CN112801846A - 一种水印嵌入、提取方法、装置、计算机设备和存储介质 - Google Patents

一种水印嵌入、提取方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112801846A
CN112801846A CN202110179515.2A CN202110179515A CN112801846A CN 112801846 A CN112801846 A CN 112801846A CN 202110179515 A CN202110179515 A CN 202110179515A CN 112801846 A CN112801846 A CN 112801846A
Authority
CN
China
Prior art keywords
image
target
watermark
sub
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
Application number
CN202110179515.2A
Other languages
English (en)
Other versions
CN112801846B (zh
Inventor
伍东升
嵇海波
孙剑峰
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202110179515.2A priority Critical patent/CN112801846B/zh
Publication of CN112801846A publication Critical patent/CN112801846A/zh
Application granted granted Critical
Publication of CN112801846B publication Critical patent/CN112801846B/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
    • G06T1/005—Robust watermarking, e.g. average attack or collusion attack resistant
    • 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
    • G06T2201/0052—Embedding of the watermark in the frequency domain

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于计算机视觉技术的一种水印嵌入、提取方法、装置、计算机设备和存储介质，可识别目标图像的第一特征点；基于第一特征点在目标图像上的分布信息，确定目标图像的水印嵌入区域；对水印嵌入区域进行频域分解处理得到至少两个子带图像,根据各子带图像包含的水印嵌入区域的高频信息和低频信息，选择目标子带图像；将水印嵌入目标子带图像中得到嵌入后目标子带图像；将水印嵌入区域的目标子带图像替换为嵌入后目标子带图像；对水印嵌入区域的子带图像进行频域分解处理的逆处理，得到嵌入水印后的目标图像，由此，水印嵌入区域的选择基于目标图像的特征点实现，增加了水印嵌入区域的自适应性，有利于保证所嵌入水印的鲁棒性和安全性。

Description

一种水印嵌入、提取方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像处理技术领域，具体涉及一种水印嵌入、提取方法、装置、计算机设备和存储介质。
背景技术
数字水印是一种应用计算机算法嵌入载体文件的保护信息，它是将一些标识信息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。
数字水印在嵌入目标图像的过程中，一般需要先选择水印嵌入区域，再进行水印的嵌入，相关技术中，在选择不同图像的水印嵌入区域时，容易出现一些固定的位置作为水印嵌入区域，在遭受图像攻击时，这种水印嵌入区域不能提供良好的鲁棒性，容易发生无法完好提取水印的问题。
发明内容
本发明实施例提供一种水印嵌入、提取方法、装置、计算机设备和存储介质，可以根据图像自身的特点来选择水印嵌入区域，提升所嵌入水印的鲁棒性和安全性。
本发明实施例提供一种水印嵌入方法，该方法包括：
对目标图像进行特征点识别，得到所述目标图像的第一特征点；
基于所述目标图像的第一特征点在所述目标图像上的分布信息，确定所述目标图像中的水印嵌入区域；
对所述水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各子带图像包含的所述水印嵌入区域的高频信息和低频信息，从所述子带图像中选择目标子带图像；
将待嵌入的水印嵌入所述目标子带图像中，得到嵌入后目标子带图像；
将所述水印嵌入区域的所述目标子带图像，替换为所述嵌入后目标子带图像；
对所述水印嵌入区域的子带图像进行所述频域分解处理的逆处理，得到嵌入水印后的目标图像。
本发明实施例提供一种水印提取方法，该方法包括：
对待提取图像进行特征点识别，得到所述待提取图像的第一特征点；
基于所述待提取图像的第一特征点在所述待提取图像上的分布信息，确定所述待提取图像中的水印嵌入区域；
对所述水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各所述子带图像包含的所述水印嵌入区域的高频信息和低频信息，从所述子带图像中确定出嵌有水印的目标子带图像；
从所述目标子带图像中，提取嵌入所述目标子带图像中的所述水印。
本发明实施例还提供一种水印嵌入装置，该装置包括：
第一特征点提取单元，用于对目标图像进行特征点识别，得到所述目标图像的第一特征点；
第一区域确定单元，用于基于所述目标图像的第一特征点在所述目标图像上的分布信息，确定所述目标图像中的水印嵌入区域；
目标分量选择单元，用于对所述水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各子带图像包含的所述水印嵌入区域的高频信息和低频信息，从所述子带图像中选择目标子带图像；
嵌入单元，用于将待嵌入的水印嵌入所述目标子带图像中，得到嵌入后目标子带图像；
图像还原单元，用于将所述水印嵌入区域的所述目标子带图像，替换为所述嵌入后目标子带图像；对所述水印嵌入区域的子带图像进行所述频域分解处理的逆处理，得到嵌入水印后的目标图像。
在一个可选的示例中，装置还包括特征点筛选单元，用于：基于所述目标图像的第一特征点在所述目标图像上的分布信息，确定所述目标图像中的水印嵌入区域前，获取所述目标图像的攻击后图像，所述攻击后图像为对所述目标图像进行图像攻击后得到的图像；对所述攻击后图像进行特征点识别，得到所述攻击后图像的第二特征点；基于所述第一特征点和第二特征点，对所述目标图像的第一特征点进行稳定性检测，根据各第一特征点的稳定性检测结果从所述第一特征点中确定目标特征点；
第一区域确定单元，用于基于所述目标图像的目标特征点在所述目标图像上的分布信息，确定所述目标图像中的水印嵌入区域。
在一个可选的示例中，特征点筛选单元，用于：
对所述第一特征点和第二特征点进行特征点匹配，将匹配成功的第一特征点确定为待检测特征点；
从所述待检测特征点中选择部分特征点作为初始化特征点，基于所述初始化特征点拟合一个匹配模型；
对所述待检测特征点和所述匹配模型进行匹配，将匹配成功的待检测特征点，确定为本次稳定性检测过程中通过检测的正确特征点；
当所述正确特征点的数量不满足稳定性检测结束条件时，若当前的正确特征点不少于前一次稳定性检测过程中确定的正确特征点，以所述当前的正确特征点作为新的初始化特征点，返回执行所述基于所述初始化特征点拟合一个匹配模型的步骤；
当所述正确特征点的数量不满足稳定性检测结束条件时，若当前的正确特征点少于前一次稳定性检测过程中确定的正确特征点，对本次稳定性检测过程中使用的初始化特征点进行更改，得到新的初始化特征点，返回执行所述基于所述初始化特征点拟合一个匹配模型的步骤；
当所述正确特征点的数量满足稳定性检测结束条件时，将所述正确特征点确定为所述目标特征点。
在一个可选的示例中，第一区域确定单元，用于：
基于所述目标图像的第一特征点在所述目标图像上的分布信息，确定所述目标图像中的两个基准特征点，其中，所述基准特征点的距离不低于所述水印的最远两点间的距离；
将所述基准特征点之间的中点，确定为所述水印嵌入区域的区域中心点；
根据所述区域中心点以及待嵌入的水印的尺寸信息，确定所述目标图像中的水印嵌入区域。
在一个可选的示例中，第一区域确定单元，用于：
根据所述目标图像的第一特征点在目标图像上的位置信息，对所述第一特征点进行聚类，得到至少两个聚类簇；
从每个聚类簇中获取一个第一特征点作为基准特征点；
根据基准特征点在所述目标图像上的位置信息，以及待嵌入的水印的尺寸信息，确定所述目标图像中的水印嵌入区域。
在一个可选的示例中，目标分量选择单元，用于：
对所述水印嵌入区域进行频域分解处理，得到至少两个第一子带图像；
对所述第一子带图像中的低频子带图像进行频域分解处理，得到至少两个第二子带图像，其中，低频子带图像为包含所述水印嵌入区域的低频信息最多的子带图像；
根据各所述第二子带图像中包含的所述水印嵌入区域的高频信息和低频信息，从所述第二子带图像中选择目标子带图像。
在一个可选的示例中，嵌入单元，用于：
对所述目标子带图像进行矩阵分解处理，从矩阵分解结果中获取满足稳定性要求的目标矩阵；
将所述水印嵌入所述目标矩阵中，得到嵌入后目标矩阵；
对所述嵌入后目标矩阵和所述矩阵分解结果中除所述目标矩阵外的其他矩阵，进行所述矩阵分解处理的逆处理，得到嵌入后目标子带图像。
在一个可选的示例中，嵌入单元，用于：
对所述目标子带图像进行奇异值矩阵分解处理，从矩阵分解结果中获取奇异值矩阵作为满足稳定性要求的目标矩阵；
根据所述奇异值矩阵中的奇异值数量，将所述水印分割为所述奇异值数量的子水印；
将各子水印分别嵌入所述奇异值矩阵的奇异值中，得到嵌入后奇异值矩阵；
对所述嵌入后奇异值矩阵和所述矩阵分解结果中除所述奇异值矩阵之外的其他矩阵，进行所述奇异值矩阵分解处理的逆处理，得到嵌入后目标子带图像。
在一个可选的示例中，第一区域确定单元，用于：对所述待嵌入的水印进行分割，得到至少两个子水印；根据所述目标图像的特征点在所述目标图像上的分布信息，在所述目标图像中确定各个子水印对应的水印嵌入区域，其中，不同子水印的水印嵌入区域不同；
嵌入单元，用于将各所述子水印分别嵌入对应的水印嵌入区域的目标子带图像中，得到各所述水印嵌入区域对应的嵌入后目标子带图像。
在一个可选的示例中，嵌入单元，用于：
根据各水印嵌入区域对人眼的感知掩蔽性，确定各水印嵌入区域对应的子水印的水印嵌入强度；
基于各子水印的水印嵌入强度，将各子水印嵌入到对应的水印嵌入区域的目标子带图像中，得到各水印嵌入区域的嵌入后目标子带图像。
在一个可选的示例中，该装置还可以包括水印加密单元，用于在将待嵌入的水印嵌入所述目标子带图像中，得到嵌入后目标子带图像前，对待嵌入的水印进行乱序加密处理，得到加密后水印；所述将待嵌入的水印嵌入所述目标子带图像中，得到嵌入后目标子带图像，包括：将所述加密后水印嵌入所述目标子带图像中，得到嵌入后目标子带图像。
本发明实施例提供一种水印提取装置，该装置包括：
第二特征点提取单元，用于对待提取图像进行特征点识别，得到所述待提取图像的第一特征点；
第二区域确定单元，用于基于所述待提取图像的第一特征点在所述待提取图像上的分布信息，确定所述待提取图像中的水印嵌入区域；
水印嵌入分量确定单元，用于对所述水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各所述子带图像包含的所述水印嵌入区域的高频信息和低频信息，从所述子带图像中确定出嵌有水印的目标子带图像；
水印提取单元，用于从所述目标子带图像中，提取嵌入所述目标子带图像中的所述水印。
在本发明的一些实施例中，还可以提供一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上所述方法的步骤。
