CN112907433A - 数字水印嵌入方法、提取方法、装置、设备及介质 - Google Patents

Abstract

本申请涉及一种数字水印嵌入方法、提取方法、装置、设备及介质，涉及图像处理领域。本申请在进行水印嵌入操作时，获取原始图片和水印信息；将所述原始图片划分为若干尺寸相同的子区域；通过边缘检测分别提取各所述子区域的边缘轮廓信息；将提取到的所述边缘轮廓信息最多的子区域确定为最佳嵌入区域；将所述水印信息添加至所述最佳嵌入区域，得到水印图片。本申请将水印添加在边缘点最多的区域，提升了水印恢复的鲁棒性，且水印的恢复准确率也将有很大幅度的提升，解决现有的数字水印方法中，水印恢复准确率低，且无法准确确认水印嵌入区域的问题。

Description

数字水印嵌入方法、提取方法、装置、设备及介质

技术领域

本申请涉及一种数字水印嵌入方法、提取方法、装置、设备及介质，属于图像处理领域。

背景技术

数字水印技术，旨在在视频或者图像当中添加人肉眼几乎不能看到的信息，这些信息可以表征该视频或者图像的所属信息、时间信息、位置信息等。

添加数字水印的视频或者图像在传输及流传的过程中，可能会经过编解码的过程导致信息发生部分的改变，也有可能经过显示媒介的变化、以及经过偷拍、翻拍、修改等方式导致图片的信息发生一定程度的损坏，比较明显的是翻拍的过程会导致图像的亮度、纹理发生变化，图像的修改则更是有可能使图像的内容发生部分的变化。

针对上述问题，现有技术中采用基于stegastamp网络等深度学习方法，将其中的隐形水印提取出来，但由于拍照的过程中，会出现噪声、色彩、摩尔纹等现象，对图片造成不同程度的破坏，同时也会对添加到图片中的隐形水印造成破坏，导致对水印的准确提取的困难。而且现有的方法在水印恢复时，水印恢复准确率较低，且无法准确地找到添加水印区域。

发明内容

本申请提供了一种数字水印嵌入方法、提取方法、装置、设备及介质，可以解决现有技术在对添加隐形水印的图片进行水印恢复时，水印恢复准确率较低，且无法准确地找到添加水印区域的问题。

本申请提供如下技术方案：

第一方面，提供了一种数字水印嵌入方法，包括：

获取原始图片和水印信息；

将所述原始图片划分为若干尺寸相同的子区域；

通过边缘检测分别提取各所述子区域的边缘轮廓信息；

将提取到的所述边缘轮廓信息最多的子区域确定为最佳嵌入区域；

将所述水印信息添加至所述最佳嵌入区域，得到水印图片。

第二方面，提供了一种数字水印提取方法，所述方法包括：

获取待提取水印图片，所述待提取水印图片为对使用如第一方面所述的数字水印嵌入方法得到的水印图片进行翻拍得到的；

将所述待提取水印图片划分为若干候选区域，所述候选区域与原始图片划分的各子区域一一对应，其中，所述原始图片为所述水印图片添加水印信息之前的图片；

将各个所述候选区域分别输入目标网络模型得到各个所述候选区域的得分，将得分最高的候选区域作为目标候选区域，对目标候选区域进行数字水印提取；其中，所述目标网络模型为学习各候选区域在原始图片中对应子区域的边缘轮廓信息得到的。

第三方面，提供了一种数字水印嵌入装置，包括：

数据获取模块，被配置为用于获取原始图片和水印信息；

区域划分模块，被配置为用于将所述原始图片划分为若干尺寸相同的子区域；

边缘检测模块，被配置为用于通过边缘检测分别提取各所述子区域的边缘轮廓；

最佳区域确定模块，被配置为用于将提取到所述边缘轮廓最多的子区域确定为最佳嵌入区域；

水印嵌入模块，被配置为用于将所述水印信息添加至所述最佳嵌入区域，得到水印图片。

第四方面，提供一种数字水印提取装置，包括：

图片获取模块，被配置为用于获取待提取水印图片，所述待提取水印图片为对使用如第一方面所述的数字水印嵌入方法得到的水印图片进行翻拍得到的；

候选区域划分模块，被配置为用于将所述待提取水印图片划分为若干候选区域，所述候选区域与原始图片划分的各子区域一一对应，其中，所述原始图片为所述水印图片添加水印信息之前的图片；

