CN112669191A - 基于图像内容识别的抗溢出可逆数字水印嵌入及提取方法 - Google Patents
基于图像内容识别的抗溢出可逆数字水印嵌入及提取方法 Download PDFInfo
- Publication number
- CN112669191A CN112669191A CN201910976372.0A CN201910976372A CN112669191A CN 112669191 A CN112669191 A CN 112669191A CN 201910976372 A CN201910976372 A CN 201910976372A CN 112669191 A CN112669191 A CN 112669191A
- Authority
- CN
- China
- Prior art keywords
- region
- pixel value
- watermark
- area
- embedded
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,公开了一种基于图像内容识别的抗溢出可逆数字水印嵌入及提取方法。该方法包括:基于全卷积神经网络FCN语义分割模型对输入的载体图像进行预处理,得到以物体识别为基础的多个物体区域Ai;按照区域面积对多个物体区域Ai进行排序并标号;基于排序后的多个物体区域Ai各自的边缘像素值py确定可嵌入区域Sj;将所确定的可嵌入区域Sj中区域面积大于预定区域面积的可嵌入区域确定为待嵌入区域;在待嵌入区域中进行基于区域直方图平移的水印嵌入得到含水印的载体图像。由此,在水印嵌入过程中,既保证不发生像素值溢出,又不需要付出额外的容量开销,确保嵌入容量。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于图像内容识别的抗溢出可逆数字水印嵌入及提取方法。
背景技术
随着科学技术的发展,网络成为人们生活中必不可少的工具,通过网络,人们可以快速的传递消息,交流信息,如何实现信息的秘密传递成为一个难题。可逆图像水印技术可以实现秘密通信,传递隐秘信息,且可以在水印提取后无损恢复载体图像,因此主要应用于对图像篡改敏感的领域。直方图平移是实现可逆图像水印的一种常用技术手段,然而,基于直方图平移的可逆图像水印算法存在像素值溢出问题。在直方图平移修改像素值的过程中,有可能会出现像素值超出边界的情况,从而使得载体图像的像素并不总是完全可以恢复。
现有解决此问题的方案均需要引入额外的附加信息来实现载体图像的完整恢复,如引入位置图记录溢出点的变化的方法,将位置图信息保存在载体图像中,增加了不可避免的开销,降低了水印信息的实际可嵌入容量。
发明内容
本发明提供了一种基于图像内容识别的抗溢出可逆数字水印嵌入及提取方法,能够解决上述现有技术中开销增加、水印信息的实际可嵌入容量降低以及像素值溢出的问题。
本发明提供了一种基于图像内容识别的抗溢出可逆数字水印嵌入方法,其中,该方法包括:
基于全卷积神经网络FCN语义分割模型对输入的载体图像进行预处理,得到以物体识别为基础的多个物体区域Ai,每个物体区域为各个像素值连续的闭合区域;
按照区域面积对多个物体区域Ai进行排序并标号;
基于排序后的多个物体区域Ai各自的边缘像素值py确定可嵌入区域Sj;
将所确定的可嵌入区域Sj中区域面积大于预定区域面积的可嵌入区域确定为待嵌入区域;
在待嵌入区域中进行基于区域直方图平移的水印嵌入得到含水印的载体图像。
优选地,按照区域面积对多个物体区域Ai由大到小进行排序并标号。
优选地,基于排序后的多个物体区域Ai各自的边缘像素值py确定可嵌入区域Sj包括:
将每个物体区域的边缘像素值py与该物体区域内最小像素值或最大像素值进行比较;
将最小像素值与边缘像素值py之差大于预定值或边缘像素值py与最大像素值之差大于预定值的物体区域确定为可嵌入区域。
优选地,在待嵌入区域中进行基于区域直方图平移的水印嵌入得到含水印的载体图像包括:
S1080,生成水印图像的二进制数据流w;
S1082,生成待嵌入区域S1的直方图;
S1084,顺序扫描待嵌入区域S1,对待嵌入区域S1中像素值大于峰值点的像素值ph的像素点的像素值px加1,其余像素点像素值不变;
S1086,再次按照与S1084中的顺序扫描待嵌入区域S1,当px=ph时,检测待嵌入水印信息并嵌入水印信息,当w=0时像素值px保持ph不变,而当w=1时像素值px置为ph+1;
S1088,对于其余待嵌入区域S2至sn,重复执行S1082至S1086,循环嵌入水印信息,得到含水印的载体图像。