在本发明的一些实施例中，还可以提供一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
采用本发明实施例，可以对目标图像进行特征点识别，得到目标图像的第一特征点；基于目标图像的第一特征点在目标图像上的分布信息，确定目标图像中的水印嵌入区域；对水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各子带图像包含的水印嵌入区域的高频信息和低频信息，从子带图像中选择目标子带图像；将待嵌入的水印嵌入目标子带图像中，得到嵌入后目标子带图像；将水印嵌入区域的目标子带图像，替换为嵌入后目标子带图像；对水印嵌入区域的子带图像进行频域分解处理的逆处理，得到嵌入水印后的目标图像，由此，水印嵌入区域是根据目标图像的特征点的特点选择的，不同图像的特征点分布一般不同，所以选择出的水印嵌入区域一般不同，并且基于特征点选择的水印嵌入区域一般具有较好的抗图像攻击的能力，所以嵌入水印后，可以给水印带来很好的抗攻击性，提升所嵌入水印的鲁棒性和安全性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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是本发明实施例提供的水印处理系统的结构示意图；
图2a是本发明实施例提供的水印嵌入方法的流程图；
图2b是本发明实施例提供的目标图像的特征点提取结果的示意图；
图2c是本发明实施例提供的目标图像的特征点筛选前后的对比示意图；
图2d是本发明实施例提供的对目标图像进行二级DWT分解的示意图；
图2e是本发明实施例提供的水印加密的示意图；
图3a是本发明实施例提供的水印提取方法的流程图；
图3b是本发明实施例中待提取图像遭受不同类型的图像攻击时，提取出的水印的NC(Noise Criteria，噪声标准)值；
图4是本发明实施例提供的水印嵌入装置的结构示意图；
图5是本发明实施例提供的水印提取装置的结构示意图；
图6是本发明实施例提供的计算机设备的结构示意图。
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。
本发明实施例提供一种水印嵌入、提取方法、装置、计算机设备和存储介质。
具体的，本发明实施例提供了适用于计算机设备(为区分，记为第一计算机设备)的水印嵌入装置，适用于计算机设备(为区分，记为第二计算机设备)的水印提取装置。
本实施例中的计算机设备可以是终端或服务器，终端可以包括移动终端和固定终端。其中，移动终端包括但不限于智能手机、智能手表、平板电脑、笔记本电脑、智能车载等，其中，固定终端包括但不限于台式电脑，智能电视等。
其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器，但并不局限于此。
参考图1，本实施例提供的水印处理系统包括水印嵌入终端11、水印提取终端12和服务器20等；水印嵌入终端11、水印提取终端12和服务器20之间通过网络连接，比如，通过有线或无线网络连接等。
其中，水印嵌入终端11，可以将目标图像和待嵌入的水印发送给服务器20，触发服务器20对目标图像进行水印嵌入。
服务器20，可以用于接收目标图像和待嵌入的水印，对目标图像进行特征点识别，得到目标图像的第一特征点；基于目标图像的第一特征点在目标图像上的分布信息，确定目标图像中的水印嵌入区域；对水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各子带图像包含的水印嵌入区域的高频信息和低频信息，从子带图像中选择目标子带图像；将待嵌入的水印嵌入目标子带图像中，得到嵌入后目标子带图像；将水印嵌入区域的目标子带图像，替换为嵌入后目标子带图像；对水印嵌入区域的子带图像进行频域分解处理的逆处理，得到嵌入水印后的目标图像，将该嵌入水印后的目标图像发送给水印嵌入终端11。
水印提取终端12，可以用于将待提取图像发送给服务器20，触发服务器20对待提取图像中的水印进行提取。
服务器20，可以用于对待提取图像进行特征点识别，得到待提取图像的第一特征点；基于待提取图像的第一特征点在待提取图像上的分布信息，确定待提取图像中的水印嵌入区域；对水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各子带图像包含的水印嵌入区域的高频信息和低频信息，从子带图像中确定出嵌有水印的目标子带图像；从目标子带图像中，提取嵌入目标子带图像中的水印。
其中，水印嵌入终端11也可以不将目标图像和待嵌入的水印发送给服务器20，而是自己执行服务器20中终端的水印嵌入方法的步骤。类似的，水印提取终端12也可以自己基于待提取图像执行水印提取方法的步骤。
以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
本发明实施例提供的一种水印嵌入方法，该方法可以由终端或服务器的处理器执行，如图2a所示，该水印嵌入方法的流程可以如下：
201、对目标图像进行特征点识别，得到目标图像的第一特征点；
本实施例中，对目标图像和水印的各种处理，例如对目标图像的特征点的识别，对水印嵌入区域的频域分解处理，对水印在水印嵌入区域的嵌入等等，可以基于计算机视觉(图像)(Computer Vision,CV)技术实现，计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索等技术。
例如，可以基于图像处理(Image Processing)技术对目标图像进行特征点识别，得到目标图像的特征点。
在图像处理领域，“特征点”，主要指的就是“能够在含有相同场景或目标的相似图像中，以一种相同的或至少非常相似的不变形式表示图像或目标”的点，更具体一点，对于同一个物体或场景，从不同的角度采集多幅图片，如果多幅图片中相同的地方能够被识别出来是相同的。那么这些相同的地方(图像点或者图像块)是具有尺度不变性的，可以被称为特征点。
例如，特征点可以包括：图像灰度值发生剧烈变化的点或者在图像边缘上曲率较大的点(即两个边缘的交点)。该特征点可以基于相关技术中获取图像特征点的方案实现，其中，提取特征点的具体方案不限。本实施例中，水印嵌入区域基于特征点进行选取，鉴于特征点的尺度不变性，水印嵌入区域对图像攻击的抵抗力较强，即在目标图像遭受图像攻击后，水印嵌入区域的水印提取成功率也可以得到保证。
在一个可选的示例中，特征点提取所采用的算法包括但不限于SIFT(ScaleInvariant Feature Transform，尺度不变特征变换)算法，SURF(Speeded Up RobustFeatures，加速稳健特征)算法，和ORB(Oriented Fast and Rotated Brief)算法等等。
其中，SIFT是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，优点是特征稳定，对旋转、尺度变换、亮度保持不变性，对视角变换、噪声也有一定程度的稳定性；缺点是实时性不高，并且对于边缘光滑目标的特征点提取能力较弱。
ORB是将FAST特征点的检测方法与BRIEF特征点描述子结合起来，并在它们原来的基础上做了改进与优化。采用ORB算法会先采用fast算法从目标图像中检测出第一特征点，然后基于BRIEF算法为每个第一特征点计算出相应的特征向量。ORB算法创建的特征向量只包含1和0，称为二元特征向量。1和0的顺序会根据特征点和其周围的像素区域而变化。该向量表示特征点周围的强度模式，因此多个特征向量可以用来识别更大的区域，甚至图像中的特定对象。其中，确定出的关键点即为特征点。
其中，采用fast算法从目标图像中检测出第一特征点可以包括：对目标图像中的每个像素点p，确定以该P点为圆心，半径为预设半径的圆形，确定该圆的边经过的像素点为像素点P的对比像素点；
计算像素点p与对比像素点的像素值差值，若像素值差值大于预设最大像素值差值，确定对比像素点为第一对比像素点；若像素值差值小于预设最小像素值差值，确定对比像素点为第二对比像素点；若像素值差值不小于预设最小像素值差值且不大于预设最大像素值差值，确定对比像素点为第三对比像素点；
若存在第一对比像素点(或第二对比像素点)且连续相连的第一对比像素点(或第二对比像素点)的个数大于预设相连像素点个数阈值，确定该像素点P为特征点。
ORB的特点是速度超快，而且在一定程度上不受噪点和图像变换例如旋转和缩放变换等的影响。
SURF改进了特征的提取和描述方式，用一种更为高效的方式完成特征点的提取和描述。
采用SURF算法提取第一特征地点的步骤包括：对目标图像中的每个像素点构建黑塞矩阵，根据黑塞矩阵确定像素点中的关键点；
对目标图像进行盒式滤波处理，得到目标图像对应的尺度空间，其中，尺度空间包括至少两组图像组，每组图像组中包括两层图像层，每层图像层中包括至少两个铝箔处理后的图像，其中，不同组之间图像的尺寸相同，同一组的不同层之间使用相同尺寸的盒式滤波器，但是滤波器系数不同；
根据尺度空间中关键点的邻域内的像素点，从关键点中滤除能量较弱的关键点和错误点位的关键点，将剩余的关键点确定为第一特征点；
在目标图像中，在第一特征点的圆形邻域内，统计多个60度扇形内所有点的水平、垂直harr小波特征总和，将总和值最大的那个扇形的方向作为该第一特征点的主方向；
根据第一特征点周围的像素点，生成第一特征点的特征描述子。
其中，黑塞矩阵(Hessian Matrix)是一个多元函数的二阶偏导数构成的方阵，描述了函数的局部曲率，黑塞矩阵是Surf算法的核心，构建Hessian矩阵的目的是为了生成图像稳定的边缘点(突变点)，为下文的特征提取做好基础。
本实施例中，鉴于不同特征提取算法，对具有不同几何特征的区域的特征点提取效果不同，可以根据特征提取算法的优点，预先设置图像中特征点所处区域的几何特征与处理该图像的特征提取算法的对应关系，从而可以选择适合目标图像的几何特征的特征提取算法，提升所提取到的特征点的质量。其中，几何是研究控件结构及性质的一门学科，本实施例的几何特征，指的是某个对象的空间结构方面的特征。
其中，图像中内容的几何特征包括但不限于边缘特征。该边缘特征即为图像边缘的特征，边缘是不同区域的分界线，是周围(局部)像素有显著变化的像素的集合。边缘上的灰度变化平缓，边缘两侧的灰度变化较快，一般地，图像的边缘就是变化特别显著的部分，灰度值的变化，颜色分量(如RGB分量)的突变以及纹理结构的突变都可构成边缘信息。边缘特征可以包括边缘两侧灰度值变化特征，边缘两侧颜色分量变化特征等等。
具体的，可以对目标图像进行边缘检测，确定目标图像中的边缘，基于边缘两侧区域的图像特征，或者边缘自身包含的像素点的位置和颜色等特征确定目标图像的边缘特征。之后，可以根据预设的几何特征与特征提取算法的对应关系，确定与该边缘特征对应的目标特征提取算法。
其中，边缘两侧区域的图像特征包括但不限于边缘两侧区域的灰度值、颜色分量、纹理结构等等。基于边缘两侧区域的灰度值可以确定边缘两侧灰度值变化特征，基于边缘两侧区域的颜色分量，可以确定边缘两侧颜色分量变化特征，基于边缘两侧纹理结构，可以确定边缘两侧纹理变化特征。
其中，基于边缘包括的像素点的位置，可以确定边缘是否光滑。
例如，若边缘特征为边缘光滑，则目标特征提取算法可以为ORB等算法，若边缘特征为边缘粗糙，则目标特征提取算法可以为SIFT或SURF算法。若边缘特征为边缘粗糙，且对特征提取的实时性要求较高，则目标特征提取算法可以为SURF算法。其中，参见图2b，图2b示出了对一个目标图像提取特征点得到的结果，图中灰色圆圈指示的小点(如10指示的灰色圆圈)代表提取出的第一特征点。
其中，一个特征点可以用关键点、方向、尺度和特征描述子等进行描述，其中，关键点描述的是特征点的位置，特征描述子指的是关键点周围像素的信息，以SIFT算法为例，对特征点的识别过程进行示例说明：
本实施例中，SIFT算法可以分解为如下四个步骤：
1、尺度空间极值点检测：
对目标图像进行高斯模糊处理，得到目标图像对应的尺度空间，其中，尺度空间包括至少3层，每层包括目标图像在至少两个尺度下的图像；
根据尺度空间中的图像，通过高斯微分函数来识别各尺度的图像中对于尺度和旋转不变的兴趣点，即识别尺度空间的图像中的极值点，确定极值点的位置和所在图像的尺度。
