将所述电脑屏幕图像数据集内的电脑屏幕图像进行压缩，确定压缩后的电脑屏幕图像；
划分单元，用于按照8:2的比例，将所述压缩后的电脑屏幕图像以及所述压缩后的电脑屏幕图像所对应的视觉效果等级随机划分为训练集和测试集；
深度学习网络模型建立单元，用于以所述训练集内的压缩后的电脑屏幕图像为输入，依次经过所述残差网络中的核心模块、卷积层以及池化层，以所述训练集内的压缩后的电脑屏幕图像所对应的视觉效果等级为输出，建立深度学习网络模型。
可选的，还包括：
修正单元，用于采用均方误差损失，将水印强度值作为损失函数正则项，修正所述深度学习网络模型，确定修正后的深度学习网络模型。
可选的，还包括：
验证单元，用于以所述测试集内的压缩后的电脑屏幕图像为输入，以所述测试集内的压缩后的电脑屏幕图像所对应的视觉效果等级为输出，验证所述修正后的深度学习网络模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种基于深度学习的电脑屏幕最佳水印类型确定方法及系统，通过对不同型号的电脑屏幕添加不同水印强度的水印类型的电脑屏幕图像数据集进行视觉效果等级，根据电脑屏幕图像以及视觉效果等级建立深度学习网络模型，从而根据该深度学习网络模型确定当前电脑屏幕添加的最佳水印类型，以达到最佳视觉效果，整个最佳水印类型选择过程无需人工参与，避免了人为主观意识的干扰，准确的选择出最合适的水印类型以使得电脑屏幕的视觉效果最佳，有效计算出电脑屏幕最佳的水印类型和水印强度值。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的基于深度学习的电脑屏幕最佳水印类型确定方法流程图；
图2为本发明所提供的基于深度学习的电脑屏幕最佳水印类型确定系统结构图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于深度学习的电脑屏幕最佳水印类型确定方法及系统，能够准确的选择出最合适的水印类型以使得电脑屏幕的视觉效果最佳，有效计算出电脑屏幕最佳的水印类型和水印强度值。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的基于深度学习的电脑屏幕最佳水印类型确定方法流程图，如图1所示，一种基于深度学习的电脑屏幕最佳水印类型确定方法，包括：
步骤101：对不同型号的电脑屏幕添加不同水印强度的水印类型，获取电脑屏幕图像数据集；所述电脑屏幕图像数据集包括多张电脑屏幕图像。
在不同的电脑屏幕上安装不同类型的水印，设置不同的水印强度[0，1，2…10]，强度越大，视觉效果越差，对设置好水印的电脑屏幕进行截图、拍照，确定多张电脑屏幕图像；
步骤102：对每张所述电脑屏幕图像的视觉效果进行等级划分，确定所述电脑屏幕图像的视觉效果等级。
所述步骤102具体包括：计算每张所述电脑屏幕图像的每一类水印类型不同水印强度的视觉信息保真度；根据所述视觉信息保真度确定水印强度等级；根据所述水印强度等级对每张所述电脑屏幕图像的视觉效果进行等级划分，确定所述电脑屏幕图像的视觉效果等级。
步骤103：以所述电脑屏幕图像为输入，以所述电脑屏幕图像的视觉效果等级为输出，建立深度学习网络模型。
根据训练样本的规模选择合适的网络结构，由于屏幕截图的照片输入比较大，将样本缩放至320x240作为模型的输入。
所述步骤103具体包括：将所述电脑屏幕图像数据集内的电脑屏幕图像进行压缩，确定压缩后的电脑屏幕图像；按照8:2的比例，将所述压缩后的电脑屏幕图像以及所述压缩后的电脑屏幕图像所对应的视觉效果等级随机划分为训练集和测试集；以所述训练集内的压缩后的电脑屏幕图像为输入，依次经过所述残差网络中的核心模块、卷积层以及池化层，以所述训练集内的压缩后的电脑屏幕图像所对应的视觉效果等级为输出，建立深度学习网络模型。
所述以所述训练集内的压缩后的电脑屏幕图像为输入，依次经过所述残差网络中的核心模块、卷积层以及池化层，以所述训练集内的压缩后的电脑屏幕图像所对应的视觉效果等级为输出，建立深度学习网络模型，之后还包括：采用均方误差损失，将水印强度值作为损失函数正则项，修正所述深度学习网络模型，确定修正后的深度学习网络模型。