本发明还提供了一种基于图像内容识别的抗溢出可逆数字水印提取方法,其中,该方法包括:
基于全卷积神经网络FCN语义分割模型对含水印的载体图像进行预处理,得到以物体识别为基础的多个物体区域Ai,每个物体区域为各个像素值连续的闭合区域;
按照区域面积对多个物体区域Ai进行排序并标号;
基于排序后的多个物体区域Ai各自的边缘像素值py确定可提取区域Sj;
将所确定的可提取区域Sj中区域面积大于预定区域面积的可嵌入区域确定为待提取区域;
在待提取区域中进行基于区域直方图平移的水印提取以恢复原始载体图像。
优选地,按照区域面积对多个物体区域Ai由大到小进行排序并标号。
优选地,基于排序后的多个物体区域Ai各自的边缘像素值py确定可提取区域Sj包括:
将每个物体区域的边缘像素值py与该物体区域内最小像素值或最大像素值进行比较;
将最小像素值与边缘像素值py之差大于预定值或边缘像素值py与最大像素值之差大于预定值的物体区域确定为可提取区域。
优选地,在待提取区域中进行基于区域直方图平移的水印提取以恢复原始载体图像包括:
S2080,生成待提取区域S1的直方图;
S2082,顺序扫描待提取区域S1,当待提取区域S1中像素点的像素值px等于峰值点的像素值ph时,提取水印信息w=0;当px-ph=1时,提取水印信息w=1;
S2084,再次按照S2082中的顺序扫描待提取区域S1,恢复载体图像,对像素值大于峰值点的像素值ph的像素点像素值px减1,其余像素点像素值不变;
S2086,对于其余待提取区域S2至Sn,重复执行S2080至S2084,循环提取水印信息并恢复原始载体图像。
通过上述技术方案,可以基于FCN(Fully Convolutional Networks,全卷积神经网络)的语义分割模型,对输入的载体图像进行预处理,将载体图像分割为以物体识别为基础的各个区域,并将各区域按区域面积由大到小排序标号,随后对各区域进行筛选。当所选出的n个区域符合嵌入条件(即,不会发生像素值溢出)时,在不会发生像素值溢出的n个区域可以按照基于直方图平移的可逆水印算法实现水印嵌入。由此,通过本发明所述的嵌入方法,可以在不增加开销以及不降低水印信息的实际可嵌入容量的情况下实现抗溢出可逆数字水印嵌入(即,避免了像素值边界溢出问题的发生)。并且,通过本发明所述水印嵌入方法嵌入水印的载体图像,不仅能实现水印的完整提取,还能确保含水印载体图像的无损恢复。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解,其构成了说明书的一部分,用于例示本发明的实施例,并与文字描述一起来阐释本发明的原理。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的前提下,还可以根据这些附图获得其他的附图。
图1示出了根据本发明一种实施例的一种基于图像内容识别的抗溢出可逆数字水印嵌入方法的流程图;
图2示出了根据本发明一种实施例的一种基于区域直方图平移的抗溢出水印嵌入的流程图;
图3示出了根据本发明一种实施例的一种基于图像内容识别的抗溢出可逆数字水印提取方法的流程图;
图4示出了根据本发明一种实施例的一种基于区域直方图平移的抗溢出水印提取的流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作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。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1示出了根据本发明一种实施例的一种基于图像内容识别的抗溢出可逆数字水印嵌入方法的流程图。
如图1所示,本发明实施例提供了一种基于图像内容识别的抗溢出可逆数字水印嵌入方法,其中,该方法包括:
S100,基于全卷积神经网络FCN语义分割模型对输入的载体图像进行预处理,得到以物体识别为基础的多个物体区域Ai,每个物体区域为各个像素值连续的闭合区域;
其中,Ai(i=1,2,...,m),m为载体图像中识别出的物体区域个数。
也就是,通过FCN语义分割模型对输入的载体图像按照具体语义进行像素分类,得到识别出的各个物体区域。
S102,按照区域面积(区域容量)对多个物体区域Ai进行排序并标号;
通过将各区域按面积排序标号,随后可以对各区域进行筛选以确定可嵌入区域。
S104,基于排序后的多个物体区域Ai各自的边缘像素值py确定可嵌入区域Sj;
其中,j为选定的可嵌入区域数目。
举例来讲,可以根据设定的阈值对可嵌入区域进行选择,避免嵌入过程中发生像素值溢出的问题。
S106,将所确定的可嵌入区域Sj中区域面积大于预定区域面积的可嵌入区域确定为待嵌入区域;