2、关键点定位：
将各个极值点作为候选关键点，从离散空间插值到连续空间中，根据极值点在离散空间和连续空间中的位置的变化，确定候选关键点中的关键点，获取关键点的位置和所在图像的尺度。
其中，识别出关键点的图像的尺度，即为该关键点对应的特征点的尺度。
3、关键点方向确定：
基于图像的局部梯度方向，分配给关键点一个或多个方向。
例如，在以关键点为中心的邻域窗口内采样，用直方图统计邻域窗口内像素点的梯度方向，其中，直方图的峰值对应的梯度方向为邻域窗口的梯度的主方向，也可以作为关键点的方向。
当然，需要为关键点分配多个方向时，可以选择直方图中取值较大的几个方向分配给关键点。
其中，分配给关键点的方向，即为该关键点对应的特征点的方向。
4、生成关键点描述信息：
在关键点周围的邻域内，在关键点所在尺度上测量图像局部的梯度，将这些梯度变换成一种表示，即为描述信息也即上述的特征描述子。这种表示允许比较大的局部形状的变形和光照变化。
具体的，可以在图像中设置以关键点为原点的坐标系，并使得一个坐标轴(如x轴)的方向与关键点的方向保持一致；
计算关键点的预设邻域(邻域的大小根据关键点所在图像的尺度确定)中每一个像素点的梯度，可选的，可以使用高斯下降函数降低远离关键点的像素点的提取权重；
将预设邻域分成一定数量的小块，计算每个小块在预设数量的方向上的梯度，根据各方向上的梯度确定每个小块的种子点，以每个小块的种子点和各方向上的梯度描述该关键点。
其中，针对每个小块可以绘制预设数量的方向上的梯度直方图，绘制梯度方向的累加值，得到每个小块的种子点，形成关键点的多维度的特征描述子。
上述的关键点，即为本实施例中的特征点。
例如，以预设邻域为16*16为例，可以将邻域分成4*4的小块，即总共16个小块，每个小块可以计算8方向的梯度直方图，每个小块一个种子点，一共形成16个种子点，这样的话，对每个关键点，可以形成4*4*8＝128维的特征描述子。
本实施例中，通过上述的算法计算，每个特征点具有位置、方向、尺度和特征描述子。
202、基于目标图像的第一特征点在目标图像上的分布信息，确定目标图像中的水印嵌入区域；
其中，不同的特征点，其稳定性可能不同，特征点的稳定性，可以理解为图像中识别出的特征点，还能再被识别为特征点。特征点具有稳定性，则特征点能保持不变，其中，特征点保持不变，包括但不限于特征点的位置、方向、尺度以及特征描述子中的至少一种保持不变。
稳定性较差的特征点，在目标图像被攻击后，可能无法被正确识别为特征点，不利于图像攻击前后目标图像中被识别出的特征点的一致性，也就不能保证嵌入了水印的目标图像，在被攻击后还能被正确识别出水印嵌入区域，也就无法保证水印的正确提取。
为此，本实施例中，可以对在步骤202之前，对第一特征点进行一定的筛选，以保证第一特征点的稳定性。
可选的，步骤202之前，还可以包括：获取目标图像的攻击后图像，攻击后图像为对目标图像进行图像攻击后得到的图像；对攻击后图像进行特征点识别，得到攻击后图像的第二特征点；基于第一特征点和第二特征点，对目标图像的第一特征点进行稳定性检测，根据各第一特征点的稳定性检测结果从第一特征点中确定目标特征点。
对应的，步骤“基于目标图像的特征点在目标图像上的分布信息，确定目标图像中的水印嵌入区域”，可以包括：
基于目标图像的目标特征点在目标图像上的分布信息，确定目标图像中的水印嵌入区域。
可以理解的是，在后续的描述中，在已经筛选了目标特征点的情况下，步骤202及其之后的步骤所使用的特征点，都可以是该目标特征点。
本实施例中的图像攻击包括但不限于图像处理手段，例如图像加噪处理，图像尺度变换处理，图像旋转处理，图像滤波处理，图像剪切处理等等。
其中，对攻击后图像进行特征点识别，得到攻击后图像的第二特征点，可以参见第一特征点的识别方案，在此不再赘述。
其中，步骤“获取目标图像的攻击后图像”，可以包括：对目标图像进行图像攻击，得到目标图像的攻击后图像。
一个示例中，图像攻击的次数不限，可以是至少一次。
其中，图像水印嵌入质量，可以具有多个衡量标准，该衡量标准包括但不限于图像中所嵌入水印的鲁棒性即稳健性，以及水印的不可见性。本实施例中，水印的鲁棒性可以理解为图像遭受攻击后所嵌入水印的稳定性，即嵌入水印的图像在遭受图像攻击后，还能成功提取出水印的能力。其中，水印的不可见性，指的是水印的人眼可见性，即水印嵌入图像后，不能通过人的感知系统(如视觉)被察觉到。
本实施例中，稳定性检测的方案不限，一个可选的示例中，第一特征点的稳定性可以根据第一特征点与第二特征点的匹配程度确定，具体的，可以将第一特征点与第二特征点进行匹配，确定第一特征点和第二特征点的匹配程度，根据匹配程度确定第一特征点和第二特征点是否匹配成功。
可选的，若第一特征点与第二特征点匹配成功，则可以将匹配成功的第一特征点作为目标特征点，执行203以及之后的步骤。可选的，另一个示例中，还可以对匹配成功的第一特征点进行进一步的筛选。
其中，第一特征点和第二特征点的匹配，可以基于特征点的特征描述子进行，特征描述子通常是一个向量的形式存在的，本实施例中可以计算第一特征点的特征描述子和第二特征点的特征描述子的相似度，若相似度高于预设最小相似度阈值，则确定第一特征点和第二特征点匹配成功。
其中，上述相似度可以基于向量距离进行表示，预设最小相似度阈值可以用预设最小向量距离阈值表示。
可选的，对匹配成功的第一特征点的进一步筛选，可以基于RANSAC(RandomSample Consensus，随机抽样一致算法)实现。
一个示例中，步骤“基于第一特征点和第二特征点，对目标图像的第一特征点进行稳定性检测，根据各第一特征点的稳定性检测结果从第一特征点中确定目标特征点”，可以包括：
对第一特征点和第二特征点进行特征点匹配，将匹配成功的第一特征点确定为待检测特征点；
从待检测特征点中选择部分特征点作为初始化特征点，基于初始化特征点拟合一个匹配模型；
对待检测特征点和匹配模型进行匹配，将匹配成功的待检测特征点，确定为本次稳定性检测过程中通过检测的正确特征点；
当正确特征点的数量不满足稳定性检测结束条件时，若当前的正确特征点不少于前一次稳定性检测过程中确定的正确特征点，以当前的正确特征点作为新的初始化特征点，返回执行基于初始化特征点拟合一个匹配模型的步骤；
当正确特征点的数量不满足稳定性检测结束条件时，若当前的正确特征点少于前一次稳定性检测过程中确定的正确特征点，对本次稳定性检测过程中使用的初始化特征点进行更改，得到新的初始化特征点，返回执行基于初始化特征点拟合一个匹配模型的步骤；
当正确特征点的数量满足稳定性检测结束条件时，将正确特征点确定为目标特征点。
一个示例中，正确特征点的数量满足稳定性检测结束条件包括但不限于正确特征点的数量超过预设数量阈值。
一个示例中，还可以基于正确特征点的数量，计算该正确特征点对应的匹配模型的错误率，基于错误率设置稳定性检测结束条件，其中，匹配模型的错误率＝(待检测特征点数量-正确特征点数量)/待检测特征点数量，正确特征点的数量满足稳定性检测结束条件包括：基于正确特征点数量计算出的该错误率低于预设最大错误率阈值。基于该错误率设置的稳定性检测结束条件，可以选择出错误率较低的匹配模型对应的正确特征点，匹配模型的错误率越低，则其匹配的正确特征点的准确性越高，有利于提升最终的目标特征点的准确性。
当然在其他的示例中，还可以不基于正确特征点的数量设置稳定性检测结束条件。
可选的，稳定性检测结束条件还可以包括：稳定性检测过程的执行次数达到预设执行次数，例如100次。稳定性检测过程的多次迭代，有利于提升正确特征点的个数和准确性。
可选的，稳定性检测结束条件还可以包括：在目标图像中圈住正确特征点的最小区域的面积超过待嵌入的水印的面积。由此，可避免正确特征点分布区域过小，有利于水印嵌入区域的正确选择。
其中，拟合就是把平面上一系列的点，用一条光滑的曲线连接起来，因为这条曲线有无数种可能，从而有各种拟合方法，拟合的曲线可以用函数进行表示，可选的，拟合方法有如最小二乘曲线拟合法等。
本实施例的匹配模型可以理解为曲线模型，由曲线函数表示。可选的，步骤“基于初始化特征点拟合一个匹配模型”，可以包括：基于初始化特征点拟合曲线，得到曲线模型，将该曲线模型作为匹配模型。
可选的，步骤“对待检测特征点和匹配模型进行匹配，将匹配成功的待检测特征点，确定为本次稳定性检测过程中通过检测的正确特征点”，包括但不限于：计算待检测特征点到曲线模型中的曲线的距离，将该距离小于预设最大距离阈值的待检测特征点，确定为本次稳定性检测过程中通过检测的正确特征点。
其中，预设最大距离阈值可以根据需要设置，本实施例对此没有限制。
一个示例中，对待检测特征点和匹配模型进行匹配时，可以将所有的待检测特征点与匹配模型进行匹配，也可以只将待检测点中的非初始化特征点与匹配模型进行匹配，初始化特征点则认为是正确特征点，而不用再进行匹配。
可选的，上述“对本次稳定性检测过程中使用的初始化特征点进行更改，得到新的初始化特征点”的步骤，可以包括：从本次稳定性检测过程中的非初始化特征点中选择一部分作为新增加的初始化特征点，将该新增加的初始化特征点与本次稳定性检测过程中使用的初始化特征点确定为新的初始化特征点。该方案中，新增加的初始化特征点的个数不限，可以根据需要设置，例如设置为2、3或4个等等。新增加的初始化特征点可以是随机选择的。
下面以举例的形式对基于RANSAC确定目标特征点的方案进行描述，假设待检测特征点的数量为P，匹配模型的拟合方式为最小二乘拟合方法：
1)从P个待检测特征点中选择n个待检测特征点作为初始化特征点；
其中，待检测特征点中除初始化特征点之外的其他特征点，可以认为是非初始化特征点。
2)以最小二乘拟合方法对初始化特征点进行曲线拟合，得到曲线模型；
3)确定非初始化特征点到曲线模型的距离，将该距离小于预设最大距离阈值的非初始化特征点确定为正确特征点，也将本次稳定性检测过程中使用的初始化特征点确定为正确特征点，统计所有正确特征点的总数量；
4)计算当前的曲线模型的错误率，若错误率不高于预设最大错误率阈值，进入步骤5)，否则进入步骤6)；
5)将本次稳定性检测过程确定出的正确特征点，确定为目标特征点。
6)判断本次稳定性检测过程是否为第一次稳定性检测过程，是，则进入步骤7)，否，则进入步骤8)；
7)从当前的非初始化特征点中，选择一部分特征点加入到本次使用的n个初始化特征点中，得到新的初始化特征点，并返回执行步骤2)；
8)判断当前的正确特征点是否不少于前一次稳定性检测过程中确定出的正确特征点，是，则进入步骤9)，否，则进入步骤10)；
9)以次稳定性检测过程中确定出的正确特征点作为新的初始化特征点，返回执行步骤2)；
10)从本次稳定性检测过程中的非初始化特征点中，选择一部分特征点加入到本次使用的初始化特征点中，得到新的初始化特征点，并返回执行步骤2)。
其中，参见图2c，左侧的图像指示了第一特征点筛选前的目标图像，右侧的图像指示了第一特征点筛选后的目标图像，图像中的白色点指示的是特征点。目标图像中是一个方形物体，左侧图像中检测出来的第一特征点包括11指示物体边缘上的特征点(正确的第一特征点)，和12指示的特征点(错误的第一特征点)，通过本实施例的上述筛选，可以去除12指示的特征点，保留正确的第一特征点。
本实施例中，第一特征点在目标图像上的分布信息，包括但不限于第一特征点在目标图像上的位置、密度等等与分布情况有关的信息。其中，计算第一特征点在目标图像上的密度时，可以将目标图像划分为多个图像块，例如划分为4*4＝16个图像块，计算每个图像块中的第一特征点的数量，然后以图像块中第一特征点的数量除以图像块的面积，得到图像块中第一特征点的密度。
在图像处理领域，图像具有高频信息和低频信息，图像的高频信息和低频信息是一个相对的概念，低频信息就是低频区域包含的信息，低频区域是颜色缓慢变化的区域，也即灰度缓慢变化的区域，对图像来说，除去低频信息就是高频信息，高频就是颜色或灰度值变化较大的区域，如图像中人物与背景的交界处等等。
在水印嵌入的时候，若是将水印嵌入在图像的低频信息中，则水印会对图像的内容进行较大的修改，人的眼睛可能可以看到嵌入后的水印，不利于水印的不可见性，而如果将水印嵌入在图像的高频信息中，水印对图像的内容修改较少，水印的不可见性较高，但是水印抵抗攻击的能力较弱，本实施例中，为了保证水印的鲁棒性和不可见性，可以在确定水印嵌入区域时，就避免水印嵌入区域的高频信息过多或低频信息过多。