嵌入区域预测模块，被配置为用于将各个所述候选区域分别输入目标网络模型得到各个所述候选区域的得分，将得分最高的候选区域作为目标候选区域，对目标候选区域进行数字水印提取；其中，所述目标网络模型为学习各候选区域在原始图片中对应子区域的边缘轮廓信息得到的。

第五方面，提供一种电子设备，包括处理器和存储器，所述存储器中存储有程序，所述程序由所述处理器加载并执行，以实现如第一方面所述的数字水印嵌入方法的步骤，或者如第二方面所述的数字水印提取方法的步骤。

第六方面，提供一种计算机可读存储介质，所述存储介质中存储有程序，所述程序被处理器执行时，用于实现如第一方面所述的数字水印嵌入方法的步骤，或者如第二方面所述的数字水印提取方法的步骤。

本申请的有益效果在于：本申请实施例在添加水印时，将原始图片划分若干子区域，并对各子区域通过边缘提取，将边缘轮廓最多的区域确定为水印嵌入的最佳区域。因为翻拍过程中出现的摩尔纹、噪声或者色彩变化，并不会使那些边缘轮廓消失或者改变形状，将水印添加在边缘轮廓信息最多的区域，提升了水印恢复的鲁棒性，且水印的恢复准确率也将有很大幅度的提升，相比于将水印添加在固定位置的方法，本申请实施例的数字水印嵌入方法，使得恢复水印时的恢复准确率大大提高。

本申请实施例采用深度学习的方式来学习待提取水印图片在原始图片中对应的各子区域的边缘轮廓信息，并根据学习到的边缘轮廓信息确定水印嵌入区域，避免了因翻拍的影响，直接对待提取水印图片进行边缘轮廓检测时导致的检测误差。本申请水印提取的方案能够更准确地找到水印嵌入区域，水印恢复准确率大幅提升。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。

附图说明

图1是本申请一个实施例提供的实现数字水印嵌入/提取方法和装置的网络构架示意图；

图2是本申请一个实施例提供的数字水印嵌入方法的流程图；

图3是本申请一个实施例提供的数字水印提取方法的流程图；

图4是本申请一个实施例提供的训练目标网络模型的流程图；

图5是本申请一个实施例目标网络模型的结构示意图；

图6是本申请一个实施例提供的数字水印嵌入装置的框图；

图7是本申请一个实施例提供的数字水印提取装置的框图；

图8是本申请一个实施例提供的电子设备的框图。

具体实施方式

下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。

图1是本申请一个实施例提供的实现数字水印嵌入方法及装置和数字水印提取方法及装置的网络构架示意图，如图1所示，该网络构架包括终端101和服务端102。

其中，终端101通过网络与服务端102进行交互，本申请实施例所提供的数字水印嵌入方法和数字水印提取方法的执行主体可以是服务端102，也可以是终端101。相应地，数字水印嵌入装置和提取装置，可以设置于服务端102，也可以设置于终端101。终端101可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。服务端102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

本申请实施例原始图片和水印信息可以预先存储在服务端102，当需要添加水印时，直接从服务端102获取原始图片和水印信息进行数字水印嵌入操作；当然，也可以通过终端101实时采集得到，本申请实施例在此不做限定。

图2是本申请一个实施例提供的数字水印嵌入方法的流程图，应用于如图1所示的网络构架中，该方法包括以下几个步骤：

S201:获取原始图片和水印信息。

水印信息是指需要嵌入原始图片的保护信息，水印信息可以是但不限于是图片、字符等信息，例如，用户的账号信息、用户的终端设备IP(InternetProtocol，网际互连协议)地址等。原始图片是指待添加数字水印的图片。