所述采用均方误差损失，将水印强度值作为损失函数正则项，修正所述深度学习网络模型，确定修正后的深度学习网络模型，之后还包括：以所述测试集内的压缩后的电脑屏幕图像为输入，以所述测试集内的压缩后的电脑屏幕图像所对应的视觉效果等级为输出，验证所述修正后的深度学习网络模型。
本发明通过视觉信息保真度(Visual Information Fidelity，VIF)指标对不同的屏幕与不同的水印类型及水印强度进行水印效果等级划分，图片与水印效果等级作为先验信息，以训练深度学习网络模型。其中，视觉信息保真度是衡量测试样本与参考样本的差异性的指标，该指标广泛应用于图像增强、图像融合拼接、视频质量评估等领域，是流媒体巨头Netflix使用的视频流媒体质量评估工具VMAF的核心指标。
步骤104：对当前电脑屏幕添加不同水印强度的水印类型，获取实际电脑屏幕图像。
步骤105：将所述实际电脑屏幕图像输入所述深度学习网络模型中，输出所述实际电脑屏幕图像的视觉效果等级。
步骤106：根据所述实际电脑屏幕图像的视觉效果等级筛选出最佳视觉效果等级，并将所述最佳视觉效果等级所对应的水印类型作为对所述当前电脑屏幕添加的最佳水印类型；以所述最佳水印类型对应的水印强度值对所述当前电脑屏幕添加数字水印。
在实际应用中，所述以所述最佳水印类型对应的水印强度值对所述当前电脑屏幕添加数字水印，具体为：选取所述最佳水印类型对应的所有水印强度值的中间值，并以该所有水印强度值的中间值对当前电脑屏幕添加数字水印。
图2为本发明所提供的基于深度学习的电脑屏幕最佳水印类型确定系统结构图，如图2所示，一种基于深度学习的电脑屏幕最佳水印类型确定系统，包括：
电脑屏幕图像数据集获取模块201，用于对不同型号的电脑屏幕添加不同水印强度的水印类型，获取电脑屏幕图像数据集；所述电脑屏幕图像数据集包括多张电脑屏幕图像。
视觉效果等级等级确定模块202，用于对每张所述电脑屏幕图像的视觉效果进行等级划分，确定所述电脑屏幕图像的视觉效果等级。
所述视觉效果等级等级确定模块202，具体包括：视觉信息保真度计算单元，用于计算每张所述电脑屏幕图像的每一类水印类型不同水印强度的视觉信息保真度；水印强度等级确定单元，用于根据所述视觉信息保真度确定水印强度等级；视觉效果等级确定单元，用于根据所述水印强度等级对每张所述电脑屏幕图像的视觉效果进行等级划分，确定所述电脑屏幕图像的视觉效果等级。
深度学习网络模型建立模块203，用于以所述电脑屏幕图像为输入，以所述电脑屏幕图像的视觉效果等级为输出，建立深度学习网络模型。
所述深度学习网络模型建立模块203，具体包括：图像压缩单元，用于将所述电脑屏幕图像数据集内的电脑屏幕图像进行压缩，确定压缩后的电脑屏幕图像；划分单元，用于按照8:2的比例，将所述压缩后的电脑屏幕图像以及所述压缩后的电脑屏幕图像所对应的视觉效果等级随机划分为训练集和测试集；深度学习网络模型建立单元，用于以所述训练集内的压缩后的电脑屏幕图像为输入，依次经过所述残差网络中的核心模块、卷积层以及池化层，以所述训练集内的压缩后的电脑屏幕图像所对应的视觉效果等级为输出，建立深度学习网络模型。
本发明还包括：修正单元，用于采用均方误差损失，将水印强度值作为损失函数正则项，修正所述深度学习网络模型，确定修正后的深度学习网络模型。
验证单元，用于以所述测试集内的压缩后的电脑屏幕图像为输入，以所述测试集内的压缩后的电脑屏幕图像所对应的视觉效果等级为输出，验证所述修正后的深度学习网络模型。
实际电脑屏幕图像获取模块204，用于对当前电脑屏幕添加不同水印强度的水印类型，获取实际电脑屏幕图像。
实际电脑屏幕图像的视觉效果等级输出模块205，用于将所述实际电脑屏幕图像输入所述深度学习网络模型中，输出所述实际电脑屏幕图像的视觉效果等级。
最佳水印类型确定模块206，用于根据所述实际电脑屏幕图像的视觉效果等级筛选出最佳视觉效果等级，并将所述最佳视觉效果等级所对应的水印类型作为对所述当前电脑屏幕添加的最佳水印类型；以所述最佳水印类型对应的水印强度值对所述当前电脑屏幕添加数字水印。
本发明通过深度学习网络模型确定最佳水印类型，不受人为判断的影响。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应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 (10)