而一个区域中的特征点越多，则说明这个区域中包含了更多的边缘等颜色或灰度值变化较大的内容，即这个区域中的高频信息越多。所以在选择水印嵌入区域的时候，可以基于第一特征点的分布信息如密度等，选择合适的水印嵌入区域。
可选的，一个示例中，可以根据对水印嵌入区域的高频信息和低频信息的要求，预先设置水印嵌入区域对应的特征点密度范围。然后基于该特征点密度范围和第一特征点的分布信息，确定水印嵌入区域。
可选的，步骤“基于目标图像的第一特征点在目标图像上的分布信息，确定目标图像中的水印嵌入区域”，可以包括：
基于待嵌入的水印的尺寸，确定目标图像中的候选水印嵌入区域；
基于各候选水印嵌入区域中的第一特征点的数量，确定候选水印嵌入区域中第一特征点的实际密度；
从实际密度在特征点密度范围内的候选水印嵌入区域中选择目标图像的水印嵌入区域。
其中，候选水印嵌入区域的形状不限，可以是圆形，矩形等等。候选水印嵌入区域需要能完全包含水印。可选的，对于矩形的候选水印嵌入区域，其最短边不短于待嵌入的水印的最长边。
可选的，水印嵌入区域的形状，可以根据后续的矩阵分解处理过程中，需要提取的目标矩阵的形状确定，例如，目标矩阵的形状为正方形矩阵，则水印嵌入区域的形状为正方形，若目标矩阵的形状不要求为正方形，则可以设置水印嵌入区域的形状为长方形。
在一个示例中，考虑后续还可以通过对目标子带图像的合理选择，平衡水印嵌入的子带图像的高频信息和低频信息，在选择水印嵌入区域时，可以降低对水印嵌入区域中的高频信息和低频信息的平衡性要求，通过较为简单的方式快速确定水印嵌入区域，提升水印嵌入的速度。
可选的，步骤“基于目标图像的第一特征点在目标图像上的分布信息，确定目标图像中的水印嵌入区域”，可以包括：
基于目标图像的第一特征点在目标图像上的分布信息，确定目标图像中的两个基准特征点，其中，基准特征点的距离不低于水印的最远两点间的距离；
将基准特征点之间的中点，确定为水印嵌入区域的区域中心点；
根据区域中心点以及待嵌入的水印的尺寸信息，确定目标图像中的水印嵌入区域。
在一个示例中，两个基准特征点可以是目标图像中距离最远的两个特征点，本实施例中基于距离确定基准特征点的方案，有利于提升水印嵌入区域的确定速度，提升水印嵌入速度。
之后，可以基于该区域中心点，设置符合水印嵌入区域的形状且尺寸不小于水印尺寸的水印嵌入区域。
在一个可选的示例中，还可以通过聚类的方式，来确定两个基准点，步骤“基于目标图像的第一特征点在目标图像上的分布信息，确定目标图像中的水印嵌入区域”，可以包括：
根据目标图像的第一特征点在目标图像上的位置信息，对第一特征点进行聚类，得到至少两个聚类簇；
从每个聚类簇中获取一个第一特征点作为基准特征点；
根据基准特征点在目标图像上的位置信息，以及待嵌入的水印的尺寸信息，确定目标图像中的水印嵌入区域。
其中，可以选择两个聚类簇的簇中心对应的第一特征点作为基准特征点。确定基准特征点之后，可以将基准特征点之间的中心点设置为水印嵌入区域的区域中心点，然后基于区域中心点待嵌入的水印的尺寸信息，确定目标图像中的水印嵌入区域，其中，该具体的确定过程参见前述相关描述，在此不再赘述。
可选的，步骤“根据目标图像的第一特征点在目标图像上的位置信息，对第一特征点进行聚类，得到至少两个聚类簇”包括：
确定待获取的聚类簇的聚类簇个数，其中，聚类簇个数为至少两个；
基于聚类簇个数，从目标图像的特征点中，选择每个待获取的聚类簇初始的簇中心点；
基于目标图像中第一特征点的位置，确定第一特征点与各簇中心点的距离；
将第一特征点划分到与其距离最近的簇中心点所在的聚类簇中；
若满足聚类结束条件，结束对第一特征点的聚类；
若不满足聚类结束条件，确定各聚类簇中新的簇中心点，并返回执行“基于目标图像中第一特征点的位置，确定第一特征点与各簇中心点的距离”的步骤。
其中，聚类结束条件包括但不限于聚类次数不低于预设聚类次数阈值，或者相邻两次据聚类得到的聚类簇相同。
其中，簇中心点为聚类簇中位于簇的重心位置的特征点。
其中，通过聚类簇得到的基准特征点往往是第一特征点较为密集的区域的中心附近的点，越远离基准特征点，第一特征点的密度越低，低频信息越多，两个基准特征点之间一般既包括第一特征点密度较高的区域，也包括第一特征点密度较低的区域，所以基于两个基准特征点选择水印嵌入区域，有利于避免水印嵌入区域的高频信息过高和低频信息过高。
203、对水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各子带图像包含的水印嵌入区域的高频信息和低频信息，从子带图像中选择目标子带图像；
本实施例的频域分解处理的作用是将水印嵌入区域从空间域转换到频率域中，得到不同频率范围的子带图像，从而从子带图像中选择高频信息和低频信息的含量都比较合适的子带图像进行水印的嵌入，以保证水印的鲁棒性和不可见性。
可选的，步骤203中，可以对水印嵌入区域进行至少两次频域分解处理，从频域分解处理的结果中选择目标子带图像。
其中，对水印嵌入区域的每一次频域分解处理，可以是对前一次得到的所有子带图像进行频域分解处理，也可以是对前一次得到的子带图像中的特定子带图像进行频域分解处理。该特定子带图像的选择，可以根据子带图像包含的高频信息和低频信息来进行。
可选的，一个示例中，步骤“对水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各子带图像包含的水印嵌入区域的高频信息和低频信息，从子带图像中选择目标子带图像”，可以包括：
对水印嵌入区域进行频域分解处理，得到至少两个第一子带图像；
对第一子带图像中的低频子带图像进行频域分解处理，得到至少两个第二子带图像，其中，低频子带图像为包含水印嵌入区域的低频信息最多的子带图像；
根据各第二子带图像中包含的水印嵌入区域的高频信息和低频信息，从第二子带图像中选择目标子带图像。
本实施例中，只对水印嵌入区域进行频域分解处理，相较于对整个目标图像进行频域分解处理的方案，可以降低频域分解处理所需的计算资源，有利于提升频域分解速度和水印嵌入速度。
可选的，本实施例的频域分解处理可以采用DCT(Discrete Cosine Transform)变换，或各种小波变换如DWT(Discrete Wavelet Transformation，离散小波变换)、SWT(Stoke Width Transform，平稳小波变换)等方式实现，本实施例对频域分解处理采用的算法没有限制。
本实施例以离散小波变换为例，对目标子带图像的获取过程进行描述。DWT的优势就是即兼顾到了图像在频率域的特点，DWT分解图像后，在图像中嵌入的水印有更好的性能。
本实施例中，可以对目标图像中的水印嵌入区域进行一级DWT后，得到四个子带图像(子带)，即HH1，LH1，HL1，LL1这四个部分，其中，HH1为高高频子带图像，LH1为低高频子带图像，HL1为高低频子带图像，LL1为低低频子带图像。
其中，低频的子带有更多的目标图像的内容的分量，将水印嵌入在此，将会有更好的鲁棒性，但是相对来说将水印会有更差的不可见性。而高频的子带拥有更多的图像的细节部分，将水印嵌入在此，将会有更好的不可见性，但是相对来说将会有更差的鲁棒性。
一个示例中，低频子带图像指的是能量最为集中(低频信息最多的)的LL1子带图像，本实施例中会对LL1子带图像再做DWT变换，得到HH1，LH1，HL1，LL2，HH2，LH2，HL2等七个第二子带图像，然后从第二子带图像中选择目标子带图像。
其中，对目标图像进行两次DWT处理得到的结果可以参见图2d所示，图2d中的一级DWT图中包含四个第一子带图像HH1，LH1，HL1，LL1，图2d中的二级DWT图像中包含三个第一子带图像HH1，LH1，HL1和基于第一子带图像LL1得到的四个第二子带图像LL2，HH2，LH2，HL2。
一个示例中，若水印的不可见比鲁棒性更重要，则可以选择第一子带图像中高频信息最多的子带图像进行频域分解处理，得到至少两个第二子带图像。比如，HH1(高高频区域)子带图像中高频信息最多，选择HH1进行频域分解处理，得到至少两个第二子带图像。
204、将待嵌入的水印嵌入目标子带图像中，得到嵌入后目标子带图像；
本实施例中，可以从目标子带图像中提取矩阵，将待嵌入的水印嵌入在该矩阵中。
可选的，步骤“将待嵌入的水印嵌入目标子带图像中，得到嵌入后目标子带图像”，可以包括：
对目标子带图像进行矩阵分解处理，从矩阵分解结果中获取目标矩阵；
将水印嵌入目标矩阵中，得到嵌入后目标矩阵，对嵌入后目标矩阵和矩阵分解结果中除目标矩阵外的其他矩阵，进行矩阵分解处理的逆处理，得到嵌入后目标子带图像。
其中，本实施例的矩阵分解处理方案，包括但不限于奇异值分解处理(SVD分解)、特征值分解处理(EVD分解)等等分解处理方案。
其中，目标矩阵，可以为在目标图像攻击前后不变或者变化范围在预设变化范围内的矩阵，其中，预设变化范围可以包括目标矩阵中每个矩阵元素在图像攻击前后，所允许的最大差值范围。
可选的，本示例中，以奇异值分解处理为例，步骤“对目标子带图像进行矩阵分解处理，从矩阵分解结果中获取目标矩阵”，可以包括：
对目标子带图像进行奇异值矩阵分解处理，从矩阵分解结果中获取奇异值矩阵作为目标矩阵。
对应的，步骤“将水印嵌入目标矩阵中，得到嵌入后目标矩阵，对嵌入后目标矩阵和矩阵分解结果中除目标矩阵外的其他矩阵，进行矩阵分解处理的逆处理，得到嵌入后目标子带图像”，可以包括：
根据奇异值矩阵中的奇异值数量，对水印进行分割得到子水印，其中，子水印的数量等于奇异值数量；
将各子水印分别嵌入奇异值矩阵的奇异值中，得到嵌入后奇异值矩阵；
对嵌入后奇异值矩阵和矩阵分解结果中除奇异值矩阵之外的其他矩阵，进行奇异值矩阵分解处理的逆处理，得到嵌入后目标子带图像。
其中，一个子水印嵌入一个奇异值中，不同子水印嵌入的奇异值不同。可选的，将各子水印分别嵌入奇异值矩阵的奇异值中，得到嵌入后奇异值矩阵，可以包括将子水印的数字信息与奇异值相加，以相加后的值作为新的奇异值替换原本的奇异值，得到嵌入后奇异值矩阵。
例如，以上述的HL2子带作为目标子带图像，对该子带进行SVD分解，得到LH2＝U*S*VT，其中，
Figure BDA0002941758930000241
上述分解结果中，S为奇异值矩阵，U为M阶正交阵,V为N阶正交阵。分解后得到的奇异值较为稳定，不会因为目标图像受到攻击而轻易的改变，非常适合嵌入水印。
之后，可以采用任意可行的方案，将各个子水印嵌入到奇异值矩阵的奇异值中，得到嵌入后奇异值矩阵。
其中，子水印的嵌入方式可以采用加性嵌入方案，即将子水印的数字信息和奇异值做加法，以相加后的值替换奇异值，得到嵌入后奇异值矩阵，或者还可以采用乘积嵌入方案，即将子水印的数字信息和奇异值做乘法，以相乘后的值替换奇异值，得到嵌入后奇异值矩阵，实现将水印嵌入奇异值矩阵中。
可选的，各个子水印还设置有对应的水印嵌入强度，步骤“将各子水印分别嵌入奇异值矩阵的奇异值中，得到嵌入后奇异值矩阵”，可以包括：
根据各子水印的水印嵌入强度，将各子水印分别嵌入奇异值矩阵的奇异值中，得到嵌入后奇异值矩阵。
其中，各子水印嵌入强度可以相同，或者，各子水印嵌入强度可以根据子水印的数字信息的信息量等因素进行设置。
可选的，以加性嵌入为例，嵌入后奇异值矩阵可以表示为：S′(j，j)＝S(j，j)+q*W(j，j)，其中，W(j，j)表示第j个子水印，S(j，j)表示奇异矩阵中第j个奇异值(第j行第j列的值)，q为水印嵌入强度。
205、将水印嵌入区域的目标子带图像，替换为嵌入后目标子带图像；
206、对水印嵌入区域的子带图像进行频域分解处理的逆处理，得到嵌入水印后的目标图像。
可以理解的是，本实施例中，频域分解处理的逆处理的次数与水印嵌入时进行的频域分解处理的次数相等。
可选的，本实施例中，步骤“对水印嵌入区域的子带图像进行频域分解处理的逆处理，得到嵌入水印后的目标图像”，可以包括：
基于水印嵌入区域的第二子带图像进行频域分解处理的逆处理，得到嵌入水印的第一子带图像；
将目标图像的低频子带图像替换为嵌入水印的第一子带图像，对目标图像中的第一子带图像进行频域分解处理的逆处理，得到嵌入水印的目标图像。