例如,待嵌入区域的数量可以用n表示。即,待嵌入区域表示为Sj(j=1,2,...,n)。
S108,在待嵌入区域中进行基于区域直方图平移的水印嵌入得到含水印的载体图像。
嵌入过程中不发生像素值溢出,因此不产生额外信息占用嵌入空间。
举例来讲,含水印的载体图像经由发送放发送至接收方。
通过上述技术方案,可以基于FCN(Fully Convolutional Networks,全卷积神经网络)的语义分割模型,对输入的载体图像进行预处理,将载体图像分割为以物体识别为基础的各个区域,并将各区域按区域面积由大到小排序标号,随后对各区域进行筛选。当所选出的n个区域符合嵌入条件(即,不会发生像素值溢出)时,在不会发生像素值溢出的n个区域可以按照基于直方图平移的可逆水印算法实现水印嵌入。由此,通过本发明所述的嵌入方法,可以在不增加开销以及不降低水印信息的实际可嵌入容量的情况下实现抗溢出可逆数字水印嵌入(即,在水印嵌入过程中,既保证不发生像素值溢出,又不需要付出额外的容量开销,确保嵌入容量,避免了像素值边界溢出问题的发生)。并且,通过本方法所述水印嵌入水印的载体图像,不仅能实现水印的完整提取,还能确保含水印载体图像的无损恢复。
其中,FCN语义分割指的是:输入一些平面图像,将图像中的每个像素根据其所属的感兴趣对象根据语义被分配类别特征标识码。可逆数字水印不仅可以实现传统数字水印技术传递隐秘信息的目标,还可以在信息接收端提取出水印信息后,无损的恢复出原始载体图像,解决了因水印提取后载体图像失真而难以恢复的问题。因此,被广泛应用于对图像篡改敏感的领域,如医学、军事和遥感图像处理等领域。
举例来讲,FCN对原始载体图像直接进行像素级别的端到端的语义分割,使输入的二维图像压缩至一维。在提取图像的特征后,将不同池化层的结果进行上采样优化操作后输出,随后通过跳跃连接改善上采样输出结果的粗糙程度,随后经过最后的卷积层将一维图像还原,输出二维图像。将原始载体图像中的每个像素点的类别都看作一个变量,考虑任意两个变量之间的关系,建立一个完全图。为相似的像素分配相同的标签,通过对CRF(conditional random field,条件随机场)能量函数进行优化求解,来对FCN图像语义分割预测结果进行优化,得到最终分割结果。在FCN中,分类网络的全连接层被转换为全卷积层。它生成了一个低分辨率的类的热图,然后用双线性初始化的反卷积,并在上采样的每一个阶段通过融合(简单地相加)低层的更加粗糙但是分辨率更高的特征图进一步细化特征。池化操作在增加视野的同时减少特征图的分辨率。对于分类任务来说,此种方式非常有效,因为分类的最终目标是找到某个特定类的存在,这时操作对象的空间位置相对来说并不重要。因此,在每个卷积块之后引入池化操作,以使后续块能够从已池化的特征中提取更多抽象、突出类的特征,更好地实现特征分类。
根据本发明一种实施例,按照区域面积对多个物体区域Ai由大到小进行排序并标号。
根据本发明一种实施例,基于排序后的多个物体区域Ai各自的边缘像素值py确定可嵌入区域Sj包括:
将每个物体区域的边缘像素值py与该物体区域内最小像素值或最大像素值进行比较;
将最小像素值与边缘像素值py之差大于预定值或边缘像素值py与最大像素值之差大于预定值的物体区域确定为可嵌入区域。
举例来讲,对于载体图像中识别出的各物体区域Ai(i为识别出的区域数目),区域内像素值px∈[a,b],0<a<b<255,边缘像素值py,py∈[0,255],若py<a-2或py>b+2,则此区域为可嵌入区域Sj。其中,在本发明实施例中,预定值可以为2,但其仅仅是示例性的,本发明不限于此。
图2示出了根据本发明一种实施例的一种基于区域直方图平移的抗溢出水印嵌入的流程图。
其中,图2中省略了生成水印图像的二进制数据流w和待嵌入区域S1的直方图的步骤,扫描标记的待嵌入区域的步骤即在生成待嵌入区域S1的直方图的步骤之后。
根据本发明一种实施例,如图2所示,在待嵌入区域中进行基于区域直方图平移的水印嵌入得到含水印的载体图像包括:
S1080,生成水印图像的二进制数据流w;
S1082,生成待嵌入区域S1的直方图;
其中,可以用H(h)表示直方图峰值点,即频率最高的像素值。用H(t)表示直方图零值点,用ph表示峰值点处像素值,用pt表示零值点处像素值。因待嵌入区域的选择,必定存在至少一个零值点,本发明实施例中可以选择右侧第一个零值点ph<pt。
S1084,顺序扫描待嵌入区域S1,对待嵌入区域S1中像素值大于峰值点的像素值ph的像素点的像素值px加1,其余像素点像素值不变;
举例来讲,可以通过下述表达式表示:
S1086,再次按照与S1084中的顺序扫描待嵌入区域S1,当px=ph时,检测待嵌入水印信息并嵌入水印信息,当w=0时像素值px保持ph不变,而当w=1时像素值px置为ph+1;
举例来讲,可以通过下述表达式表示:
S1088,对于其余待嵌入区域S2至Sn,重复执行S1082至S1086,循环嵌入水印信息,得到含水印的载体图像。
也就是,在待嵌入区域的像素峰值点处循环嵌入水印比特序列,水印比特序列即所选择水印图像的二进制数据流。
举例来讲,可以将待嵌入区域按照面积由大到小排序,首先以面积最大的区域作为第一个水印的嵌入区域,以此类推,直至所有识别出的待嵌入区域都完成了水印嵌入。运用直方图平移方法循环嵌入水印比特序列后由发送方发送给接收方,接收方在接收到含水印的图像后,同样运用语义分割技术识别出含水印图像中的所有闭合区域,在面积由大到小的区域中提取水印。此方法在水印的嵌入过程中,避免了像素值超出边界值现象的发生,解决了像素值溢出问题,且在嵌入过程中没有引入额外信息占用水印嵌入位置,没有增加额外的开销。
其中,基于直方图平移的可逆数字水印:基于直方图的可逆数字水印算法,首先基于原始载体图像的像素值生成直方图,然后找到直方图的峰值点和零值点,将水印信息嵌入到峰值点对应的像素位置中,如果待嵌入的水印信息为“0”,则该像素点保持不动;若待嵌入的水印信息为“1”,则该像素点向特定方向,峰值点方向或零值点方向,平移一个单位,以此实现水印信息的嵌入。水印信息的提取是嵌入的逆过程。
图3示出了根据本发明一种实施例的一种基于图像内容识别的抗溢出可逆数字水印提取方法的流程图。
其中,图3所述的水印信息的提取是图1所述的水印嵌入的逆过程,具体示例可以参照上述关于图1的描述。
如图3所示,本发明实施例提供了一种基于图像内容识别的抗溢出可逆数字水印提取方法,其中,该方法包括:
S200,基于全卷积神经网络FCN语义分割模型对含水印的载体图像进行预处理,得到以物体识别为基础的多个物体区域Ai,每个物体区域为各个像素值连续的闭合区域;
S202,按照区域面积对多个物体区域Ai进行排序并标号;
S204,基于排序后的多个物体区域Ai各自的边缘像素值py确定可提取区域(即,上述嵌入方法中所述的待嵌入区域,实际嵌入水印的区域)Sj;
S206,将所确定的可提取区域Sj中区域面积大于预定区域面积的可嵌入区域确定为待提取区域;
S208,在待提取区域中进行基于区域直方图平移的水印提取以恢复原始载体图像。
通过上述方法对上述实施例中嵌入水印的载体图像中的水印进行提取,不仅能实现水印的完整提取,还能确保含水印载体图像的无损恢复。
也就是,接收方接收到含水印的图像后,与发送方进行同样水印嵌入区域识别的操作,随后在选定的水印嵌入区域提取水印信息,并恢复载体图像。因嵌入区域选择的阈值设定,接收方一定可以在不借助任何附加信息的情况下准确找到水印嵌入区域。
根据本发明一种实施例,按照区域面积对多个物体区域Ai由大到小进行排序并标号。
根据本发明一种实施例,基于排序后的多个物体区域Ai各自的边缘像素值py确定可提取区域Sj包括:
将每个物体区域的边缘像素值py与该物体区域内最小像素值或最大像素值进行比较;
将最小像素值与边缘像素值py之差大于预定值或边缘像素值py与最大像素值之差大于预定值的物体区域确定为可提取区域。
举例来讲,对于载体图像中识别出的各区域Ai,区域内像素值px∈[a,b],0<a<b<255,边缘像素值py,py∈[0,255],若py<a-2或py>b+2,则此区域为可提取区域Sj。
图4示出了根据本发明一种实施例的一种基于区域直方图平移的抗溢出水印提取的流程图。
其中,图4中省略了生成待提取区域S1的直方图的步骤,扫描待提取区域的步骤即在生成待提取区域S1的直方图的步骤之后。
根据本发明一种实施例,如图4所示,在待提取区域中进行基于区域直方图平移的水印提取以恢复原始载体图像包括:
S2080,生成待提取区域S1的直方图;
S2082,顺序扫描待提取区域S1,当待提取区域S1中像素点的像素值px等于峰值点的像素值ph时,提取水印信息w=0;当px-ph=1时,提取水印信息w=1;
由此,可以提取得到水印信息。
举例来讲,可以通过下述表达式表示:
S2084,再次按照S2082中的顺序扫描待提取区域S1,恢复载体图像,对像素值大于峰值点的像素值ph的像素点像素值px减1,其余像素点像素值不变;
举例来讲,可以通过下述表达式表示:
S2086,对于其余待提取区域S2至Sn,重复执行S2080至S2084,循环提取水印信息并恢复原始载体图像。
也就是,对于水印提取及图像无损恢复,先判断出载体图像中的待提取区域(嵌入区域),然后按照区域嵌入面积由大到小的顺序依次从像素峰值点处提取水印信息,并将数值大于峰值点处像素值的像素值减一,以恢复载体图像。