具体地，原始图片和水印信息可以从服务端102获取，也可以从终端101获取，依实际情况而定。水印嵌入就是把获取的水印信息添加到原始图片中。

S202:将原始图片划分为若干尺寸相同的子区域。

具体地，本实施例用网格划分法将原始图片划分为若干个大小尺寸相同的子区域，例如，原始图片为1080P的图片，可以将原始图片划分为45块200×200的子区域，整个原始图片就被分成了包含45块200×200的子区域的图像。

S203:对各所述子区域通过边缘检测，提取各子区域的边缘轮廓信息。

具体地，不同图像的灰度不同，因此，在图像的边界处一般会有明显的边缘，图像的边缘就是图像中灰度值有突变的像素的集合，也就是图像中灰度值变化最显著的地方，本实施例提取的边缘轮廓信息指的就是对应子区域中灰度值有突变的像素点的集合。

对于边缘检测，可以由边缘检测算子利用图像边缘灰度的突变来检测边缘区域信息，本申请实施例采用的边缘检测算子是Sobel算子，因为Sobel算子与水印的鲁棒性更加相容。当然，也可以采用其他的边缘检测算子，例如Canny算子，Laplace算子等，本申请实施例在此不做限定。

下面以Sobel算子为例，对本实施例各子区域的边缘检测过程进行说明：

Sobel算子包含两组3×3的滤波器，分别为横向算子S_X和纵向算子S_Y，即：

其中，横向算子S_X用于检测对应子区域的图像中水平方向的边缘，纵向算子S_Y用于检测对应子区域的图像中垂直方向的边缘，通过横向算子S_X、纵向算子S_Y对各子区域进行滤波后，得到各子区域图像中对应像素点在横向和纵向两个方向上的灰度梯度分别表示为：

G_Xij＝S_X*A_i

G_Yij＝S_Y*A_i

其中，G_Xij表示第i个子区域第j个像素点在横向上的灰度梯度，G_Yij表示第i个子区域第j个像素点在纵向上的灰度梯度。

由此，可以得到第i个子区域的第j个像素点的灰度梯度G_ij，即：G_ij＝|G_Xij|+|G_Yij|，i＝1，2，...，45，j＝1，2，...，m。通过设定一个阈值G_max(取值为0-255，例如100)，若灰度梯度G_ij大于阈值Gmax，则对应的像素点属于边缘点，划分的子区域中所有边缘点的集合构成对应子区域包含的边缘轮廓信息。

S204:将提取到边缘轮廓信息最多的子区域确定为最佳嵌入区域。

具体地，图片中添加数字水印实际上是对图片的某些像素做了一些微小的改动，这些微小的改动在图片的边缘轮廓上比较集中，将数字水印嵌入到这些边缘轮廓比较多的位置时，添加数字水印的图片被翻拍后，数字水印恢复的准确率也较高，因为翻拍过程中出现的摩尔纹、噪声或者色彩变化，并不会使那些边缘轮廓消失或者改变形状。

但是在没有边缘轮廓的区域，很容易凭空产生一条或者若干条边缘轮廓出来，对图片或者数字水印产生非常明显的破坏，从而导致数字水印恢复准确率降低。

因此，本申请实施例在边缘轮廓最多的位置添加数字水印，更加有利于数字水印的恢复，提升数字水印恢复的鲁棒性。

本申请实施例通过将各子区域图像对应横向和纵向两个方向上的滤波结果相加，并求取均值的方式，来衡量其边缘轮廓信息，即：

其中，m表示像素点个数，

表示第i个子区域的滤波均值。

滤波均值

越大，表明对应子区域提取到的边缘像素点越多，也就是边缘轮廓信息越多，添加数字水印后，提取数字水印的准确率越高；滤波均值

越小，表明对应子区域提取到的边缘像素点越少，也就是边缘轮廓信息越少，添加数字水印后，提取数字水印的准确率越低。

本申请实施例将选取的45个子区域的滤波均值进行排序，并选取滤波均值排在第一位的子区域确定为最佳嵌入区域。

可选地，作为一种可行的实施方式，本申请也可以不计算滤波均值，直接根据边缘检测算子计算得到的每个像素点的灰度梯度值，判定对应的像素点是否为边缘像素点，从而获得对应子区域内边缘像素点的数量，并将得到的边缘像素点数量最多的子区域判定为最佳嵌入区域。