例如以上述的LH2子带为例，在嵌入水印至奇异值矩阵S得到嵌入后奇异值矩阵S′后，基于S′对LH2子带进行重建，可以得到基于含有水印的奇异值矩阵S′重建出的新子带，即LH′2＝U*S′*VT。之后，用含水印的新的子带LH′2，替换不含水印的原子带LH2。然后基于水印嵌入区域的所有子带,即HH1，LH1，HL1，LL2，HH2，HL2，LH′2进行逆DWT变换，得到嵌入水印后的目标图像。
其中，可以先基于LL2，HH2，HL2，LH′2进行逆DWT变换得到LL′1，再基于HH1，LH1，HL1以及LL′1进行逆DWT变换得到嵌入水印的水印嵌入区域，然后将目标图像中的水印嵌入区域替换为嵌入了水印的水印嵌入区域，即可得到嵌入水印的目标图像。
本实施例中，为了进一步提升水印的安全性，还可以在将待嵌入的水印嵌入目标子带图像前，对待嵌入的水印进行加密处理，得到加密后水印。上述步骤“将待嵌入的水印嵌入目标子带图像中，得到嵌入后目标子带图像”，可以包括：将加密后水印嵌入目标子带图像中，得到嵌入后目标子带图像。
可以理解的是，在对水印进行加密的情况下，水印嵌入时使用的水印就是加密后水印，子水印是对加密后水印分割得到的水印块。
其中，对水印的加密处理方案不限，包括但不限于乱序加密处理，例如logistic混沌序列加密处理等。
其中，logistic混沌序列加密处理中使用到了logistic函数，该函数形式如下：
X(k+1)＝u*X(k)*[1-X(k)],(k＝0,1,…,n)
其中，X(0)为初值，u为参数。当满足3.5699456<u<＝4，0<X(0)<1的条件时，logistic函数处于混沌状态，混沌状态，即一种无序的、不可预测的、混乱的、摸不到头、摸不到尾的状态。当logistic函数在混沌状态下迭代n次后，我们就得到了X(1)、X(2)、…，X(n)这n个值，这n个值可以构成一个混沌序列。
其中，对待嵌入的水印进行乱序加密处理，得到加密后水印，可以包括：
获取混沌序列加密处理函数X(k+1)＝u*X(k)*[1-X(k)]，其中，u和X(0)为已知的值，且3.5699456<u<＝4，0<X(0)<1；
将待嵌入的水印用矩阵表示，得到水印矩阵；
确定水印矩阵的元素个数，对X(k+1)＝u*X(k)*[1-X(k)]迭代多次，得到多个X值，其中，X值的个数等于元素个数；
基于得到的X值构建出与水印矩阵尺寸相同的矩阵，将该矩阵确定为目标混沌矩阵；
基于目标混沌矩阵对水印矩阵进行异或处理，得到加密后水印。
例如，待嵌入水印可以表示为M*N的矩阵，则混沌序列为M*N的矩阵，那么需要基于上述的混沌函数迭代M*N次，得到M*N个X值，构成M*N的混沌矩阵，鉴于图像灰度值是在(0,255)之间，需要将混沌矩阵归一化至(0,255)之间得到目标混沌矩阵。然后基于目标混沌矩阵与水印的矩阵进行异或，便可得到一幅新的图像，即加密后水印。
本实施例中先加密水印再进行水印的嵌入，可以提升水印的安全性，提升目标图像的使用者正确提取出水印的难度。
参考图2e，图2e示出了水印图像即包含四个字母U、S、S和T的图像，以及该水印图像经过混沌序列加密处理后的图像。
在一个示例中，还提供一种水印的多区域嵌入方案，即可以根据特征点选择多个水印嵌入区域进行水印的嵌入，进一步保证水印的安全性，可选的，在一个示例中，步骤“基于目标图像的第一特征点在目标图像上的分布信息，确定目标图像中的水印嵌入区域”，可以包括：
对待嵌入的水印进行分割，得到至少两个子水印；
根据目标图像的第一特征点在目标图像上的分布信息，在目标图像中确定各个子水印对应的水印嵌入区域，其中，不同子水印的水印嵌入区域不同。
可选的，子水印的水印嵌入区域之间没有重叠。
对应的，步骤“将待嵌入的水印嵌入目标子带图像中，得到嵌入后目标子带图像”，可以包括：将各子水印分别嵌入对应的水印嵌入区域的目标子带图像中，得到各水印嵌入区域对应的嵌入后目标子带图像。
其中，每个子水印的水印嵌入区域的选择方案，可以参考前述对水印嵌入区域的选择方案的相关描述，在此不再赘述。每个子水印嵌入到水印嵌入区域中的方案，具体可以参考前述示例中关于一个完整水印嵌入一个水印嵌入区域的方案，在此不再赘述。
对于同时存在多个水印嵌入区域的情况，还可以对每个水印嵌入区域设置不同的水印嵌入强度，其中，水印嵌入强度可以根据水印嵌入区域对人眼的感知遮蔽强度进行设置，感知遮蔽强度越高，则水印嵌入强度可以越强，有利于在保证不可见性的情况下，以提升嵌入强度的方式提升水印的鲁棒性。
可选的，步骤“将待嵌入的水印分割成分割数量的子水印，将各子水印分别嵌入一个水印嵌入区域的目标子带图像中，得到各水印嵌入区域的嵌入后目标子带图像”，可以包括：
根据各水印嵌入区域对人眼的感知掩蔽强度，确定各水印嵌入区域对应的子水印的水印嵌入强度；
基于各子水印的水印嵌入强度，将各子水印嵌入到对应的水印嵌入区域的目标子带图像中，得到各水印嵌入区域的嵌入后目标子带图像。
其中，可以提取水印嵌入区域的感知遮蔽矩阵，根据感知遮蔽矩阵的平均值等信息确定水印嵌入区域的感知遮蔽强度，平均值越高，感知遮蔽强度越大。
采用本实施例，通过对图像的特征点的提取、筛选，以及基于特征点的水印嵌入区域的选择，实现自适应水印嵌入区域选定，之后再对水印嵌入区域进行二级小波分解，最后进行奇异值分解。在奇异值系数之中完成水印的嵌入。SIFT的抗旋转性，尺度不变特性，给水印带来了很好的抗几何攻击的能力。同时也有很好看的抗噪声的干扰，使得目标图像可以在经历后几何攻击后仍然能够很好的提取出水印。
对应的，本发明实施例还提供一种水印提取方法，该水印提取方法与上述的水印嵌入方法相对应。
参见图3a，水印提取方法的步骤包括：
301、对待提取图像进行特征点识别，得到待提取图像的第一特征点；
302、基于待提取图像的第一特征点在待提取图像上的分布信息，确定待提取图像中的水印嵌入区域；
303、对水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各子带图像包含的水印嵌入区域的高频信息和低频信息，从子带图像中确定出嵌有水印的目标子带图像；
304、从目标子带图像中，提取嵌入目标子带图像中的水印。
本实施例中，待提取图像为嵌入了水印的图像，从待提取图像中确定目标子带图像的方案，与水印嵌入方案中确定目标子带图像的方案是相似的，只是一个是在对待提取图像进行水印提取过程中进行，一个是在对目标图像进行水印嵌入过程中进行。
例如，步骤301中确定待提取图像的特征点的方案，与水印嵌入方法中对目标图像提取第一特征点的方案相似。
步骤302中，确定待提取图像中的水印嵌入区域的具体方案，与水印嵌入方法中确定目标图像的水印嵌入区域的方案相似。
可选的，步骤302之前，还可以包括：获取待提取图像的攻击后图像，攻击后图像为对待提取图像进行图像攻击后得到的图像；
对攻击后图像进行特征点识别，得到攻击后图像的第二特征点
基于第一特征点和第二特征点，对待提取图像的第一特征点进行稳定性检测，根据各第一特征点的稳定性检测结果从第一特征点中确定目标特征点。
对应的，步骤“基于待提取图像的第一特征点在待提取图像上的分布信息，确定待提取图像中的水印嵌入区域”，可以包括：
基于待提取图像的目标特征点在目标图像上的分布信息，确定目标图像中的水印嵌入区域。
其中，水印嵌入区域的具体确定过程可以参见水印嵌入方法中的水印嵌入区域的确定过程，在此不再赘述。
可选的，步骤“基于第一特征点和第二特征点，对待提取图像的第一特征点进行稳定性检测，根据各第一特征点的稳定性检测结果从第一特征点中确定目标特征点”，可以包括：
对第一特征点和第二特征点进行特征点匹配，将匹配成功的第一特征点确定为待检测特征点；
从待检测特征点中选择部分特征点作为初始化特征点，基于初始化特征点拟合一个匹配模型；
对待检测特征点和匹配模型进行匹配，将匹配成功的待检测特征点，确定为本次稳定性检测过程中通过检测的正确特征点；
当正确特征点的数量不满足稳定性检测结束条件时，若当前的正确特征点不少于前一次稳定性检测过程中确定的正确特征点，以当前的正确特征点作为新的初始化特征点，返回执行基于初始化特征点拟合一个匹配模型的步骤；
当正确特征点的数量不满足稳定性检测结束条件时，若当前的正确特征点少于前一次稳定性检测过程中确定的正确特征点，对本次稳定性检测过程中使用的初始化特征点进行更改，得到新的初始化特征点，返回执行基于初始化特征点拟合一个匹配模型的步骤；
当正确特征点的数量满足稳定性检测结束条件时，将正确特征点确定为待提取图像的目标特征点。
其中，关于匹配模型，稳定性检测结束条件等的描述，可以参见水印嵌入方法中的相关描述。
可选的，一个示例中，步骤“基于目标图像的第一特征点在待提取图像上的分布信息，确定待提取中的水印嵌入区域”，可以包括：
基于待提取图像的第一特征点在待提取图像上的分布信息，确定待提取图像中的两个基准特征点，其中，基准特征点的距离不低于水印的最远两点间的距离；
将基准特征点之间的中点，确定为水印嵌入区域的区域中心点；
根据区域中心点以及待嵌入的水印的尺寸信息，确定待提取图像中的水印嵌入区域。
可选的，另一个示例中，步骤“基于目标图像的第一特征点在待提取图像上的分布信息，确定待提取中的水印嵌入区域”，可以包括：
根据待提取图像的第一特征点在待提取图像上的位置信息，对第一特征点进行聚类，得到至少两个聚类簇；
从每个聚类簇中获取一个第一特征点作为基准特征点；
根据基准特征点在待提取图像上的位置信息，以及待嵌入的水印的尺寸信息，确定待提取图像中的水印嵌入区域。
其中，水印的合法提取装置，可以从服务器等设备中获取水印嵌入过程中使用的基准特征点的选择标准，区域中心点的选择标准，以及水印嵌入区域的设置标准等等，基于这些已知的信息，从待提取图像中确定正确的水印嵌入区域。
例如，基准特征点的选择标准为：待提取图像中距离最远的两个特征点为基准特征点。
可选的，步骤“对水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各子带图像包含的水印嵌入区域的高频信息和低频信息，从子带图像中选择目标子带图”，可以包括：
对水印嵌入区域进行频域分解处理，得到至少两个第一子带图像；
对第一子带图像中的低频子带图像进行频域分解处理，得到至少两个第二子带图像，其中，低频子带图像为包含水印嵌入区域的低频信息最多的子带图像；
根据各第二子带图像中包含的水印嵌入区域的高频信息和低频信息，从第二子带图像中选择目标子带图像。
例如，还是以离散小波变换为例，对水印嵌入区域进行DWT后，得到HH1，LH1，HL1，LL1这四个第一子带图像后，再对LL1做二级DWT变换，得到HH1，LH1，HL1，LL2，HH2，LH2，HL2等七个子带图像，确定LH2子带为嵌入了水印的目标子带图像。
其中，可以理解的是，该频域分解处理算法、分解的次数，目标子带图像的具体选择方案等与水印嵌入过程中的完全相同。
可选的，步骤“从目标子带图像中，提取嵌入目标子带图像中的水印”，可以包括：
对目标子带图像进行矩阵分解处理，从矩阵分解结果中获取嵌入了水印的目标矩阵；该矩阵分解处理为待提取图像的水印嵌入过程中使用的矩阵分解处理；
从该目标矩阵中提取水印。
该示例中的矩阵分解处理与水印嵌入方法中的矩阵分解处理相同。
可选的，一个示例中，步骤“对目标子带图像进行矩阵分解处理，从矩阵分解结果中获取嵌入了水印的目标矩阵”，可以包括：对目标子带图像进行奇异值矩阵分解处理，从矩阵分解结果中获取嵌入了水印的奇异值矩阵。
对应的，从该目标矩阵中提取水印，包括：从奇异值矩阵的各奇异值中提取出子水印的数字信息，组合子水印的数字信息得到需要提取的水印。
例如，对嵌入了水印的目标子带图像即LH′2，进行奇异值矩阵分解处理，得到嵌入了水印的奇异值矩阵，然后从该奇异值矩阵中提取出子水印。
其中，该目标子带图像在水印嵌入前的奇异值矩阵(记为原始奇异值矩阵)为已知的，该原始奇异值矩阵可以存储在服务器中，合法终端可以在获取待提取图像时一同获取该原始奇异值矩阵。然后基于嵌入了水印的奇异值矩阵和原始奇异值矩阵，确定奇异值矩阵中嵌入的子水印信息，然后对子水印信息进行组合得到水印。
在一个示例中，组合得到的水印可能是出于加密状态的，还需要进行正确的解密处理才能得到未加密的水印。可选的，从该目标矩阵中提取水印后，还可以包括：
基于水印嵌入处理过程中的水印加密方法，对提取的水印进行相应的解密，得到未加密的水印。
其中，上述解密是水印嵌入过程中时候用的水印加密处理的逆处理。