从上述实施例可以看出,本发明通过语义分割技术对载体图像进行内容识别,选择待嵌入区域,在每个所选的待嵌入区域的像素峰值点位置循环嵌入水印比特序列,既解决了像素值的边界溢出问题,又不用引入额外的附加信息占用嵌入容量。将语义分割术引入可逆水印算法中,为实现抵抗像素值溢出的可逆水印嵌入提供了一条新的途径。
在本发明的描述中,需要理解的是,方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,在未作相反说明的情况下,这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制;方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
此外,需要说明的是,使用“第一”、“第二”等词语来限定零部件,仅仅是为了便于对相应零部件进行区别,如没有另行声明,上述词语并没有特殊含义,因此不能理解为对本发明保护范围的限制。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于图像内容识别的抗溢出可逆数字水印嵌入方法,其特征在于,该方法包括:
基于全卷积神经网络FCN语义分割模型对输入的载体图像进行预处理,得到以物体识别为基础的多个物体区域Ai,每个物体区域为各个像素值连续的闭合区域;
按照区域面积对多个物体区域Ai进行排序并标号;
基于排序后的多个物体区域Ai各自的边缘像素值py确定可嵌入区域Sj;
将所确定的可嵌入区域Sj中区域面积大于预定区域面积的可嵌入区域确定为待嵌入区域;
在待嵌入区域中进行基于区域直方图平移的水印嵌入得到含水印的载体图像。
2.根据权利要求1所述的方法,其特征在于,按照区域面积对多个物体区域Ai由大到小进行排序并标号。
3.根据权利要求2所述的方法,其特征在于,基于排序后的多个物体区域Ai各自的边缘像素值py确定可嵌入区域Sj包括:
将每个物体区域的边缘像素值py与该物体区域内最小像素值或最大像素值进行比较;
将最小像素值与边缘像素值py之差大于预定值或边缘像素值py与最大像素值之差大于预定值的物体区域确定为可嵌入区域。
4.根据权利要求3所述的方法,其特征在于,在待嵌入区域中进行基于区域直方图平移的水印嵌入得到含水印的载体图像包括:
S1080,生成水印图像的二进制数据流w;
S1082,生成待嵌入区域S1的直方图;
S1084,顺序扫描待嵌入区域S1,对待嵌入区域S1中像素值大于峰值点的像素值ph的像素点的像素值px加1,其余像素点像素值不变;
S1086,再次按照与S1084中的顺序扫描待嵌入区域S1,当px=ph时,检测待嵌入水印信息并嵌入水印信息,当w=0时像素值px保持ph不变,而当w=1时像素值px置为ph+1;
S1088,对于其余待嵌入区域S2至Sn,重复执行S1082至S1086,循环嵌入水印信息,得到含水印的载体图像。
5.一种基于图像内容识别的抗溢出可逆数字水印提取方法,其特征在于,该方法包括:
基于全卷积神经网络FCN语义分割模型对含水印的载体图像进行预处理,得到以物体识别为基础的多个物体区域Ai,每个物体区域为各个像素值连续的闭合区域;
按照区域面积对多个物体区域Ai进行排序并标号;
基于排序后的多个物体区域Ai各自的边缘像素值py确定可提取区域Sj;
将所确定的可提取区域Sj中区域面积大于预定区域面积的可嵌入区域确定为待提取区域;
在待提取区域中进行基于区域直方图平移的水印提取以恢复原始载体图像。
6.根据权利要求5所述的方法,其特征在于,按照区域面积对多个物体区域Ai由大到小进行排序并标号。
7.根据权利要求6所述的方法,其特征在于,基于排序后的多个物体区域Ai各自的边缘像素值py确定可提取区域Sj包括:
将每个物体区域的边缘像素值py与该物体区域内最小像素值或最大像素值进行比较;
将最小像素值与边缘像素值py之差大于预定值或边缘像素值py与最大像素值之差大于预定值的物体区域确定为可提取区域。
8.根据权利要求7所述的方法,其特征在于,在待提取区域中进行基于区域直方图平移的水印提取以恢复原始载体图像包括:
S2080,生成待提取区域S1的直方图;
S2082,顺序扫描待提取区域S1,当待提取区域S1中像素点的像素值px等于峰值点的像素值ph时,提取水印信息w=0;当px-ph=1时,提取水印信息w=1;
S2084,再次按照S2082中的顺序扫描待提取区域S1,恢复载体图像,对像素值大于峰值点的像素值ph的像素点像素值px减1,其余像素点像素值不变;
S2086,对于其余待提取区域S2至Sn,重复执行S2080至S2084,循环提取水印信息并恢复原始载体图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910976372.0A CN112669191B (zh) | 2019-10-15 | 2019-10-15 | 基于图像内容识别的抗溢出可逆数字水印嵌入及提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910976372.0A CN112669191B (zh) | 2019-10-15 | 2019-10-15 | 基于图像内容识别的抗溢出可逆数字水印嵌入及提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669191A true CN112669191A (zh) | 2021-04-16 |
CN112669191B CN112669191B (zh) | 2023-07-04 |
Family
ID=75399879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910976372.0A Active CN112669191B (zh) | 2019-10-15 | 2019-10-15 | 基于图像内容识别的抗溢出可逆数字水印嵌入及提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669191B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004830A (zh) * | 2006-12-20 | 2007-07-25 | 北京理工大学 | 一种空域图像选择的鲁棒数字图像水印技术 |
CN101030293A (zh) * | 2007-03-30 | 2007-09-05 | 西安电子科技大学 | 基于图像特征区域的抗几何攻击数字水印方法 |
JP2007235651A (ja) * | 2006-03-02 | 2007-09-13 | Kyocera Mita Corp | 電子透かし埋め込み方法及びそのプログラム、電子透かし埋め込み情報検出方法及びそのプログラム |
CN101059863A (zh) * | 2006-04-20 | 2007-10-24 | 刘瑞祯 | 一种认证水印的嵌入与检测方法及其系统和用途 |
CN101105857A (zh) * | 2007-07-20 | 2008-01-16 | 北京交通大学 | 一种基于预测和压扩技术的高容量可逆水印方法 |
JP2008042280A (ja) * | 2006-08-01 | 2008-02-21 | Ricoh Co Ltd | 画像処理装置 |
CN101149835A (zh) * | 2007-10-29 | 2008-03-26 | 中国人民解放军信息工程大学 | 一种基于地图数据栅格化的鲁棒性盲水印嵌入与提取方法 |
CN101166260A (zh) * | 2007-09-12 | 2008-04-23 | 华为技术有限公司 | 图像编码和移除水印的方法及装置 |
CN101169783A (zh) * | 2007-06-15 | 2008-04-30 | 黄海 | 用于多媒体对象的数字水印搜索引擎 |
CN101308566A (zh) * | 2008-06-02 | 2008-11-19 | 西安电子科技大学 | 基于contourlet变换抗几何攻击数字图像水印方法 |
CN102036079A (zh) * | 2010-12-16 | 2011-04-27 | 北京航空航天大学 | 一种基于全方向预测误差直方图修改的可逆图像水印算法 |
CN102147912A (zh) * | 2011-03-30 | 2011-08-10 | 北京航空航天大学 | 一种基于自适应差值扩展的可逆图像水印方法 |
CN102156955A (zh) * | 2011-04-11 | 2011-08-17 | 西安电子科技大学 | 基于直方图邻域的鲁棒可逆水印嵌入与提取方法 |
CN102208187A (zh) * | 2010-03-30 | 2011-10-05 | 尼尔森(美国)有限公司 | 对大致无声的媒体内容呈现加注音频水印的方法和设备 |
CN102567942A (zh) * | 2012-01-09 | 2012-07-11 | 中山大学 | 利用直方图平移的可逆水印方法 |
CN106023058A (zh) * | 2016-05-25 | 2016-10-12 | 广东工业大学 | 一种高保真可逆水印嵌入方法 |
CN106485640A (zh) * | 2016-08-25 | 2017-03-08 | 广东工业大学 | 一种基于多层次ipvo的可逆水印计算方法 |
CN109493270A (zh) * | 2018-11-07 | 2019-03-19 | 中南大学 | 一种基于slt-dm的水印图像还原方法 |
-
2019
- 2019-10-15 CN CN201910976372.0A patent/CN112669191B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007235651A (ja) * | 2006-03-02 | 2007-09-13 | Kyocera Mita Corp | 電子透かし埋め込み方法及びそのプログラム、電子透かし埋め込み情報検出方法及びそのプログラム |
CN101059863A (zh) * | 2006-04-20 | 2007-10-24 | 刘瑞祯 | 一种认证水印的嵌入与检测方法及其系统和用途 |
JP2008042280A (ja) * | 2006-08-01 | 2008-02-21 | Ricoh Co Ltd | 画像処理装置 |
CN101004830A (zh) * | 2006-12-20 | 2007-07-25 | 北京理工大学 | 一种空域图像选择的鲁棒数字图像水印技术 |
CN101030293A (zh) * | 2007-03-30 | 2007-09-05 | 西安电子科技大学 | 基于图像特征区域的抗几何攻击数字水印方法 |
CN101169783A (zh) * | 2007-06-15 | 2008-04-30 | 黄海 | 用于多媒体对象的数字水印搜索引擎 |
CN101105857A (zh) * | 2007-07-20 | 2008-01-16 | 北京交通大学 | 一种基于预测和压扩技术的高容量可逆水印方法 |
CN101166260A (zh) * | 2007-09-12 | 2008-04-23 | 华为技术有限公司 | 图像编码和移除水印的方法及装置 |
CN101149835A (zh) * | 2007-10-29 | 2008-03-26 | 中国人民解放军信息工程大学 | 一种基于地图数据栅格化的鲁棒性盲水印嵌入与提取方法 |
CN101308566A (zh) * | 2008-06-02 | 2008-11-19 | 西安电子科技大学 | 基于contourlet变换抗几何攻击数字图像水印方法 |
CN102208187A (zh) * | 2010-03-30 | 2011-10-05 | 尼尔森(美国)有限公司 | 对大致无声的媒体内容呈现加注音频水印的方法和设备 |
CN102036079A (zh) * | 2010-12-16 | 2011-04-27 | 北京航空航天大学 | 一种基于全方向预测误差直方图修改的可逆图像水印算法 |
CN102147912A (zh) * | 2011-03-30 | 2011-08-10 | 北京航空航天大学 | 一种基于自适应差值扩展的可逆图像水印方法 |
CN102156955A (zh) * | 2011-04-11 | 2011-08-17 | 西安电子科技大学 | 基于直方图邻域的鲁棒可逆水印嵌入与提取方法 |
CN102567942A (zh) * | 2012-01-09 | 2012-07-11 | 中山大学 | 利用直方图平移的可逆水印方法 |
CN106023058A (zh) * | 2016-05-25 | 2016-10-12 | 广东工业大学 | 一种高保真可逆水印嵌入方法 |
CN106485640A (zh) * | 2016-08-25 | 2017-03-08 | 广东工业大学 | 一种基于多层次ipvo的可逆水印计算方法 |
CN109493270A (zh) * | 2018-11-07 | 2019-03-19 | 中南大学 | 一种基于slt-dm的水印图像还原方法 |
Non-Patent Citations (1)
Title |
---|
晁文婷: "基于随机共振现象的数字图像水印研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 3, pages 138 - 67 * |
Also Published As
Publication number | Publication date |
---|---|
CN112669191B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Coverless information hiding based on robust image hashing | |
Luo et al. | Coverless real-time image information hiding based on image block matching and dense convolutional network | |
Meng et al. | A Fusion Steganographic Algorithm Based on Faster R-CNN. | |
CN111476067B (zh) | 图像的文字识别方法、装置、电子设备及可读存储介质 | |
Lu et al. | Multimedia forensic hash based on visual words | |
Pan et al. | Reversible data hiding based on local histogram shifting with multilayer embedding | |
Huang et al. | A reversible data hiding scheme for 3D polygonal models based on histogram shifting with high embedding capacity | |
CN106682628B (zh) | 一种基于多层深度特征信息的人脸属性分类方法 | |
Bharti et al. | A survey of image forgery detection techniques | |
Badr et al. | A review on steganalysis techniques: from image format point of view | |
Hsu et al. | Dual-watermarking by QR-code Applications in Image Processing | |
Gharde et al. | Robust perceptual image hashing using fuzzy color histogram | |
CN111242829A (zh) | 一种水印提取方法、装置、设备及存储介质 | |
Chu et al. | A digital image watermarking method based on labeled bisecting clustering algorithm | |
CN113961710A (zh) | 基于多模态分层融合网络的细粒度化论文分类方法及装置 | |
Ramly et al. | SVM-SS watermarking model for medical images | |
CN112669191B (zh) | 基于图像内容识别的抗溢出可逆数字水印嵌入及提取方法 | |
CN113221991A (zh) | 一种利用深度学习重新标注数据集的方法 | |
CN101246585A (zh) | 一种在数字图像中嵌入和提取水印的方法与装置 | |
CN111445378A (zh) | 一种基于神经网络的图像盲水印嵌入及检测的方法及系统 | |
CN115600040A (zh) | 一种钓鱼网站识别方法及装置 | |
Lee et al. | Reversible data hiding based on histogram modification of prediction-error | |
Patil et al. | Image hashing using AQ-CSLBP with double bit quantization | |
Jahromi et al. | Deep learning semantic image synthesis: a novel method for unlimited capacity, high noise resistance coverless video steganography | |
WO2016166739A1 (en) | Information bearing devices |
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 |