S205:将水印信息添加至最佳嵌入区域，得到水印图片。

具体地，本申请实施例采用水印嵌入算法添加数字水印，水印嵌入算法属于现有技术，例如：Stegastamp算法，属于本领域技术人员熟知的技术，本申请实施例在此不再赘述。

综上所述，本申请实施例在添加数字水印时，将原始图片划分若干子区域，并对各子区域通过边缘提取，将数字水印添加在边缘轮廓信息最多的区域，有利于数字水印的恢复，能够提升数字水印恢复的鲁棒性，且数字水印的恢复准确率也大大提高，相比于将数字水印添加在固定位置的方法，本申请实施例的数字水印嵌入方法，使得恢复数字水印时得到了较高的恢复准确率。

图3是本申请一个实施例提供的数字水印提取方法的流程图，该数字水印提取方法可以应用于如图1所示的网络构架中，包括以下几个步骤：

S301:获取待提取水印图片。

本实施例待提取水印图片指的是对上述数字水印嵌入方法得到的水印图片进行翻拍得到的图片。

翻拍指的是对水印图片进行拍照，该待提取水印图片可以预先存储在图1所示网络构架的服务端102，当需要提取数字水印时，从服务端102获取待提取水印图片。当然，也可以通过终端101实时采集得到，本申请实施例在此不做限定。

S302:将所述待提取水印图片划分为若干候选区域。

具体地，本实施例采用网格划分法将待提取水印图片划分为若干个大小尺寸相同的候选区域，例如，若待提取水印图片为1080P的图片，则可以划分为45块200×200的子区域，整个待提取水印图片就被分成了包含45块200×200的候选区域的图像。

本实施例划分的各所述候选区域与原始图片划分的各子区域一一对应。其中，原始图片指的是所述水印图片添加水印信息之前的图片。

其中一个候选区域为水印嵌入区域，所述水印嵌入区域为原始图片通过边缘检测得到的边缘轮廓信息最多的子区域。

S303:将各个所述候选区域分别输入目标网络模型得到各个所述候选区域的得分，将得分最高的候选区域作为目标候选区域。

具体地，本实施例所述目标网络模型为学习各候选区域在原始图片中对应子区域的边缘轮廓信息得到的。

由于翻拍过程中产生的摩尔纹、噪声、色彩变化等因素会对原水印图片造成不同程度的影响，在对上述数字水印嵌入方法实施例中嵌入的水印进行水印提取的过程中，如果通过边缘检测算子的计算结果来检测待提取水印图片各候选区域的边缘轮廓，从而确定水印添加的区域，则与实际的边缘检测算子的计算结果会有较大的差异。为了消除该差异，使用训练好的目标网络模型对待提取水印图片中的各候选区域进行打分，将得分最高的候选区域作为目标候选区域。

示例性地，在一个实施方式中，以边缘检测算子的滤波均值来衡量对应候选区域的边缘轮廓信息，获取对应的得分。本实施例通过将待提取水印图片的各个候选区域输入至训练好的目标网络模型提取各候选区域的滤波均值，并根据提取到的滤波均值确定各候选区域的得分，具体的，候选区域对应的滤波均值越大该候选区域的得分越高，并将得分最高的候选区域确定为目标候选区域。其中，目标网络模型通过学习各候选区域对应的原始图片中各子区域的滤波均值训练得到，也即，将候选区域的滤波均值与该候选区域对应于原始图片中的子区域的滤波均值进行拟合训练，使得目标网络模型提取到的得分最高的候选区域对应于原始图片中滤波均值最高的子区域。

S304:对目标候选区域进行数字水印提取。

在确定了目标候选区域之后，将对应的目标候选区域送入到水印恢复模块中进行数字水印提取，得到数字水印信息。本申请实施例的数字水印提取算法可以采用现有技术的数字水印提取算法，属于本领域的熟知技术，在此不再赘述。