例如，以LH′2为例，水印提取过程中，还是对该LH′2子带图像进行SVD分解，LH′2＝U*Sw*VT，获得该子带LH′2的嵌入了水印的奇异值矩阵Sw。
从奇异值矩阵Sw中，获取到水印信息W(j,j)＝(S′(j,j)-S(j,j))/q。
其中，W(j,j)为第j个子水印，S(j,j)为原始奇异值矩阵中的第j个奇异值。S′(j,j)为嵌有水印的奇异值矩阵中的第j个奇异值。
对所有W(j,j)组合得到水印W，对得到的水印W，进行logistic混沌序列逆运算，将得到完整的水印。
参见图3b，图3b示出了待提取图像遭受各种类型的图像攻击时，提取出的水印的NC(归一化相关系数)值。由表中可以看到，采用本实施例的水印嵌入方案得到的嵌入了水印的图像，在抵抗旋转攻击时有较好的表现，提取出的水印，均可以保持0.98以上的准确率，表明该算法在抵抗旋转攻击时有非常好的鲁棒性。同时在面对常规的图像处理的攻击时，也有不错的效果。
采用本实施例，可以快速从待提取图像中提取正确的水印，并且鉴于待提取图像的水印嵌入方法中水印的安全性较高，所以可以降低对待提取图像中水印的非法去除的概率。
为了更好地实施以上方法，相应的，本发明实施例还提供一种水印嵌入装置，该水印嵌入装置具体可以集成在终端或服务器中。
参见图4，该水印嵌入装置包括：
第一特征点提取单元401，用于对目标图像进行特征点识别，得到目标图像的第一特征点；
第一区域确定单元402，用于基于目标图像的第一特征点在目标图像上的分布信息，确定目标图像中的水印嵌入区域；
目标分量选择单元403，用于对水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各子带图像包含的水印嵌入区域的高频信息和低频信息，从子带图像中选择目标子带图像；
嵌入单元404，用于将待嵌入的水印嵌入目标子带图像中，得到嵌入后目标子带图像；
图像还原单元405，用于将水印嵌入区域的目标子带图像，替换为嵌入后目标子带图像；对水印嵌入区域的子带图像进行频域分解处理的逆处理，得到嵌入水印后的目标图像。
在一个可选的示例中，装置还包括特征点筛选单元，用于：基于目标图像的第一特征点在目标图像上的分布信息，确定目标图像中的水印嵌入区域前，获取目标图像的攻击后图像，攻击后图像为对目标图像进行图像攻击后得到的图像；对攻击后图像进行特征点识别，得到攻击后图像的第二特征点；基于第一特征点和第二特征点，对目标图像的第一特征点进行稳定性检测，根据各第一特征点的稳定性检测结果从第一特征点中确定目标特征点；
第一区域确定单元，用于基于目标图像的目标特征点在目标图像上的分布信息，确定目标图像中的水印嵌入区域。
在一个可选的示例中，特征点筛选单元，用于：
对第一特征点和第二特征点进行特征点匹配，将匹配成功的第一特征点确定为待检测特征点；
从待检测特征点中选择部分特征点作为初始化特征点，基于初始化特征点拟合一个匹配模型；
对待检测特征点和匹配模型进行匹配，将匹配成功的待检测特征点，确定为本次稳定性检测过程中通过检测的正确特征点；
当正确特征点的数量不满足稳定性检测结束条件时，若当前的正确特征点不少于前一次稳定性检测过程中确定的正确特征点，以当前的正确特征点作为新的初始化特征点，返回执行基于初始化特征点拟合一个匹配模型的步骤；
当正确特征点的数量不满足稳定性检测结束条件时，若当前的正确特征点少于前一次稳定性检测过程中确定的正确特征点，对本次稳定性检测过程中使用的初始化特征点进行更改，得到新的初始化特征点，返回执行基于初始化特征点拟合一个匹配模型的步骤；
当正确特征点的数量满足稳定性检测结束条件时，将正确特征点确定为目标特征点。
在一个可选的示例中，第一区域确定单元，用于：
基于目标图像的第一特征点在目标图像上的分布信息，确定目标图像中的两个基准特征点，其中，基准特征点的距离不低于水印的最远两点间的距离；
将基准特征点之间的中点，确定为水印嵌入区域的区域中心点；
根据区域中心点以及待嵌入的水印的尺寸信息，确定目标图像中的水印嵌入区域。
在一个可选的示例中，第一区域确定单元，用于：
根据目标图像的第一特征点在目标图像上的位置信息，对第一特征点进行聚类，得到至少两个聚类簇；
从每个聚类簇中获取一个第一特征点作为基准特征点；
根据基准特征点在目标图像上的位置信息，以及待嵌入的水印的尺寸信息，确定目标图像中的水印嵌入区域。
在一个可选的示例中，目标分量选择单元，用于：
对水印嵌入区域进行频域分解处理，得到至少两个第一子带图像；
对第一子带图像中的低频子带图像进行频域分解处理，得到至少两个第二子带图像，其中，低频子带图像为包含水印嵌入区域的低频信息最多的子带图像；
根据各第二子带图像中包含的水印嵌入区域的高频信息和低频信息，从第二子带图像中选择目标子带图像。
在一个可选的示例中，嵌入单元，用于：
对目标子带图像进行矩阵分解处理，从矩阵分解结果中获取目标矩阵；
将水印嵌入目标矩阵中，得到嵌入后目标矩阵；
对嵌入后目标矩阵和矩阵分解结果中除目标矩阵外的其他矩阵，进行矩阵分解处理的逆处理，得到嵌入后目标子带图像。
在一个可选的示例中，嵌入单元，用于：
对目标子带图像进行奇异值矩阵分解处理，从矩阵分解结果中获取奇异值矩阵作为目标矩阵；
根据奇异值矩阵中的奇异值数量，对水印进行分割得到子水印，其中，子水印的数量等于奇异值数量；
将各子水印分别嵌入奇异值矩阵的奇异值中，得到嵌入后奇异值矩阵；
对嵌入后奇异值矩阵和矩阵分解结果中除奇异值矩阵之外的其他矩阵，进行奇异值矩阵分解处理的逆处理，得到嵌入后目标子带图像。
在一个可选的示例中，第一区域确定单元，用于：对待嵌入的水印进行分割，得到至少两个子水印；根据目标图像的第一特征点在目标图像上的分布信息，在目标图像中确定各个子水印对应的水印嵌入区域，其中，不同子水印的水印嵌入区域不同；
嵌入单元，用于将各子水印分别嵌入对应的水印嵌入区域的目标子带图像中，得到各水印嵌入区域对应的嵌入后目标子带图像。
在一个可选的示例中，嵌入单元，用于：
根据各水印嵌入区域对人眼的感知掩蔽性，确定各水印嵌入区域对应的子水印的水印嵌入强度；
基于各子水印的水印嵌入强度，将各子水印嵌入到对应的水印嵌入区域的目标子带图像中，得到各水印嵌入区域的嵌入后目标子带图像。
在一个可选的示例中，该装置还可以包括水印加密单元，用于在将待嵌入的水印嵌入目标子带图像中，得到嵌入后目标子带图像前，对待嵌入的水印进行乱序加密处理，得到加密后水印；将待嵌入的水印嵌入目标子带图像中，得到嵌入后目标子带图像，包括：将加密后水印嵌入目标子带图像中，得到嵌入后目标子带图像。
采用本实施例，可以根据目标图像的特点选择水印嵌入区域，提升水印嵌入区域的自适应性，水印嵌入过程使用的水印加密处理，以及对目标子带图像和目标矩阵的选择，有利于提升水印的鲁棒性和不可见性。
为了更好地实施以上方法，相应的，本发明实施例还提供一种水印提取装置，该水印提取装置具体可以集成在终端或服务器中。
参见图5，该水印提取装置可以包括：
第二特征点提取单元501，用于对待提取图像进行特征点识别，得到待提取图像的第一特征点；
第二区域确定单元502，用于基于待提取图像的第一特征点在待提取图像上的分布信息，确定待提取图像中的水印嵌入区域；
水印嵌入分量确定单元503，用于对水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各子带图像包含的水印嵌入区域的高频信息和低频信息，从子带图像中确定出嵌有水印的目标子带图像；
水印提取单元504，用于从目标子带图像中，提取嵌入目标子带图像中的水印。
可选的，本实施例装置还可以包括：第二特征点筛选单元，用于获取待提取图像的攻击后图像，攻击后图像为对待提取图像进行图像攻击后得到的图像；对攻击后图像进行特征点识别，得到攻击后图像的第二特征点基于第一特征点和第二特征点，对待提取图像的第一特征点进行稳定性检测，根据各第一特征点的稳定性检测结果从第一特征点中确定目标特征点；
第二区域确定单元，用于基于待提取图像的目标特征点在目标图像上的分布信息，确定目标图像中的水印嵌入区域。
可选的，第二特征点筛选单元，用于：
对第一特征点和第二特征点进行特征点匹配，将匹配成功的第一特征点确定为待检测特征点；
从待检测特征点中选择部分特征点作为初始化特征点，基于初始化特征点拟合一个匹配模型；
对待检测特征点和匹配模型进行匹配，将匹配成功的待检测特征点，确定为本次稳定性检测过程中通过检测的正确特征点；
当正确特征点的数量不满足稳定性检测结束条件时，若当前的正确特征点不少于前一次稳定性检测过程中确定的正确特征点，以当前的正确特征点作为新的初始化特征点，返回执行基于初始化特征点拟合一个匹配模型的步骤；
当正确特征点的数量不满足稳定性检测结束条件时，若当前的正确特征点少于前一次稳定性检测过程中确定的正确特征点，对本次稳定性检测过程中使用的初始化特征点进行更改，得到新的初始化特征点，返回执行基于初始化特征点拟合一个匹配模型的步骤；
当正确特征点的数量满足稳定性检测结束条件时，将正确特征点确定为待提取图像的目标特征点。
可选的，第二区域确定单元，用于：
基于待提取图像的第一特征点在待提取图像上的分布信息，确定待提取图像中的两个基准特征点，其中，基准特征点的距离不低于水印的最远两点间的距离；
将基准特征点之间的中点，确定为水印嵌入区域的区域中心点；
根据区域中心点以及待嵌入的水印的尺寸信息，确定待提取图像中的水印嵌入区域。
可选的，第二区域确定单元，用于：
根据待提取图像的第一特征点在待提取图像上的位置信息，对第一特征点进行聚类，得到至少两个聚类簇；
从每个聚类簇中获取一个第一特征点作为基准特征点；
根据基准特征点在待提取图像上的位置信息，以及待嵌入的水印的尺寸信息，确定待提取图像中的水印嵌入区域。
一个可选的示例中，水印嵌入分量确定单元，用于：
对第一子带图像中的低频子带图像进行频域分解处理，得到至少两个第二子带图像，其中，低频子带图像为包含水印嵌入区域的低频信息最多的子带图像；
根据各第二子带图像中包含的水印嵌入区域的高频信息和低频信息，从第二子带图像中选择目标子带图像。
可选的，水印提取单元，用于：
对目标子带图像进行矩阵分解处理，从矩阵分解结果中获取嵌入了水印的目标矩阵；该矩阵分解处理为待提取图像的水印嵌入过程中使用的矩阵分解处理；
从该目标矩阵中提取水印。
该示例中的矩阵分解处理与水印嵌入方法中的水印分解处理相同。
可选的，一个示例中，水印提取单元，用于：对目标子带图像进行奇异值矩阵分解处理，从矩阵分解结果中获取嵌入了水印的奇异值矩阵，从奇异值矩阵的各奇异值中提取出子水印的数字信息，组合子水印的数字信息得到需要提取的水印。
在一个示例中，装置还可以包括水印解密单元，用于水印提取单元从该目标矩阵中提取水印后，基于水印嵌入处理过程中的水印加密方法，对提取的水印进行相应的解密，得到未加密的水印。
其中，上述解密是水印加密过程的逆处理。
采用本实施例的装置，还可以快速从待提取图像中提取正确的水印，并且鉴于待提取图像的水印嵌入方法中水印的安全性较高，所以可以降低对待提取图像中水印的非法去除的概率。
此外，本发明实施例还提供一种计算机设备，该计算机设备可以为终端或者服务器，如图6所示，其示出了本发明实施例所涉及的计算机设备的结构示意图，具体来讲：
该计算机设备可以包括一个或者一个以上处理核心的处理器601、一个或一个以上计算机可读存储介质的存储器602、电源603和输入单元604等部件。本领域技术人员可以理解，图6中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器601是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器602内的软件程序和/或模块，以及调用存储在存储器602内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器601可包括一个或多个处理核心；优选的，处理器601可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器601中。
存储器602可用于存储软件程序以及模块，处理器601通过运行存储在存储器602的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器602可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器602还可以包括存储器控制器，以提供处理器601对存储器602的访问。