1.一种基于深度学习的电脑屏幕最佳水印类型确定方法，其特征在于，包括：
对不同型号的电脑屏幕添加不同水印强度的水印类型，获取电脑屏幕图像数据集；所述电脑屏幕图像数据集包括多张电脑屏幕图像；
对每张所述电脑屏幕图像的视觉效果进行等级划分，确定所述电脑屏幕图像的视觉效果等级；
以所述电脑屏幕图像为输入，以所述电脑屏幕图像的视觉效果等级为输出，建立深度学习网络模型；
对当前电脑屏幕添加不同水印强度的水印类型，获取实际电脑屏幕图像；
将所述实际电脑屏幕图像输入所述深度学习网络模型中，输出所述实际电脑屏幕图像的视觉效果等级；
根据所述实际电脑屏幕图像的视觉效果等级筛选出最佳视觉效果等级，并将所述最佳视觉效果等级所对应的水印类型作为对所述当前电脑屏幕添加的最佳水印类型；以所述最佳水印类型对应的水印强度值对所述当前电脑屏幕添加数字水印。
2.根据权利要求1所述的基于深度学习的电脑屏幕最佳水印类型确定方法，其特征在于，所述对每张所述电脑屏幕图像的视觉效果进行等级划分，确定所述电脑屏幕图像的视觉效果等级，具体包括：
计算每张所述电脑屏幕图像的每一类水印类型不同水印强度的视觉信息保真度；
根据所述视觉信息保真度确定水印强度等级；
根据所述水印强度等级对每张所述电脑屏幕图像的视觉效果进行等级划分，确定所述电脑屏幕图像的视觉效果等级。
3.根据权利要求1所述的基于深度学习的电脑屏幕最佳水印类型确定方法，其特征在于，所述以所述电脑屏幕图像为输入，以所述电脑屏幕图像的视觉效果等级为输出，建立深度学习网络模型，具体包括：
将所述电脑屏幕图像数据集内的电脑屏幕图像进行压缩，确定压缩后的电脑屏幕图像；
按照8:2的比例，将所述压缩后的电脑屏幕图像以及所述压缩后的电脑屏幕图像所对应的视觉效果等级随机划分为训练集和测试集；
以所述训练集内的压缩后的电脑屏幕图像为输入，依次经过所述残差网络中的核心模块、卷积层以及池化层，以所述训练集内的压缩后的电脑屏幕图像所对应的视觉效果等级为输出，建立深度学习网络模型。
4.根据权利要求3所述的基于深度学习的电脑屏幕最佳水印类型确定方法，其特征在于，所述以所述训练集内的压缩后的电脑屏幕图像为输入，依次经过所述残差网络中的核心模块、卷积层以及池化层，以所述训练集内的压缩后的电脑屏幕图像所对应的视觉效果等级为输出，建立深度学习网络模型，之后还包括：
采用均方误差损失，将水印强度值作为损失函数正则项，修正所述深度学习网络模型，确定修正后的深度学习网络模型。
5.根据权利要求4所述的基于深度学习的电脑屏幕最佳水印类型确定方法，其特征在于，所述采用均方误差损失，将水印强度值作为损失函数正则项，修正所述深度学习网络模型，确定修正后的深度学习网络模型，之后还包括：
以所述测试集内的压缩后的电脑屏幕图像为输入，以所述测试集内的压缩后的电脑屏幕图像所对应的视觉效果等级为输出，验证所述修正后的深度学习网络模型。
6.一种基于深度学习的电脑屏幕最佳水印类型确定系统，其特征在于，包括：
电脑屏幕图像数据集获取模块，用于对不同型号的电脑屏幕添加不同水印强度的水印类型，获取电脑屏幕图像数据集；所述电脑屏幕图像数据集包括多张电脑屏幕图像；
视觉效果等级等级确定模块，用于对每张所述电脑屏幕图像的视觉效果进行等级划分，确定所述电脑屏幕图像的视觉效果等级；
深度学习网络模型建立模块，用于以所述电脑屏幕图像为输入，以所述电脑屏幕图像的视觉效果等级为输出，建立深度学习网络模型；
实际电脑屏幕图像获取模块，用于对当前电脑屏幕添加不同水印强度的水印类型，获取实际电脑屏幕图像；
实际电脑屏幕图像的视觉效果等级输出模块，用于将所述实际电脑屏幕图像输入所述深度学习网络模型中，输出所述实际电脑屏幕图像的视觉效果等级；
最佳水印类型确定模块，用于根据所述实际电脑屏幕图像的视觉效果等级筛选出最佳视觉效果等级，并将所述最佳视觉效果等级所对应的水印类型作为对所述当前电脑屏幕添加的最佳水印类型；以所述最佳水印类型对应的水印强度值对所述当前电脑屏幕添加数字水印。
7.根据权利要求6所述的基于深度学习的电脑屏幕最佳水印类型确定系统，其特征在于，所述视觉效果等级等级确定模块，具体包括：
视觉信息保真度计算单元，用于计算每张所述电脑屏幕图像的每一类水印类型不同水印强度的视觉信息保真度；
水印强度等级确定单元，用于根据所述视觉信息保真度确定水印强度等级；
视觉效果等级确定单元，用于根据所述水印强度等级对每张所述电脑屏幕图像的视觉效果进行等级划分，确定所述电脑屏幕图像的视觉效果等级。
8.根据权利要求6所述的基于深度学习的电脑屏幕最佳水印类型确定系统，其特征在于，所述深度学习网络模型建立模块，具体包括：
图像压缩单元，用于将所述电脑屏幕图像数据集内的电脑屏幕图像进行压缩，确定压缩后的电脑屏幕图像；
划分单元，用于按照8:2的比例，将所述压缩后的电脑屏幕图像以及所述压缩后的电脑屏幕图像所对应的视觉效果等级随机划分为训练集和测试集；
深度学习网络模型建立单元，用于以所述训练集内的压缩后的电脑屏幕图像为输入，依次经过所述残差网络中的核心模块、卷积层以及池化层，以所述训练集内的压缩后的电脑屏幕图像所对应的视觉效果等级为输出，建立深度学习网络模型。
9.根据权利要求8所述的基于深度学习的电脑屏幕最佳水印类型确定系统，其特征在于，还包括：
修正单元，用于采用均方误差损失，将水印强度值作为损失函数正则项，修正所述深度学习网络模型，确定修正后的深度学习网络模型。
10.根据权利要求9所述的基于深度学习的电脑屏幕最佳水印类型确定系统，其特征在于，还包括：
验证单元，用于以所述测试集内的压缩后的电脑屏幕图像为输入，以所述测试集内的压缩后的电脑屏幕图像所对应的视觉效果等级为输出，验证所述修正后的深度学习网络模型。
CN202011403609.5A 2020-12-02 2020-12-02 基于深度学习的电脑屏幕最佳水印类型确定方法及系统 Active CN112561768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011403609.5A CN112561768B (zh) 2020-12-02 2020-12-02 基于深度学习的电脑屏幕最佳水印类型确定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011403609.5A CN112561768B (zh) 2020-12-02 2020-12-02 基于深度学习的电脑屏幕最佳水印类型确定方法及系统

Publications (2)

Publication Number Publication Date
CN112561768A true CN112561768A (zh) 2021-03-26
CN112561768B CN112561768B (zh) 2024-03-29

Family

ID=75048408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011403609.5A Active CN112561768B (zh) 2020-12-02 2020-12-02 基于深度学习的电脑屏幕最佳水印类型确定方法及系统

Country Status (1)

Country Link
CN (1) CN112561768B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030161498A1 (en) * 1999-01-13 2003-08-28 Nec Corporation Digital watermark inserting system and digital watermark characteristic parameter table generating method
JP2004056224A (ja) * 2002-07-16 2004-02-19 Sony Corp 信号処理装置およびその方法
JP2004235953A (ja) * 2003-01-30 2004-08-19 Matsushita Electric Ind Co Ltd 電子透かし埋め込み装置
KR20100097458A (ko) * 2009-02-26 2010-09-03 고려대학교 산학협력단 워터마크 삽입 영상 제작 장치 및 방법
CN107240059A (zh) * 2017-04-07 2017-10-10 广东精点数据科技股份有限公司 图像数字水印嵌入强度回归预测模型的建模方法
CN107274334A (zh) * 2017-06-28 2017-10-20 南京信息工程大学 一种基于四元数变换的彩色图像自适应水印方法
CN107633520A (zh) * 2017-09-28 2018-01-26 福建帝视信息科技有限公司 一种基于深度残差网络的超分辨率图像质量评估方法
CN111491170A (zh) * 2019-01-26 2020-08-04 华为技术有限公司 嵌入水印的方法及水印嵌入装置
CN111768327A (zh) * 2020-06-30 2020-10-13 苏州科达科技股份有限公司 基于深度学习的水印添加、提取方法、设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030161498A1 (en) * 1999-01-13 2003-08-28 Nec Corporation Digital watermark inserting system and digital watermark characteristic parameter table generating method
JP2004056224A (ja) * 2002-07-16 2004-02-19 Sony Corp 信号処理装置およびその方法
JP2004235953A (ja) * 2003-01-30 2004-08-19 Matsushita Electric Ind Co Ltd 電子透かし埋め込み装置
KR20100097458A (ko) * 2009-02-26 2010-09-03 고려대학교 산학협력단 워터마크 삽입 영상 제작 장치 및 방법
CN107240059A (zh) * 2017-04-07 2017-10-10 广东精点数据科技股份有限公司 图像数字水印嵌入强度回归预测模型的建模方法
CN107274334A (zh) * 2017-06-28 2017-10-20 南京信息工程大学 一种基于四元数变换的彩色图像自适应水印方法
CN107633520A (zh) * 2017-09-28 2018-01-26 福建帝视信息科技有限公司 一种基于深度残差网络的超分辨率图像质量评估方法
CN111491170A (zh) * 2019-01-26 2020-08-04 华为技术有限公司 嵌入水印的方法及水印嵌入装置
CN111768327A (zh) * 2020-06-30 2020-10-13 苏州科达科技股份有限公司 基于深度学习的水印添加、提取方法、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘一楠: "基于机器学习的图像数字水印算法研究", 信息科技辑, vol. 2015, no. 04, pages 31 - 33 *
王树梅: "数字水印嵌入强度最优化分析", 计算机安全, vol. 2007, no. 10, pages 3 - 5 *

Also Published As

Publication number Publication date
CN112561768B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
CN108428227B (zh) 基于全卷积神经网络的无参考图像质量评价方法
Ndajah et al. SSIM image quality metric for denoised images
CN100559880C (zh) 一种基于自适应st区的高清视频图像质量评价方法及装置
Flynn et al. Image quality assessment using the ssim and the just noticeable difference paradigm
CN107578403A (zh) 基于梯度信息指导双目视图融合的立体图像质量评价方法
CN103873854B (zh) 一种立体图像主观评价被试者数量及实验数据的确定方法
CN108109147A (zh) 一种模糊图像的无参考质量评价方法
Krasula et al. Preference of experience in image tone-mapping: Dataset and framework for objective measures comparison
CN106412571B (zh) 一种基于梯度相似性标准差的视频质量评价方法
CN104954778A (zh) 一种基于感知特征集的立体图像质量客观评价方法
CN104361583B (zh) 一种确定非对称失真立体图像客观质量的方法
CN111724310B (zh) 图像修复模型的训练方法、图像修复方法及装置
CN103051921A (zh) 一种精确检测视音频处理系统视频、音频同步误差的方法
CN109272044A (zh) 一种图像相似度确定方法、装置、设备及存储介质
CN104346809A (zh) 采用高动态范围的图像质量数据集的图像质量评价方法
CN105898279B (zh) 一种立体图像质量客观评价方法
CN111311584B (zh) 视频质量评估方法及装置、电子设备、可读介质
CN105049835A (zh) 感知立体图像质量的客观评价方法
CN112561768B (zh) 基于深度学习的电脑屏幕最佳水印类型确定方法及系统
CN111724054A (zh) 一种评估方法、装置、终端设备及存储介质
CN116309171A (zh) 一种输电线路监控图像增强方法和装置
Chu et al. Saliency structure stereoscopic image quality assessment method
CN116245861A (zh) 基于交叉多尺度的无参考图像质量评价方法
CN107657229B (zh) 一种基于内容分类的视频模糊度检测人眼视觉修正方法
CN105430397A (zh) 一种3d图像体验质量预测方法及装置

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