综上所述，本申请实施例采用深度学习的方式来学习待提取水印图片在原始图片中对应的各子区域的边缘轮廓，并根据学习到的边缘轮廓确定水印嵌入区域，避免了因翻拍的影响，在直接对待提取水印图片进行边缘轮廓检测时导致的检测误差。本申请数字水印提取的方法能够更准确地找到数字水印嵌入区域，数字水印恢复准确率大幅提升。

图4给出了本申请实施例训练深度学习模型的流程图，如图4所示，本申请实施例训练深度学习模型的步骤如下：

S401:获取训练数据集。

具体地，训练数据集包括若干划分候选区域的待提取水印图片以及各候选区域的标签，其中，所述标签指示候选区域在所述原始图片中对应子区域的边缘轮廓信息。

本申请实施例采用各种不同角度、不同距离、不同相机、不同显示设备等来翻拍若干高、宽分别为1080P、1920P像素的水印图片得到待提取水印图片，且翻拍的若干水印图片均为通过上述数字水印嵌入方法实施例得到的水印图片，并将待提取水印划分为5×9＝45块200×200的候选区域。

进一步地，上述翻拍的高、宽分别为1080P、1920P像素的待提取水印图片中，有一部分是由720P、4k等不同分辨率的水印图片经过尺寸调整得到的，用以数字水印能够适应不同的分辨率。

S402:将所述训练数据集的候选区域输入构建的初始网络模型，利用所述初始网络模型提取所述候选区域的边缘轮廓信息，得到预测结果。

本实施例构建的初始网络模型是一个卷积神经网络回归模型。主要是为了还原待提取水印图片对应候选区域在原始图片中对应子区域的边缘轮廓信息。

为了能够更好地学习到图片间细微的区别，本申请实施例去掉了回归模型最后的BN(批量标准化)层，使得该回归模型能够更好地收敛。具体地，本申请实施例构建的回归模型如图5所示，包括依次连接的6层3×3的卷积层(conv1、conv2、conv3、conv4、conv5、conv6)和两层全连接层(fc1、fc2)，其中第二层全连接层fc2为回归层，包含有回归函数，用于输出预测结果的值。其中，第一卷积层conv1和第二卷积层conv2为引入BN层的卷积块；第三卷积层conv3、第四卷积层conv4、第五卷积层conv5、第六卷积层conv6、全连接层和回归层均未引入BN层。

为了回归模型能够更好地拟合，本实施例将训练数据集中，各候选区域对应的标签进行归一化处理，得到取值范围在0到1之间的标签数据。

本申请实施例将训练数据中翻拍的水印图片对应的子区域图像输入构建的初始网络模型中，利用初始网络模型的卷积层提取各候选区域对应的边缘轮廓信息，并将提取的边缘轮廓信息输入全连接层fc1，边缘轮廓信息经过全连接层fc1处理后，输入至回归层fc2，由回归层fc2输出预测结果的值。