计算机设备还包括给各个部件供电的电源603，优选的，电源603可以通过电源管理系统与处理器601逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源603还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元604，该输入单元604可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器601会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器602中，并由处理器601来运行存储在存储器602中的应用程序，从而实现各种功能，如下：
对目标图像进行特征点识别，得到目标图像的第一特征点；
基于目标图像的第一特征点在目标图像上的分布信息，确定目标图像中的水印嵌入区域；
对水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各子带图像包含的水印嵌入区域的高频信息和低频信息，从子带图像中选择目标子带图像；
将待嵌入的水印嵌入目标子带图像中，得到嵌入后目标子带图像；
将水印嵌入区域的目标子带图像，替换为嵌入后目标子带图像；
对水印嵌入区域的子带图像进行频域分解处理的逆处理，得到嵌入水印后的目标图像。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本发明实施例还提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的水印嵌入方法。
根据本申请的一个方面，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中的各种可选实现方式中提供的方法。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的水印嵌入方法中的步骤，因此，可以实现本发明实施例所提供的水印嵌入方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本发明实施例所提供的一种水印嵌入方法和装置、以及计算机设备和存储介质进行了详细介绍，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，本说明书内容不应理解为对本发明的限制。

Claims (15)

1.一种水印嵌入方法，其特征在于，包括：
对目标图像进行特征点识别，得到所述目标图像的第一特征点；
基于所述目标图像的第一特征点在所述目标图像上的分布信息，确定所述目标图像中的水印嵌入区域；
对所述水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各子带图像包含的所述水印嵌入区域的高频信息和低频信息，从所述子带图像中选择目标子带图像；
将待嵌入的水印嵌入所述目标子带图像中，得到嵌入后目标子带图像；
将所述水印嵌入区域的所述目标子带图像，替换为所述嵌入后目标子带图像；
对所述水印嵌入区域的子带图像进行所述频域分解处理的逆处理，得到嵌入水印后的目标图像。
2.根据权利要求1所述的水印嵌入方法，其特征在于，所述基于所述目标图像的第一特征点在所述目标图像上的分布信息，确定所述目标图像中的水印嵌入区域前，还包括：
获取所述目标图像的攻击后图像，所述攻击后图像为对所述目标图像进行图像攻击后得到的图像；
对所述攻击后图像进行特征点识别，得到所述攻击后图像的第二特征点；
基于所述第一特征点和第二特征点，对所述目标图像的第一特征点进行稳定性检测，根据各第一特征点的稳定性检测结果从所述第一特征点中确定目标特征点；
所述基于所述目标图像的第一特征点在所述目标图像上的分布信息，确定所述目标图像中的水印嵌入区域，包括：
基于所述目标图像的目标特征点在所述目标图像上的分布信息，确定所述目标图像中的水印嵌入区域。
3.根据权利要求2所述的水印嵌入方法，其特征在于，所述基于所述第一特征点和第二特征点，对所述目标图像的第一特征点进行稳定性检测，根据各第一特征点的稳定性检测结果从所述第一特征点中确定目标特征点，包括：
对所述第一特征点和第二特征点进行特征点匹配，将匹配成功的第一特征点确定为待检测特征点；
从所述待检测特征点中选择部分特征点作为初始化特征点，基于所述初始化特征点拟合一个匹配模型；
对所述待检测特征点和所述匹配模型进行匹配，将匹配成功的待检测特征点，确定为本次稳定性检测过程中通过检测的正确特征点；
当所述正确特征点的数量不满足稳定性检测结束条件时，若当前的正确特征点不少于前一次稳定性检测过程中确定的正确特征点，以所述当前的正确特征点作为新的初始化特征点，返回执行所述基于所述初始化特征点拟合一个匹配模型的步骤；
当所述正确特征点的数量不满足稳定性检测结束条件时，若当前的正确特征点少于前一次稳定性检测过程中确定的正确特征点，对本次稳定性检测过程中使用的初始化特征点进行更改，得到新的初始化特征点，返回执行所述基于所述初始化特征点拟合一个匹配模型的步骤；
当所述正确特征点的数量满足稳定性检测结束条件时，将所述正确特征点确定为所述目标特征点。
4.根据权利要求1所述的水印嵌入方法，其特征在于，所述基于所述目标图像的第一特征点在所述目标图像上的分布信息，确定所述目标图像中的水印嵌入区域，包括：
基于所述目标图像的第一特征点在所述目标图像上的分布信息，确定所述目标图像中的两个基准特征点，其中，所述基准特征点的距离不低于所述水印的最远两点间的距离；
将所述基准特征点之间的中点，确定为所述水印嵌入区域的区域中心点；
根据所述区域中心点以及待嵌入的水印的尺寸信息，确定所述目标图像中的水印嵌入区域。
5.根据权利要求1所述的水印嵌入方法，其特征在于，所述基于所述目标图像的第一特征点在所述目标图像上的分布信息，确定所述目标图像中的水印嵌入区域，包括：
根据所述目标图像的第一特征点在目标图像上的位置信息，对所述第一特征点进行聚类，得到至少两个聚类簇；
从每个聚类簇中获取一个第一特征点作为基准特征点；
根据基准特征点在所述目标图像上的位置信息，以及待嵌入的水印的尺寸信息，确定所述目标图像中的水印嵌入区域。
6.根据权利要求1-5任一项所述的水印嵌入方法，其特征在于，所述对所述水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各子带图像包含的所述水印嵌入区域的高频信息和低频信息，从所述子带图像中选择目标子带图像，包括：
对所述水印嵌入区域进行频域分解处理，得到至少两个第一子带图像；
对所述第一子带图像中的低频子带图像进行频域分解处理，得到至少两个第二子带图像，其中，低频子带图像为包含所述水印嵌入区域的低频信息最多的子带图像；
根据各所述第二子带图像中包含的所述水印嵌入区域的高频信息和低频信息，从所述第二子带图像中选择目标子带图像。
7.根据权利要求1-5任一项所述的水印嵌入方法，其特征在于，所述将待嵌入的水印嵌入所述目标子带图像中，得到嵌入后目标子带图像，包括：
对所述目标子带图像进行矩阵分解处理，从矩阵分解结果中获取目标矩阵；
将所述水印嵌入所述目标矩阵中，得到嵌入后目标矩阵；
对所述嵌入后目标矩阵和所述矩阵分解结果中除所述目标矩阵外的其他矩阵，进行所述矩阵分解处理的逆处理，得到嵌入后目标子带图像。
8.根据权利要求7所述的水印嵌入方法，其特征在于，所述对所述目标子带图像进行矩阵分解处理，从矩阵分解结果中获取目标矩阵，包括：
对所述目标子带图像进行奇异值矩阵分解处理，从矩阵分解结果中获取奇异值矩阵作为目标矩阵；
所述将所述水印嵌入所述目标矩阵中，得到嵌入后目标矩阵，对所述嵌入后目标矩阵和所述矩阵分解结果中除所述目标矩阵外的其他矩阵，进行所述矩阵分解处理的逆处理，得到嵌入后目标子带图像，包括：
根据所述奇异值矩阵中的奇异值数量，对所述水印进行分割得到子水印，其中，子水印的数量等于所述奇异值数量；
将各子水印分别嵌入所述奇异值矩阵的奇异值中，得到嵌入后奇异值矩阵；
对所述嵌入后奇异值矩阵和所述矩阵分解结果中除所述奇异值矩阵之外的其他矩阵，进行所述奇异值矩阵分解处理的逆处理，得到嵌入后目标子带图像。
9.根据权利要求1所述的水印嵌入方法，其特征在于，所述基于所述目标图像的第一特征点在所述目标图像上的分布信息，确定所述目标图像中的水印嵌入区域，包括：
对所述待嵌入的水印进行分割，得到至少两个子水印；
根据所述目标图像的第一特征点在所述目标图像上的分布信息，在所述目标图像中确定各个子水印对应的水印嵌入区域，其中，不同子水印的水印嵌入区域不同；
所述将待嵌入的水印嵌入所述目标子带图像中，得到嵌入后目标子带图像，包括：
将各所述子水印分别嵌入对应的水印嵌入区域的目标子带图像中，得到各所述水印嵌入区域对应的嵌入后目标子带图像。
10.根据权利要求1所述的水印嵌入方法，其特征在于，所述将待嵌入的水印嵌入所述目标子带图像中，得到嵌入后目标子带图像前，还包括：
对待嵌入的水印进行乱序加密处理，得到加密后水印；
所述将待嵌入的水印嵌入所述目标子带图像中，得到嵌入后目标子带图像，包括：
将所述加密后水印嵌入所述目标子带图像中，得到嵌入后目标子带图像。
11.一种水印提取方法，其特征在于，包括：
对待提取图像进行特征点识别，得到所述待提取图像的第一特征点；
基于所述待提取图像的第一特征点在所述待提取图像上的分布信息，确定所述待提取图像中的水印嵌入区域；
对所述水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各所述子带图像包含的所述水印嵌入区域的高频信息和低频信息，从所述子带图像中确定出嵌有水印的目标子带图像；
从所述目标子带图像中，提取嵌入所述目标子带图像中的所述水印。
12.一种水印嵌入装置，其特征在于，包括：
第一特征点提取单元，用于对目标图像进行特征点识别，得到所述目标图像的第一特征点；
第一区域确定单元，用于基于所述目标图像的第一特征点在所述目标图像上的分布信息，确定所述目标图像中的水印嵌入区域；
目标分量选择单元，用于对所述水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各子带图像包含的所述水印嵌入区域的高频信息和低频信息，从所述子带图像中选择目标子带图像；
嵌入单元，用于将待嵌入的水印嵌入所述目标子带图像中，得到嵌入后目标子带图像；
图像还原单元，用于将所述水印嵌入区域的所述目标子带图像，替换为所述嵌入后目标子带图像；对所述水印嵌入区域的子带图像进行所述频域分解处理的逆处理，得到嵌入水印后的目标图像。
13.一种水印提取装置，其特征在于，包括：
第二特征点提取单元，用于对待提取图像进行特征点识别，得到所述待提取图像的第一特征点；
第二区域确定单元，用于基于所述待提取图像的第一特征点在所述待提取图像上的分布信息，确定所述待提取图像中的水印嵌入区域；
水印嵌入分量确定单元，用于对所述水印嵌入区域进行频域分解处理，得到至少两个子带图像,根据各所述子带图像包含的所述水印嵌入区域的高频信息和低频信息，从所述子带图像中确定出嵌有水印的目标子带图像；
水印提取单元，用于从所述目标子带图像中，提取嵌入所述目标子带图像中的所述水印。
14.一种计算机设备，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1-11任一项方法的步骤。
15.一种存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-11任一项方法的步骤。
CN202110179515.2A 2021-02-09 2021-02-09 一种水印嵌入、提取方法、装置、计算机设备和存储介质 Active CN112801846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110179515.2A CN112801846B (zh) 2021-02-09 2021-02-09 一种水印嵌入、提取方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110179515.2A CN112801846B (zh) 2021-02-09 2021-02-09 一种水印嵌入、提取方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112801846A true CN112801846A (zh) 2021-05-14