S403:确定各个候选区域所述预测结果与对应的所述标签之间的误差。

本申请实施例构建的初始网络模型的损失函数可以采用均方误差函数，当然也可以选择平均绝对误差函数、Huber损失函数等等，本申请实施例在此不做限定。

根据误差函数可以得到各个候选区域的预测结果与对应的标签之间的误差。

S404:判断误差是否小于预设阈值，若小于，则执行S406；否则，执行S405。

S405:迭代更新所述初始网络模型的参数，并执行S402。

S406:训练结束，得到目标网络模型。

图6是本申请一个实施例提供的数字水印嵌入装置的框图，本实施例的数字水印嵌入装置可以应用于图1所示的网络构架。该装置至少包括以下几个模块：

数据获取模块，被配置为用于获取原始图片和水印信息；

区域划分模块，被配置为用于将所述原始图片划分为若干尺寸相同的子区域；

边缘检测模块，被配置为用于通过边缘检测分别提取各所述子区域的边缘轮廓信息；

最佳区域确定模块，被配置为用于将提取到所述边缘轮廓信息最多的子区域确定为最佳嵌入区域；

水印嵌入模块，被配置为用于将所述水印信息添加至所述最佳嵌入区域，得到水印图片。

相关细节参考上述数字水印嵌入方法实施例。

图7是本申请一个实施例提供的数字水印提取装置的框图，本实施例的数字水印提取装置可以应用于图1所示的网络构架。该装置至少包括以下几个模块：

图片获取模块，被配置为用于获取待提取水印图片，所述待提取水印图片为对使用如上述数字水印嵌入方法实施例得到的水印图片进行翻拍得到的；

候选区域划分模块，被配置为用于将所述待提取水印图片划分为若干候选区域，所述候选区域与原始图片划分的各子区域一一对应，其中，所述原始图片为所述水印图片添加水印信息之前的图片；

嵌入区域预测模块，被配置为用于将各个所述候选区域分别输入目标网络模型得到各个所述候选区域的得分，将得分最高的候选区域作为目标候选区域，对目标候选区域进行数字水印提取；其中，所述目标网络模型为学习各候选区域在原始图片中对应子区域的边缘轮廓信息得到的。

相关细节参考上述数字水印提取方法实施例。

需要说明的是：上述两个装置实施例，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将数字水印嵌入装置或数字水印提取装置内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的数字水印嵌入/提取装置与数字水印嵌入/提取方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图8是本申请一个实施例提供的一种电子设备的框图，该电子设备可以是：智能手机、平板电脑、笔记本电脑、台式电脑或服务器。该电子设备还可能被称为用户设备、便携式终端、膝上型终端、台式终端、控制终端等，本实施例对此不作限定。该电子设备至少包括处理器和存储器。

处理器可以包括一个或多个处理核心，比如：4核心处理器、6核心处理器等。处理器可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable GateArray，现场可编程门阵列)、PLA(Programmable LogicArray，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器可以在集成有GPU(Graphics ProcessingUnit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器还可以包括AI(ArtificialIntelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器所执行以实现本申请中上述数字水印嵌入方法或数字水印提取方法实施例的步骤。

在一些实施例中，上述电子设备还可选包括有：外围设备接口和至少一个外围设备。处理器、存储器和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地，外围设备包括但不限于：射频电路、触摸显示屏、音频电路、和电源等。

当然，上述电子设备还可以包括更少或更多的组件，本实施例对此不作限定。

可选地，本申请还提供有一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述数字水印嵌入方法或数字水印提取方法实施例的步骤。

可选地，本申请还提供有一种计算机产品，该计算机产品包括计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述数字水印嵌入方法或数字水印提取方法实施例的步骤。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种数字水印嵌入方法，其特征在于，包括：

获取原始图片和水印信息；

将所述原始图片划分为若干尺寸相同的子区域；

通过边缘检测分别提取各所述子区域的边缘轮廓信息；

将提取到的所述边缘轮廓信息最多的子区域确定为最佳嵌入区域；

将所述水印信息添加至所述最佳嵌入区域，得到水印图片。

2.根据权利要求1所述的数字水印嵌入方法，其特征在于，所述将提取到的所述边缘轮廓信息最多的子区域确定为水印嵌入的最佳区域，包括：

对各所述子区域，采用边缘检测算子分别进行滤波处理；

计算各所述子区域的滤波均值，或者根据滤波处理后得到的各所述子区域每个像素点的灰度梯度值，确定边缘像素点；

将所述滤波均值最大或者边缘像素点最多的子区域确定为最佳嵌入区域。

3.一种数字水印提取方法，其特征在于，包括：

获取待提取水印图片，所述待提取水印图片为对使用如权利要求1-2任一项所述的数字水印嵌入方法得到的水印图片进行翻拍得到的；

将所述待提取水印图片划分为若干候选区域，所述候选区域与原始图片划分的各子区域一一对应，其中，所述原始图片为所述水印图片添加水印信息之前的图片；

将各个所述候选区域分别输入目标网络模型得到各个所述候选区域的得分，将得分最高的候选区域作为目标候选区域，对所述目标候选区域进行数字水印提取；其中，所述目标网络模型为学习各候选区域在原始图片中对应子区域的边缘轮廓信息得到的。

4.根据权利要求3所述的数字水印提取方法，其特征在于，将各个所述候选区域分别输入目标网络模型得到各个所述候选区域的得分的步骤之前，还包括：

获取训练数据集，所述训练数据集包括若干划分候选区域的待提取水印图片以及各候选区域对应的标签，所述标签指示候选区域在所述原始图片中对应子区域的边缘轮廓信息；

将所述训练数据集的候选区域输入构建的初始网络模型，利用所述初始网络模型提取所述候选区域的边缘轮廓信息，得到预测结果；

基于各个候选区域所述预测结果与对应的所述标签之间的误差，迭代更新所述初始网络模型的参数，直至所述误差小于预设阈值，训练结束，得到目标网络模型。

5.根据权利要求4所述的数字水印提取方法，其特征在于，所述目标网络模型包括依次连接的第一卷积层conv1、第二卷积层conv2、第三卷积层conv3、第四卷积层conv4、第五卷积层conv5、第六卷积层conv6、全连接层和回归层；

所述第一卷积层conv1和第二卷积层conv2为引入BN层的卷积块；所述第三卷积层conv3、第四卷积层conv4、第五卷积层conv5、第六卷积层conv6、全连接层和回归层均未引入BN层。

6.一种数字水印嵌入装置，其特征在于，所述装置包括：

数据获取模块，被配置为用于获取原始图片和水印信息；

区域划分模块，被配置为用于将所述原始图片划分为若干尺寸相同的子区域；

边缘检测模块，被配置为用于通过边缘检测分别提取各所述子区域的边缘轮廓信息；

最佳区域确定模块，被配置为用于将提取到所述边缘轮廓信息最多的子区域确定为最佳嵌入区域；

水印嵌入模块，被配置为用于将所述水印信息添加至所述最佳嵌入区域，得到水印图片。

7.一种数字水印提取装置，其特征在于，所述装置包括：

图片获取模块，被配置为用于获取待提取水印图片，所述待提取水印图片为对使用如权利要求1-2任一项所述的数字水印嵌入方法得到的水印图片进行翻拍得到的；

候选区域划分模块，被配置为用于将所述待提取水印图片划分为若干候选区域，所述候选区域与原始图片划分的各子区域一一对应，其中，所述原始图片为所述水印图片添加水印信息之前的图片；

嵌入区域预测模块，被配置为用于将各个所述候选区域分别输入目标网络模型得到各个所述候选区域的得分，将得分最高的候选区域作为目标候选区域，对目标候选区域进行数字水印提取；其中，所述目标网络模型为学习各候选区域在原始图片中对应子区域的边缘轮廓信息得到的。

8.根据权利要求7所述的数字水印提取装置，其特征在于，还包括目标网络模型训练模块，用于：

获取训练数据集，所述训练数据集包括若干划分候选区域的待提取水印图片以及各候选区域对应的标签，所述标签指示候选区域在所述原始图片中对应子区域的边缘轮廓信息；将所述训练数据集的候选区域输入构建的初始网络模型，利用所述初始网络模型提取所述候选区域的边缘轮廓信息，得到预测结果；基于各个候选区域所述预测结果与对应所述标签之间的误差，迭代更新所述初始网络模型，直至所述误差小于预设阈值，训练结束，得到目标网络模型。

9.一种电子设备，包括处理器和存储器，所述存储器中存储有程序，其特征在于，所述程序由所述处理器加载并执行，以实现如权利要求1至2任一项所述的数字水印嵌入方法的步骤，或者如权利要求3至5任一项所述的数字水印提取方法的步骤。

10.一种计算机可读存储介质，所述存储介质中存储有程序，其特征在于，所述程序被处理器执行时，用于实现如权利要求1至2任一项所述的数字水印嵌入方法的步骤，或者如权利要求3至5任一项所述的数字水印提取方法的步骤。

Images