CN112801846B CN112801846B (zh) 2024-04-09

Family

ID=75814972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110179515.2A Active CN112801846B (zh) 2021-02-09 2021-02-09 一种水印嵌入、提取方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112801846B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570652A (zh) * 2021-07-06 2021-10-29 中国地质大学（北京） 基于sem图像的砂岩储层矿物晶间孔的定量分析方法
CN113747061A (zh) * 2021-08-25 2021-12-03 国网河北省电力有限公司衡水供电分公司 图像采集的方法、装置、终端及存储介质
CN114493969A (zh) * 2022-01-24 2022-05-13 西安闻泰信息技术有限公司 基于dwt的数字水印方法、系统、电子设备及存储介质
CN114897657A (zh) * 2022-04-23 2022-08-12 昆明理工大学 一种数字图像水印嵌入提取方法
CN115564634A (zh) * 2022-12-05 2023-01-03 杭州海康威视数字技术股份有限公司 视频对抗水印嵌入方法、装置、电子设备及存储介质
WO2023000991A1 (zh) * 2021-07-20 2023-01-26 北京沃东天骏信息技术有限公司 针对水印载体的水印处理方法及装置
CN115426537B (zh) * 2022-09-05 2023-10-13 上海赛连信息科技有限公司 在视频画面中添加隐形水印和对信息溯源的方法及其系统
CN117609962A (zh) * 2024-01-23 2024-02-27 暨南大学 一种基于特征点生成的图像式超链接生成方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1765116A (zh) * 2004-02-02 2006-04-26 日本电信电话株式会社 电子水印嵌入装置、电子水印检测装置、及其方法、程序
KR101321896B1 (ko) * 2012-05-23 2013-10-28 광운대학교 산학협력단 스테레오 영상의 소유권 보호를 위한 폐색 영역 기반 스테레오 영상의 워터마킹 방법
CN103955878A (zh) * 2014-04-11 2014-07-30 杭州电子科技大学 基于sift的dwt-svd抗几何攻击盲水印方法
KR20190093449A (ko) * 2018-02-01 2019-08-09 광운대학교 산학협력단 특징점을 이용한 전방위 영상의 블라인드 디지털 워터마킹 방법
CN111986068A (zh) * 2020-09-04 2020-11-24 兰州交通大学 一种运用改进sift特征点的gf-2影像水印方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1765116A (zh) * 2004-02-02 2006-04-26 日本电信电话株式会社 电子水印嵌入装置、电子水印检测装置、及其方法、程序
KR101321896B1 (ko) * 2012-05-23 2013-10-28 광운대학교 산학협력단 스테레오 영상의 소유권 보호를 위한 폐색 영역 기반 스테레오 영상의 워터마킹 방법
CN103955878A (zh) * 2014-04-11 2014-07-30 杭州电子科技大学 基于sift的dwt-svd抗几何攻击盲水印方法
KR20190093449A (ko) * 2018-02-01 2019-08-09 광운대학교 산학협력단 특징점을 이용한 전방위 영상의 블라인드 디지털 워터마킹 방법
CN111986068A (zh) * 2020-09-04 2020-11-24 兰州交通大学 一种运用改进sift特征点的gf-2影像水印方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570652A (zh) * 2021-07-06 2021-10-29 中国地质大学（北京） 基于sem图像的砂岩储层矿物晶间孔的定量分析方法
WO2023000991A1 (zh) * 2021-07-20 2023-01-26 北京沃东天骏信息技术有限公司 针对水印载体的水印处理方法及装置
CN113747061A (zh) * 2021-08-25 2021-12-03 国网河北省电力有限公司衡水供电分公司 图像采集的方法、装置、终端及存储介质
CN114493969A (zh) * 2022-01-24 2022-05-13 西安闻泰信息技术有限公司 基于dwt的数字水印方法、系统、电子设备及存储介质
CN114897657A (zh) * 2022-04-23 2022-08-12 昆明理工大学 一种数字图像水印嵌入提取方法
CN115426537B (zh) * 2022-09-05 2023-10-13 上海赛连信息科技有限公司 在视频画面中添加隐形水印和对信息溯源的方法及其系统
CN115564634A (zh) * 2022-12-05 2023-01-03 杭州海康威视数字技术股份有限公司 视频对抗水印嵌入方法、装置、电子设备及存储介质
CN117609962A (zh) * 2024-01-23 2024-02-27 暨南大学 一种基于特征点生成的图像式超链接生成方法
CN117609962B (zh) * 2024-01-23 2024-05-07 暨南大学 一种基于特征点生成的图像式超链接生成方法

Also Published As

Publication number Publication date
CN112801846B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN112801846B (zh) 一种水印嵌入、提取方法、装置、计算机设备和存储介质
Kang et al. Identifying tampered regions using singular value decomposition in digital image forensics
Wang et al. A new keypoint-based copy-move forgery detection for small smooth regions
Yang et al. Mesh discriminative features for 3D steganalysis
Salimi et al. A novel watermarking method based on differential evolutionary algorithm and wavelet transform
Thajeel et al. State of the art of copy-move forgery detection techniques: a review
Liu et al. Robust blind image watermarking based on chaotic mixtures
Subhedar et al. Image steganography using contourlet transform and matrix decomposition techniques
Ferreira et al. A robust 3D point cloud watermarking method based on the graph Fourier transform
Giachetti Effective characterization of relief patterns
Khaldi et al. Deformable model segmentation for range image watermarking
Wan et al. Robust image watermarking based on two-layer visual saliency-induced JND profile
Gani et al. Copy move forgery detection using DCT, PatchMatch and cellular automata
Xing et al. Image perceptual hashing for content authentication based on Watson’s visual model and LLE
Favorskaya et al. Texture analysis in watermarking paradigms
Guo et al. Artwork protection against neural style transfer using locally adaptive adversarial color attack
Aberna et al. Optimal semi-fragile watermarking based on maximum entropy random walk and swin transformer for tamper localization
Jin et al. AMFNet: an adversarial network for median filtering detection
Yadav et al. Lagrangian twin support vector regression and genetic algorithm based robust grayscale image watermarking
Birajdar et al. Computer Graphic and Photographic Image Classification using Local Image Descriptors.
Ravi et al. Forensic analysis of linear and nonlinear image filtering using quantization noise
Mosleh et al. Texture image retrieval using contourlet transform
Kumar et al. A review of image features extraction techniques and their applications in image forensic
Dhar et al. Interval type-2 fuzzy set and human vision based multi-scale geometric analysis for text-graphics segmentation
Tripathi et al. Comparative Analysis of Techniques Used to Detect Copy-Move Tampering for Real-World Electronic Images

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40043859

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant