CN113222804B - 面向陶瓷工艺的上采样陶瓷水印模型训练方法和嵌密方法 - Google Patents

面向陶瓷工艺的上采样陶瓷水印模型训练方法和嵌密方法 Download PDF

Info

Publication number
CN113222804B
CN113222804B CN202110615666.8A CN202110615666A CN113222804B CN 113222804 B CN113222804 B CN 113222804B CN 202110615666 A CN202110615666 A CN 202110615666A CN 113222804 B CN113222804 B CN 113222804B
Authority
CN
China
Prior art keywords
image
watermark
ceramic
loss function
loss
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.)
Active
Application number
CN202110615666.8A
Other languages
English (en)
Other versions
CN113222804A (zh
Inventor
王俊祥
曾文超
郭学镜
倪江群
程昔恩
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.)
Jingdezhen Ceramic Institute
Original Assignee
Jingdezhen Ceramic 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 Jingdezhen Ceramic Institute filed Critical Jingdezhen Ceramic Institute
Priority to CN202110615666.8A priority Critical patent/CN113222804B/zh
Publication of CN113222804A publication Critical patent/CN113222804A/zh
Application granted granted Critical
Publication of CN113222804B publication Critical patent/CN113222804B/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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
    • B41M—PRINTING, DUPLICATING, MARKING, OR COPYING PROCESSES; COLOUR PRINTING
    • B41M5/00—Duplicating or marking methods; Sheet materials for use therein
    • B41M5/0041—Digital printing on surfaces other than ordinary paper
    • B41M5/007—Digital printing on surfaces other than ordinary paper on glass, ceramic, tiles, concrete, stones, etc.
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
    • B41M—PRINTING, DUPLICATING, MARKING, OR COPYING PROCESSES; COLOUR PRINTING
    • B41M5/00—Duplicating or marking methods; Sheet materials for use therein
    • B41M5/0082—Digital printing on bodies of particular shapes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/001—Model-based coding, e.g. wire frame
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Ceramic Engineering (AREA)
  • Multimedia (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种面向陶瓷工艺的上采样陶瓷水印模型训练方法和嵌密方法，其中面向陶瓷工艺的上采样陶瓷水印模型训练方法通过对水印图像进行放大处理，解决了丝网印刷工艺导致的水印提取不准确问题，提高了版权信息的提取准确率，并且此方案同样有助于在喷墨印刷工艺中水印提取准确率的提升；进一步的基于数字水印模型提供了陶瓷水印图案的制作方法，可适用于陶瓷工艺的版权水印嵌入和提取。

Description

面向陶瓷工艺的上采样陶瓷水印模型训练方法和嵌密方法
技术领域
本发明涉及陶瓷技术领域，具体涉及一种面向陶瓷工艺的上采样陶瓷水印模型训练方法和嵌密方法。
背景技术
近年来，随着陶瓷产业快速发展，一些不法分子受到利益的驱使对知名陶瓷品牌产品进行假冒仿制并大肆售卖，企业为此付出巨大经济损失，消费者利益也因此遭受破坏。虽然在陶瓷表面添加防伪保护的数字二维码可以缩减版权维护周期，节省厂家和消费者维护版权成本，但是陶瓷作为实用性和美观性相结合的产品，在陶瓷表面添加可见的二维码，不仅牺牲了陶瓷的美观性，同时也削弱了产品竞争力。因此寻求一种高效同时不影响陶瓷艺术性的版权保护措施变得尤为重要。
如今，数字水印技术是一种新型的版权保护方法，它以人所不能感知的方式将版权水印嵌入在图像、文字和视频等多媒体中，并可用专门的检测器提取隐藏的水印信息。但是当前的数字水印多用于电子数字的版权认证，如图像、文字和视频等，对于陶瓷这种特殊载体并不适用。这主要原因在于：(1)陶瓷载体需要通过多种传统工艺烧制而成，容易破坏水印信息；(2)水印信息为了附着在陶瓷上，通常需要经历花纸转印这一特殊环节，如何保证水印在经历此特殊工艺后，其鲁棒性依旧存在还需要研究。
发明内容
有鉴于此，本发明实施例提供了一种面向陶瓷工艺的上采样陶瓷水印模型训练方法和嵌密方法，，以提高数字水印技术在陶瓷产品中应用的鲁棒性。
根据第一方面，本发明实施例提供了一种面向陶瓷工艺的上采样陶瓷水印模型训练方法，包括：
获取训练图像；
获取水印信息，基于当前编码器、所述水印信息和所述训练图像生成残差图像，将所述残差图像和所述训练图像相加得到第一水印图像；
计算所述第一水印图像与所述训练图像之间损失函数集合中各个损失函数的损失值，根据所述损失值对所述当前编码器进行调节，得到更新后的编码器；
将所述第一水印图像进行放大处理，得到第二水印图像；
将第二水印图像放入预设的噪声层中进行噪声处理；
将经过噪声处理的第二水印图像送入当前解码器进行解码得到秘密信息，根据所述秘密信息和所述水印信息得到交叉熵损失函数损失值；根据所述交叉熵损失函数损失值对所述当前解码器进行更新，得到更新后的解码器。
本发明实施例提供的面向陶瓷工艺的上采样陶瓷水印模型训练方法，通过对水印图像进行放大处理，解决了丝网印刷工艺导致的水印提取不准确问题，提高了版权信息的提取准确率。
结合第一方面，在第一方面第一实施方式中，当所述损失函数集合中包括MSE损失函数时，计算所述第一水印图像与所述训练图像之间MSE损失函数的损失值包括：
对所述训练图像进行边缘提取，得到掩膜；
根据所述训练图像、所述第一水印图像和所述掩膜得到所述当前编码器中MSE损失函数的损失值。
结合第一方面，在第一方面第二实施方式中，所述将所述水印图像进行放大处理包括：将所述水印图像中每个位置的像素复制N-1次形成像素值一致的像素块，其中N＞2。
结合第一方面，在第一方面第三实施方式中，在根据所述损失值对所述当前编码器进行调节，得到更新后的编码器之前，还包括：
获取所述损失函数集合中每个损失函数的权重值；
利用所述损失函数集合每个损失函数的损失值和对应的权重值对所述当前编码器进行调节，得到更新后的编码器；
在根据所述交叉熵损失函数损失值对所述当前解码器进行更新，得到更新后的解码器之前，还包括：
获取所述交叉熵损失函数的权重值；
利用所述交叉熵损失函数的权重值、所述交叉熵损失函数的损失值对所述当前解码器进行更新，得到更新后的解码器。
结合第一方面第四实施方式，在第一方面第四实施方式，所述损失函数集合还包括：LPIPS损失函数、L无穷损失函数、Critic损失函数；
在预设步数之前，仅对所述交叉熵损失函数的权重值进行赋值；
在预设步数之后，所述LPIPS损失函数、所述L无穷损失函数和所述交叉熵损失函数的权重值相同，所述CRITIC损失函数的权重值大于所述LPIPS损失函数的权重值，所述LPIPS损失函数的权重值大于所述MSE损失函数的权重值。
结合第一方面第一实施方式，在第一方面第五实施方式中，根据所述训练图像、所述第一水印图像和所述掩膜得到所述当前编码器中MSE损失函数的损失值包括：
将所述训练图像和所述第一水印图像分别转化到YUV通道上，得到YUV训练图像和YUV水印图像；
将所述YUV训练图像与YUV水印图像做差得到差值图像。
利用所述掩膜对所述差值图像进行边界提取，得到位于边界的差值图像与位于非边界的差值图像。
根据所述位于边界的差值图像、所述位于非边界的差值图像、与所述位于边界的差值图像相对应的第一权重和与所述位于非边界的差值图像相对应的第二权重得到综合差异图像；其中，所述第一权重小于所述第二权重；
基于所述综合差异图像得到所述当前编码器中所述MSE损失函数的损失值。
结合第一方面第五实施方式，在第一方面第六实施方式中，在得到综合差异图像之后，还包括：在所述综合差异图像中添加Y通道、U通道和V通道权重，得到修正后的综合差异图像；其中，所述U通道和V通道权重要大于Y通道权重。
结合第一方面第一实施方式，在第一方面第八实施方式中，对所述训练图像进行边缘提取，得到掩膜包括：将所述训练图像利用形态学梯度方法进行边缘提取，得到所述掩膜。
根据第二方面，本发明实施例提供了一种面向陶瓷工艺的上采样陶瓷水印模型训练装置，包括：
获取模块，用于获取训练图像和获取水印信息；
水印生成模块，用于生成水印图像，基于当前编码器、所述水印信息和所述训练图像生成残差图像，将所述残差图像和所述训练图像相加得到第一水印图像；
第一调节模块，用于计算所述第一水印图像与所述训练图像之间损失函数集合中各个损失函数的损失值，根据所述损失值对所述当前编码器进行调节，得到更新后的编码器；
放大模块，用于将所述第一水印图像进行放大处理生成第二水印图像；
噪声处理模块，用于将第二水印图像放入预设的噪声层中进行噪声处理；
第二调节模块，用于将经过噪声处理的第二水印图像送入当前解码器进行解码得到秘密信息，根据所述秘密信息和所述水印信息得到交叉熵损失函数损失值；根据所述交叉熵损失函数损失值对所述当前解码器进行更新，得到更新后的解码器。
结合第二方面，在第二方面第一实施方式中，所述噪声层包括：几何畸变、运动模糊、颜色偏移、高斯噪声和JEPG压缩。
结合第二方面第一实施方式，在第二方面第二实施方式中，所述几何畸变的畸变系数小于1；和/或，所述运动模糊采用直线模糊内核，所述直线内核的像素宽度不超过10，直线角度随机选取，范围不超过1/2π；和/或，所述颜色偏移的偏移量值取值应满足均匀分布，偏移量值为-0.2～0.3；和/或，所述JEPG压缩的压缩品质因子大于50。
根据第三方面，本发明实施例还提供了一种编码器，利用第一方面或第一方面任意实施方式所述的面向陶瓷工艺的上采样陶瓷水印模型训练方法训练得到。
根据第四方面，本发明实施例还提供了一种解码器，利用第一方面或第一方面任意实施方式所述的面向陶瓷工艺的上采样陶瓷水印模型训练方法训练得到。
根据第五方面，本发明实施例还提供了一种陶瓷的嵌密方法，包括：
分别获取原始图像和水印信息；
将所述原始图像和所述水印信息输入到第三方面所述的编码器中进行编码得到电子水印图像；
将所述电子水印图像进行放大处理；
将放大后的电子水印图像转印到陶瓷预制品上之后，对所述陶瓷预制品进行烧制，得到带有水印图案的陶瓷。
结合第五方面，在第五方面第一实施方式中，将所述电子水印图像转印到陶瓷预制品上包括：
将所述电子水印图像输入预设的陶瓷喷墨注射机中，利用所述陶瓷喷墨注射机对所述陶瓷预制品进行喷墨，以将所述电子水印图像转印到陶瓷预制品上；
或，根据所述电子水印图像生成纸质版花纸；
将所述纸质版花纸铺贴在所述陶瓷预制品上，以将所述电子水印图像转印到陶瓷预制品上。
结合第五方面，在第五方面第二实施方式中，当所述陶瓷预制品为日用陶瓷预制品时，对所述陶瓷预制品进行烧制，得到带有水印图案的陶瓷包括：对所述日用陶瓷预制品在800～1380℃进行烧制，得到日用陶瓷；当所述陶瓷预制品为卫生陶瓷预制品时，对所述陶瓷预制品进行烧制，得到带有水印图案的陶瓷包括：对所述卫生陶瓷预制品在800～1380℃进行烧制，得到卫生陶瓷；当所述陶瓷预制品为建筑陶瓷预制品时，对所述陶瓷预制品进行烧制，得到带有水印图案的陶瓷包括：对所述建筑陶瓷预制品在800～1380℃进行烧制，得到建筑陶瓷。
根据第六方面，本发明实施例还提供了一种陶瓷水印的解密方法，包括：
将陶瓷上的水印图案进行定位；
将定位后的水印图案输入到第四方面所述的解码器中进行解码，得到所述水印图案中的水印信息。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1为丝网印刷工艺问题示意图；
图2为网孔大小与单位像素大小对比图；
图3为数字水印模型的网络框架示意图；
图4为嵌入水印网络示意图；
图5为水印提取网络示意图；
图6为鉴别器网络层示意图；
图7为本发明实施例1中面向陶瓷工艺的上采样陶瓷水印模型训练方法的流程示意图；
图8为本发明实施例2中面向陶瓷工艺的上采样陶瓷水印模型训练装置的结构示意图；
图9为基于喷墨工艺的陶瓷水印图案的制作方法流程图；
图10为基于丝网印刷的陶瓷水印图案的制作方法流程图；
图11为基于喷墨工艺的陶瓷版权嵌密和解密的流程示意图；
图12为基于丝网印刷的陶瓷版权嵌密和解密的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
实施例1
如图1，在使用丝网印刷技术制备陶瓷花纸时，即使使用高精度丝网，也存在印刷丝网网孔口径大于单位像素大小的情况，如此会引起因版权信息嵌入导致的像素修改无法通过丝网印刷表达出来，而产生解码失败的现象。如图2所示，尺寸为256*256的图像以600dpi(每英寸点数)规格打印在陶瓷釉面上的物理尺寸(长度和宽度)为1.075cm*1.075cm。其单位像素实际物理尺寸等于陶瓷釉面上的长度和宽度分别除以256，即0.04mm*0.04mm。一般现有陶瓷丝网规格为270到320目每英寸不等，而网孔口径等于线径除以每英寸的目数，线径一般为16，网孔口径单位为mm，用16除以270约等于0.06，即网孔口径单位面积约为0.06mm*0.06mm，大于单位像素尺寸。因此采用丝网印刷图像时，存在单位像素具体细节无法准确表达的情况，即无法真实的反映信息嵌入导致的像素变化，并因此导致解码网络无法准确提取秘密信息。本发明为了解决此问题，将256*256的水印图像进行upsampling操作扩大到1024*1024，即含版权图像中每个位置的像素复制16次形成像素值一致的像素块。此时16个单位像素构成的像素块物理尺寸为原来4倍，即0.16mm和0.16mm，超过了丝网孔径，因此可以准确的表达。然后，将扩大后的1024*1024水印图像送入解码网络中时，解码器仅需要找到像素块中任意1个像素即可，如此解码器可较好实现完整的秘密信息提取。
基于此，本发明实施例1提供了一种面向陶瓷工艺的上采样陶瓷水印模型训练方法。其中面向陶瓷工艺的上采样陶瓷水印模型是一种数字水印模型，该数字水印模型是一种基于对抗生成机制的鲁棒水印技术，其可抵抗打印、拍摄等物理通道的噪声攻击，并通过解码网络实施对秘密信息的提取。图3为数字水印模型的网络框架示意图，如图3所示，其中包括编码器、解码器、噪声层、鉴别器和upsampling网络(相当于放大模块)5个部分。其中：所述编码器将二进制水印序列嵌入到载体图像中形成残差图像，再将残差图像与原始图像相加得到含有水印信息的图像。所述upsampling网络模块是指将含有水印信息的图像进行上采样操作，使其扩大为原有尺寸的若干倍。所述噪声层网络用于模拟真实场景下含有水印信息的图像所遭受的各种图像攻击，例如：几何畸变、运动模糊、颜色变换、噪点攻击和JEPG压缩等，因此它被放置于解码器之前。而所述解码器中的水印提取网络则是把通过upsampling网络和噪声层网络所得的含水印信息图像进行水印信息的提取，解码器网络输出是一个二进制水印序列。所述upsampling网络模块解决了基于丝网印刷工艺导致的水印提取不准确问题。
编码器主要分为三个模块：全连接层模块、下采样卷积模块和上采样卷积模块。全连接层模块的作用是将以随机二进制序列表示的秘密信息整合成与载体图像相同结构大小的信息块。下采样卷积模块的作用一是将信息块与载体图像结合形成图像信息结合体。下采样卷积模块的作用二是对图像信息结合体进行下采样卷积计算，并在各个网络层提取图像特征形成特征图。而上采样卷积模块的作用则是将下采样中各层的特征图与各层上采样后的信息块进行结合逐步还原图像细节，在上采样卷积模块的最后一层形成残差图，再将得到的残差图与原始图像相加得到水印图像，整个过程就完成了秘密信息的嵌入。
图4为嵌入水印网络示意图，如图4所示，所述编码器网络中的水印嵌入网络有两个阶段，分别是向下采样提取图像特征和向上采样恢复图像细节。其中，水印嵌入网络具体分为三个模块，分别为全连接层模块、下采样卷积模块和上采样卷积模块。在提取图像特征阶段，所述的全连接层将二进制比特序列整合成与图像相同尺寸相同通道的信息块，而下采样卷积模块将该信息块与图像相加后进行卷积计算，提取图像的特征信息。而上采样模块，则是将下采样各层的特征图像与上采样后的输入进行结合进行卷积计算，逐步还原图像细节得到与原图像块相同大小一致的残差图像。
解码器主要分为二个模块：下采样卷积模块和全连接层模块。其中下采样卷积模块的作用是将经upsampling扩大后的水印图像进行下采样卷积计算形成高维度的特征图，然后将此特征图经由全连接层形成二进制比特序列。该二进制序列就是水印嵌入网络中嵌入的秘密信息。
图5为水印提取网络示意图，如图5所示，所述解码器网络中的水印提取网络有两个模块分别为下采样卷积模块和全连接层，下采样卷积模块的作用是将水印图像进行卷积计算，提取水印特征形成水印信息特征图。而全连接层则是将水印信息特征图转化为二进制比特序列，从而实现水印信息提取。
鉴别器本质上就是一个二分类器，图6为鉴别器网络层示意图，如图6所示，所述鉴别器由5个卷积神经网络层所构成，每层卷积核大小都为3*3，前四层卷积步长都为2，最后一层为1，前四层卷积核个数分别为8，16，32，64，所述网络层都集密连接。将原图和水印图像送入此鉴别器，通过卷积计算分别对原图和水印图像进行打分，通过分数之间的差值构建损失函数，其损失函数值反映了原始图像与水印图像之间的相似度程度，当损失函数值越小时，说明水印图像与原图越相似，当损失函数值越大时，则说明水印图像与原图越不相似，如此保证编码器输出的水印图像与原始图像不可察觉性。
在编码器与解码器网络之间使用upsampling方法，水印图像长和宽扩大为原来的若干倍。其作用是将图像像素进行复制从而扩大成像素值相同的像素块，如此可保证复制后的修改像素块尺寸大于丝网网孔孔径，并通过丝网工艺表达出来。如此解码网络仅需要获得图像像素块中的任意部分即可提取秘密信息。因此，基于对抗生成式数字水印模型中的upsampling网络设计解决了陶瓷版权信息在经过丝网印刷工艺后解码器正确提取率不高的问题。
图7为本发明实施例1中面向陶瓷工艺的上采样陶瓷水印模型的训练方法的流程示意图，如图7所示，本发明实施例1中面向陶瓷工艺的上采样陶瓷水印模型训练方法包括以下步骤：
S101：获取训练图像。
首先准备训练集Large Logo Dataset(LLD)数据集里的LLD-logo，其中包含64*64到400*400分辨率不一的符号图像(即训练图像)。将LLD数据集进行预处理，将其进行尺度变换到256*256分辨率。
S102：获取水印信息，基于当前编码器、所述水印信息和所述训练图像生成残差图像，将所述残差图像和所述训练图像相加得到第一水印图像。
在本发明实施例1中，水印信息可以为二进制水印序列。可以将二进制水印序列进行适当的变形，形成具有和步骤S101中所述经过预处理后的LLD数据集中任一训练图像相同的大小。然后将二进制水印序列与训练集中任一训练图像进行通道叠加，所形成的信息结合体送入编码器中，编码网络会生成残差图，将此残差图和与之相对应的训练图像进行像素相加，得到水印图像。
S103：计算所述第一水印图像与所述训练图像之间损失函数集合中各个损失函数的损失值，根据所述损失值对所述原始编码器进行调节，得到更新后的编码器。
在本发明实施例1中，MSE损失函数主要用于引导对抗生成式数字水印模型的优化和收敛，即保证嵌入水印信息后的水印图像中水印信息不可察觉性和水印提取网络的强鲁棒性。
所述MSE(Mean Square Error)损失函数是指将原始载体图像与水印图像的差值进行平方然后求和平均，当原始载体图像与水印图像完全相同时，其MSE值为0，而原始载体图像与水印图像相差较大时，其MSE值也较大。为了进一步保证水印图像在视觉上不可察觉性，一般尽可能将水印信息嵌入至水印图像的亮度分量上，因为相比于颜色变换，亮度具有更高的隐蔽性。为此在设计MSE损失函数时，将载体图像和水印图像都从RGB通道转化为YUV通道进行计算。假设载体图像在Y通道上分量为CY，水印图像为SY，载体图像在U通道上分量为CU，水印图像为SU，图像在V通道上分量为CV，水印图像为SV，其中σY，σU，σV表示YUV通道上的权重，由于亮度具有更高的隐蔽性，因此，σY会设置较小，σU，σV设置较大，W，H，则分别表示图像的宽和高，则MSE损失函数LM为：
Figure BDA0003097915110000111
当所述损失函数集合中包括MSE损失函数时，计算放大后的水印图像与所述训练图像之间MSE损失函数的损失值包括：对所述训练图像进行边缘提取，得到掩膜；根据所述训练图像、所述水印图像和所述掩膜得到所述当前编码器中MSE损失函数的损失值。
具体的，根据所述训练图像、所述第一水印图像和所述掩膜得到所述当前编码器中MSE损失函数的损失值包括：
将所述训练图像和所述第一水印图像分别转化到YUV通道上，得到YUV训练图像和YUV水印图像；
将所述YUV训练图像与YUV水印图像做差得到差值图像。
利用所述掩膜对所述差值图像进行边界提取，得到位于边界的差值图像与位于非边界的差值图像。
根据所述位于边界的差值图像、所述位于非边界的差值图像、与所述位于边界的差值图像相对应的第一权重和与所述位于非边界的差值图像相对应的第二权重得到综合差异图像；其中，所述第一权重小于所述第二权重；
基于所述综合差异图像得到所述当前编码器中所述MSE损失函数的损失值。
进一步的，在根据所述非边界的差值图像、所述边界的差值图像，以及与其相对应的第一权重和第二权重得到综合差异图像之后，还包括：在所述综合差异图像中添加通道权重，得到修正后的综合差异图像。具体的，可将Y通道权重设为1，U、V通道权重相等且大于1。这是因为，YUV是指图像的一种格式，其中Y,U,V对应于这种格式下的三个通道，Y通道对应于亮度通道，U、V分别对应于色彩和色调；为了进一步保证水印图像在视觉上不可察觉性，一般尽可能将水印信息嵌入至水印图像的亮度分量上，因为相比于颜色变换，亮度具有更高的隐蔽性；嵌入在图像中水印信息的颜色只能黑白变换，而不是其他颜色变换，因为是其他颜色的话，可能人眼一下子就察觉到了，不符合水印信息的隐蔽性。
示例的，获取训练图像，对所述训练图像进行边缘提取，得到掩膜；获取由当前编码器生成的水印图像，根据所述训练图像、所述水印图像和所述掩膜得到所述当前编码器中更新后的MSE损失函数可以采用如下技术方案：
步骤1：原始图像与水印图像转换到YUV通道，做差，得到差异图；
步骤2：根据原始图像生成一个边界掩模mask。
步骤3：将差异图与步骤2所述mask进行相乘得到位于边界的差值图与位于非边界差值图。
步骤4：分别对边界差值图与非边界差值图施加权重参数1与2～100，并且进行相加得到综合差异图像。
步骤5：将步骤4所述综合差异图像添加通道权重，Y通道权重为1，U、V通道权重参数设置为大于1且相等，得到修正后的综合差异图像。
步骤6：将综合差异图像进行平方再求均值，所得结果作为MSE损失函数的损失值。根据此损失值来优化编码器将水印信息嵌入至图像边缘区域，提高水印图像的视觉质量。
除MSE损失函数之外，损失函数集合还包括L无穷损失函数、LPIPS损失函数和Critic损失函数，L无穷损失函数、LPIPS损失函数和Critic损失函数同样用于引导对抗生成式数字水印模型的优化和收敛，即保证嵌入水印信息后的水印图像中水印信息不可察觉性和水印提取网络的强鲁棒性。
所述L无穷损失函数是衡量水印图像与原始载体图像之间视觉质量的重要指标，在这里指代水印图像与原始图像相减所得像素差异图在图像RGB通道上的最大像素值。假设MS是水印图像，Mc是原始载体图像,那么L∞损失函数为：
Figure BDA0003097915110000121
上述公式中
Figure BDA0003097915110000131
i则表示图像的通道，g表示图像的类别，x表示图像像素值。
所述的LPIPS损失函数是一个基于人眼视觉系统的图像视觉评判指标，用于衡量两幅图像在基于人眼视觉下的相似度程度，可通过现有的网络计算两者间的结构相似度失真。假设原始载体图像为C，水印图像为S，lpips(C，S)表示网络判别两幅图像的结构损失度大小，则LPIPS损失函数Lo为：
Lo＝lpips(C，S)
所述Critic损失是鉴别器的输出，其表征含水印图像与原始图像的差别。其网络可简化为dis(·)。原始载体图像与水印图像完全相同时差值为0，假设原始载体图像为C，水印图像为S，则Critic损失LC为：
LC＝dis(S)-dis(C)
计算放大后的水印图像与所述训练图像之间损失函数集合中LPIPS损失函数、L无穷损失函数、Critic损失函数的损失值可以采用现有技术中的任意技术方案，在此不再赘述。
进一步的，将更新后的编码器作为当前编码器，并返回“获取训练图像”的步骤，通过步骤S101、S102、S103的迭代，完成对编码器的训练，直到所述MSE损失函数和所述损失函数集合中各个损失函数均达到预设的第一收敛条件。具体的，第一收敛条件可以为编码器所生成的残差图像与所训练图像相加得到的水印图像与训练图像几乎无法从肉眼进行区分。
S104：将所述第一水印图像进行放大处理，得到第二水印图像。
具体的，所述将所述水印图像进行放大处理包括：将所述水印图像中每个位置的像素复制N-1次形成像素值一致的像素块，其中N＞2。
S105：将第二水印图像放入预设的噪声层中进行噪声处理。
在本发明实施例1中，为了使水印图像能够抵挡打印或者拍摄过程中的失真，在编码器和解码器中间，设计一种可以模拟真实物理场景的噪声层，模拟水印图像在陶瓷制作工艺中可能存在的各种噪声。编码器在嵌入版权水印信息的同时，需尽可能保证输出水印图案与原始输入图案的视觉一致性，以确保最后的陶瓷呈现效果。
基于上述机制，对抗生成式数字水印模型一方面可生成能抵抗陶瓷制作攻击的鲁棒水印图像，另一方面又保证了水印在嵌入后图像视觉的不可见性。为了保证该技术的具体实施，以下重点描述一个能够抵抗陶瓷工艺的噪声层设计思路。
下面对基于丝网印刷的陶瓷版权认证技术工艺的噪声层设计进行描述。
陶瓷花纸是指在陶瓷(或瓷坯)表面贴上印刷好的陶瓷专用花纸，其制作工艺包含如下步骤：
步骤1：花纸制版，所谓制版就是将提供的陶瓷图案转化为制作花纸所需的AI文件。
步骤2：晒版，晒版就是制作出商标或者花面图案的菲林，类似于照相机的底片。
步骤3：调色，调色就是将陶瓷颜料各种基色按照一定比例合成所提供的陶瓷商标所需要的颜色。
步骤4：做样，将调好的色彩颜料与制作好的晒版放入半自动化花纸机中，即可形成花纸。
陶瓷水印图案在转印到陶瓷的过程中，每种工序都会产生噪声攻击，并对解码网络正确提取水印信息有重要影响，因此需对各种工序造成的噪声攻击进行模拟，具体说明如下：在步骤1中，陶瓷水印图案在制作成相应的AI文件时，会经过JEPG压缩操作。在步骤2中，陶瓷水印图案在经过晒版工序时需要用到化学试剂来曝光，这个步骤对陶瓷水印图案的亮度、对比度、色彩和色调会产生一定的影响。在步骤3中，调色分为人工调色和机器调色。当陶瓷水印图案中的色彩超过四色就需要手工调色，而人工调色会造成陶瓷图案的色彩偏移。由于机器调色比较精准因此产生的色彩偏移可忽略。基于上述分析，本发明搭建了一个可模拟所有工序攻击的噪声层网络，其中包含几何畸变、运动模糊、颜色偏移、高斯噪声和JEPG压缩。其中运动模糊与几何畸变主要用来模拟拍摄陶瓷水印图案进行版权认证的噪声攻击。以上这五种攻击噪声都是在一定的范围内随机取值，充分模拟陶瓷水印图像电子版转印成纸质版中的噪声攻击。针对丝网印刷工艺设计的噪声层结合上述对抗生成式数字水印模型算法，保证了基于丝网工艺的陶瓷水印认证框架的可行性。
下面主要介绍基于喷墨印刷的陶瓷版权认证技术工艺的噪声层设计。喷墨工艺本质上是将陶瓷水印图像预存到自动喷墨机计算机，由计算机根据陶瓷水印图案进行颜色配色，再由喷墨机对陶瓷载体进行绘色。其中，喷墨机在进行色彩配色时会造成一定的色彩误差，这可能会对陶瓷水印图案的色彩和色调产生一定影响。此外，由于是直接将色彩颜料绘制到陶瓷载体上，所以不能够忽视陶瓷载体材料本身对颜料的影响，该影响包括亮度、对比度、色彩和色调。再者，由于后续还有版权信息的验证阶段，所以也同样需要考虑几何畸变与运动模糊。基于此，针对喷墨工艺的噪声层攻击主要有：几何畸变、运动模糊、颜色偏移和高斯噪声。以上这四种攻击噪声都是在一定的范围内随机取值，充分模拟陶瓷水印图像在绘制到陶瓷载体之上的噪声攻击。针对喷墨印刷工艺设计的噪声层结合对抗生成式数字水印算法，保证了基于喷墨工艺的陶瓷水印认证框架的可行性。
由于陶瓷商标印刷工艺是在700-1100℃的高温条件下，陶瓷上色的颜料受到温度、湿度和空气气氛的影响较大，导致图像失真也较大，水印图像对比度、饱和度以及色彩色调失真范围将会更大。另外，陶瓷丝网印刷时，印刷的油墨受温度影响在一定程度上同样会发生色彩偏移现象，而水印图像又要保证图像发生失真后仍能够无失真的提取水印信息，所以本网络在编码器和解码器之间构建噪声层。该噪声层的构建主要用于模拟陶瓷烧制过程中可能受到的攻击情况，即根据经验分析陶瓷印刷以及拍摄过程中可能造成的畸变进行了测量和分析。噪声层网络主要有：几何畸变、运动模糊、颜色变换、噪点攻击和JEPG压缩，其中几何畸变与运动模糊是为了模拟拍摄时受到的攻击，以上噪声攻击的强度均为随机取值，取值范围设定视环境变化而改变。由于陶瓷商标在烧制时经受的颜色变换攻击较强，因此本网络针对于颜色变换攻击设定了更大的取值范围，这是因为，由于陶瓷水印图像最终是需要经过高温灼烧才能够附着在陶瓷上的，通过实际烧制的经验，通常经过高温烧制后，其附着在陶瓷上的花纹(水印图像)会有一定的色彩，因此断定陶瓷水印图像在烧制时会由于高温经受的颜色变换的强度会更强，所以模拟此颜色攻击的范围也要同步的加大，以保证经过此强度色彩攻击下的陶瓷水印图像后还能被解码器正确提取秘密信息。
S106：将经过噪声处理的第二水印图像送入当前解码器进行解码得到秘密信息，根据所述秘密信息和所述水印信息得到交叉熵损失函数损失值；根据所述交叉熵损失函数损失值对所述当前解码器进行更新，得到更新后的解码器。
作为具体的实施方式，步骤S106可以采用如下技术方案：将第二水印图像经过噪声层再送入解码器进行卷积计算，再经过全连接层网络得到二进制水印序列(秘密信息)，再将步骤S102所述的二进制水印序列与得到的二进制水印序列进行交叉熵损失函数计算，得到交叉熵损失函数损失值。将交叉熵损失函数损失值进行反馈，并借助RMSProp优化器进行梯度更新优化解码器，不断提高解码器解码正确率。通过网络训练的迭代，得到最优的解码器。
进一步的，将更新后的解码器作为当前解码器，并返回“获取训练图像”的步骤，通过步骤S101、S102、S103、S104、S105、S106的迭代，完成对解码器的训练，直到所述交叉熵损失函数达到预设的第二收敛条件，具体的第二收敛条件可以为经过噪声层后的水印图像能够被解码器正确提取秘密信息。
需要说明的，在本发明实施例1中，编码器更新时会迫使生成的水印图像质量提高，从而解码难度增加，而解码难度的增加，解码器解码正确率下降，这样就会倒逼解码器解码能力的提高。而解码能力提高，又会使得编码器生成的水印图像的质量下降，从而在双方对抗的过程中，编码器和解码器都得到了提升。
作为进一步的实施方式，在根据所述损失值对所述当前编码器进行调节，得到更新后的编码器之前，还包括：获取所述损失函数集合中每个损失函数的权重值；利用所述损失函数集合每个损失函数的损失值和对应的权重值对所述当前编码器进行调节，得到更新后的编码器。在根据所述交叉熵损失函数损失值对所述当前解码器进行更新，得到更新后的解码器之前，还包括：获取所述交叉熵损失函数的权重值；利用所述交叉熵损失函数的权重值、所述交叉熵损失函数的损失值对所述当前解码器进行更新，得到更新后的解码器。在预设步数之前，仅对所述交叉熵损失函数的权重值进行赋值；在预设步数之后，所述LPIPS损失函数、所述CRITIC损失函数的权重值相同且比交叉熵损失函数的权重值要小，所述MSE损失函数的权重值小于所述LPIPS损失函数的权重值，所述L无穷损失函数权重值为LPIPS损失函数权重值的二分之一。
示例的，预设步数为2500～5000，也就说，在2500～5000步之前仅训练交叉熵损失函数。
在预设步数之后，所述MSE损失函数的权重值应赋一个较小值，而所述LPIPS损失函数、所述CRITIC损失函数的权重值均处于同一量级，且大于MSE损失函数的权重值。示例的，在2500～5000步之后，再开始优化对抗生成式数字水印模型中的L无穷损失函数、LPIPS损失函数、MSE损失。设置网络迭代训练的总步长为二十到三十万次左右，所述MSE损失函数的权重值应赋一个较小值，而所述LPIPS损失函数和所述CRITIC损失函数的权重值赋值均处于同一量级，且大于MSE损失函数的权重值，所述L无穷损失函数权重值为LPIPS损失函数权重值的二分之一。最终模型达到解码正确率为98％。由此可以在网络训练时，先训练解码器网络的解码率，确保解码器能够正确提取水印信息，然后再提升水印图像的视觉质量(不可察觉性)。
示例的，在网络训练时，所使用的图片训练集LLD共有13万张，总训练步长为二十到三十万次左右，在单次训练时，一次性训练八到十六张图片。
实施例2
与本发明实施例1相对应，本发明提供了一种面向陶瓷工艺的上采样陶瓷水印模型训练装置。图8为本发明实施例2中面向陶瓷工艺的上采样陶瓷水印模型训练装置的结构示意图。如图8所示，本发明实施例2的面向陶瓷工艺的上采样陶瓷水印模型训练装置包括获取模块20、水印生成模块21、放大模块22、第一调节模块23、噪声处理模块24、第二调节模块25。
具体的，获取模块20，用于获取训练图像和获取水印信息。
水印生成模块21，用于生成水印图像，基于当前编码器、所述水印信息和所述训练图像生成残差图像，将所述残差图像和所述训练图像相加得到第一水印图像。
第一调节模块22，用于计算所述第一水印图像与所述训练图像之间损失函数集合中各个损失函数的损失值，根据所述损失值对所述当前编码器进行调节，得到更新后的编码器。
放大模块23，用于将所述第一水印图像进行放大处理生成第二水印图像。
噪声处理模块24，用于将第二水印图像放入预设的噪声层中进行噪声处理。
第二调节模块25，用于将经过噪声处理的第二水印图像送入当前解码器进行解码得到秘密信息，根据所述秘密信息和所述水印信息得到交叉熵损失函数损失值；根据所述交叉熵损失函数损失值对所述当前解码器进行更新，得到更新后的解码器。
所述噪声层包括：几何畸变、运动模糊、颜色偏移、高斯噪声和JEPG压缩。
上述数字水印模型训练装置具体细节可以对应参阅图1至图7所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
实施例3
本发明实施例3提供了一种编码器，利用本发明实施例1所述的面向陶瓷工艺的上采样陶瓷水印模型训练方法训练得到。
实施例4
本发明实施例4提供了一种解码器，利用本发明实施例1所述的面向陶瓷工艺的上采样陶瓷水印模型训练方法训练得到。
实施例5
本发明实施例5提供了一种陶瓷的嵌密方法。本发明实施例5陶瓷的嵌密方法包括以下步骤：
S501：分别获取原始图像和水印信息。
S502：将所述原始图像和所述水印信息输入到本发明实施例3的编码器中进行编码得到电子水印图像。
S503：将所述电子水印图像进行放大处理。
S504：将所述电子水印图像转印到陶瓷预制品上之后，对所述陶瓷预制品进行烧制，得到带有水印图案的陶瓷。
作为具体的实施方式，将所述电子水印图像转印到陶瓷预制品上可以采用如下两种方式：将所述电子水印图像输入预设的陶瓷喷墨注射机中，利用所述陶瓷喷墨注射机对所述陶瓷预制品进行喷墨，以将所述电子水印图像转印到陶瓷预制品上；或者，根据所述电子水印图像生成纸质版花纸；将所述纸质版花纸铺贴在所述陶瓷预制品上，以将所述电子水印图像转印到陶瓷预制品上。
作为具体的实施方式，当所述陶瓷预制品为日用陶瓷预制品时，对所述陶瓷预制品进行烧制，得到带有水印图案的陶瓷包括：对所述日用陶瓷预制品在800～1380℃进行烧制，得到日用陶瓷；当所述陶瓷预制品为卫生陶瓷预制品时，对所述陶瓷预制品进行烧制，得到带有水印图案的陶瓷包括：对所述卫生陶瓷预制品在800～1380℃进行烧制，得到卫生陶瓷；当所述陶瓷预制品为建筑陶瓷预制品时，对所述陶瓷预制品进行烧制，得到带有水印图案的陶瓷包括：对所述建筑陶瓷预制品在800～1380℃进行烧制，得到建筑陶瓷。
示例的，图9为基于喷墨工艺的陶瓷水印图案的制作方法流程图，如图9所示，首先给定陶瓷电子版商标或者图案，用基于数字图像的鲁棒水印技术往电子版商标(或图案中)嵌入版权水印信息，形成含有版权信息的商标，随后将该种含有版权信息的商标送入陶瓷喷墨注射机中对陶瓷载体进行上色，接着将上色过后的陶瓷载体送入窑炉中进行高温烧制，最终形成含有版权信息的陶瓷载体。图10为基于丝网印刷的陶瓷水印图案的制作方法流程图，如图10所示，首先给定电子版陶瓷商标或者图案，根据鲁棒水印技术进行版权信息的嵌入，形成含有版权信息的电子版商标图案。接着依托于该电子版水印图片生成纸质版花纸(一种用于装饰陶瓷的特殊用纸)，其中形成纸质版花纸包含以下工序：花纸制版、晒板、调色和做样。然后将制作好的含版权信息的纸质版花纸铺贴在陶瓷之上，并放入窑炉中进行烧制。最后，经过窑炉烧制后的含版权花纸图案会完全转印至陶瓷中，实现对陶瓷的版权保护。
实施例6
本发明实施例6提供了一种陶瓷水印的解密方法。本发明实施例5陶瓷水印图案的解密方法包括以下步骤：
S601：将陶瓷上的水印图案进行定位。
S602：将定位后的水印图案输入到本发明实施例4的解码器中进行解码，得到所述水印图案中的水印信息。
作为具体的实施方式，陶瓷水印图案的解密方法可以采用如下技术方案：首先需要通过高精度扫描仪或者图片摄像器将该陶瓷制品上的水印图案进行定位检测，然后将定位检测后的图片进行尺寸矫正后送入到手机或者计算机中，接着借助手机或者计算机中的鲁棒水印提取算法将矫正图像中的版权信息提取出来。最后对比版权信息内容判定该陶瓷是否侵权，以达到版权认证的功能。
示例的，首先根据作者的意图可任意设计版权信息内容形成水印，如作者姓名、公司信息、品牌名称、陶瓷编号等，以证明陶瓷版权所属。然后将该水印用鲁棒水印算法嵌入至预先准备好的陶瓷商标或者图案中，得到含有水印的电子版水印图片。图11为基于喷墨工艺的陶瓷版权嵌密和解密的流程示意图，若是喷墨工艺，将电子版水印图片直接送入陶瓷喷墨机中对陶瓷载体进行印刷上色，然后将此陶瓷载体送至窑炉中进行1170℃的高温烧制，得到含有版权信息的陶瓷制品。图12为基于丝网印刷的陶瓷版权嵌密和解密的流程示意图，若为丝网印刷工艺，则电子版水印图片还得经过花纸制版、晒板、调色和做样等步骤形成纸质版水印图片，再根据陶瓷制品应用场景的不同选择釉上、釉中和釉下陶瓷工艺，选择好对应的陶瓷工艺后将制作好的纸质版水印图片同陶瓷载体一起放入窑炉中进行烧制，最终得到含有版权信息的陶瓷制品。
客户购买陶瓷产品后甄别版权信息的步骤：
首先通过高精度扫描仪或者图片摄像器将陶瓷制品上的商标或者图案进行定位检测，将检测到的图片尺寸校正后放入移植了鲁棒水印提取算法的手机或者计算机中进行版权信息的提取，然后对比版权信息的内容判定该件陶瓷制品是否侵权，以达到版权认证的功能。
实施例7
本发明实施例还提供了一种电子设备，该电子设备可以包括处理器和存储器，其中处理器和存储器可以通过总线或者其他方式连接。
处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的数字水印模型的训练方法对应的程序指令/模块(例如，图8所示的获取模块20、水印生成模块21、第一调节模块22、放大模块23、噪声处理模块24、第二调节模块25)处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的数字水印模型的训练方法。
存储器可以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、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中，当被所述处理器执行时，执行如图1至图7所示实施例中的数字水印模型的训练方法。
上述电子设备具体细节可以对应参阅图1至图8所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (16)

1.一种面向陶瓷工艺的上采样陶瓷水印模型训练方法，其特征在于，包括：
获取训练图像；
获取水印信息，基于当前编码器、所述水印信息和所述训练图像生成残差图像，将所述残差图像和所述训练图像相加得到第一水印图像；
计算所述第一水印图像与所述训练图像之间损失函数集合中各个损失函数的损失值，根据所述损失值对所述当前编码器进行调节，得到更新后的编码器，直到所述损失函数集合中各个损失函数均达到预设的第一收敛条件；
将所述第一水印图像进行放大处理，得到第二水印图像；
将所述第二水印图像放入预设的噪声层中进行噪声处理；
将经过噪声处理的第二水印图像送入当前解码器进行解码得到秘密信息，根据所述秘密信息和所述水印信息得到交叉熵损失函数损失值；根据所述交叉熵损失函数损失值对所述当前解码器进行更新，得到更新后的解码器，直到所述交叉熵损失函数达到预设的第二收敛条件；
所述将所述水印图像进行放大处理包括：将所述水印图像中每个位置的像素复制N-1次形成像素值一致的像素块，其中N＞2。
2.根据权利要求1所述的方法，其特征在于，当所述损失函数集合中包括MSE损失函数时，计算所述第一水印图像与所述训练图像之间MSE损失函数的损失值包括：
对所述训练图像进行边缘提取，得到掩膜；
根据所述训练图像、所述第一水印图像和所述掩膜得到所述当前编码器中MSE损失函数的损失值。
3.根据权利要求2所述的方法，其特征在于：
在根据所述损失值对所述当前编码器进行调节，得到更新后的编码器之前，还包括：
获取所述损失函数集合中每个损失函数的权重值；
利用所述损失函数集合每个损失函数的损失值和对应的权重值对所述当前编码器进行调节，得到更新后的编码器；
在根据所述交叉熵损失函数损失值对所述当前解码器进行更新，得到更新后的解码器之前，还包括：
获取所述交叉熵损失函数的权重值；
利用所述交叉熵损失函数的权重值、所述交叉熵损失函数的损失值对所述当前解码器进行更新，得到更新后的解码器。
4.根据权利要求3所述的方法，其特征在于：所述损失函数集合还包括：LPIPS损失函数、L无穷损失函数、Critic损失函数；
在预设步数之前，仅对所述交叉熵损失函数的权重值进行赋值；
在预设步数之后，所述LPIPS损失函数、所述Critic损失函数的权重值相同且比交叉熵损失函数的权重值要小，所述MSE损失函数的权重值小于所述LPIPS损失函数的权重值，所述L无穷损失函数权重值为LPIPS损失函数权重值的二分之一；
其中，L无穷损失函数为：
Figure FDA0003487477340000021
其中L∞表示L无穷损失函数，
Figure FDA0003487477340000022
中i表示图像的通道，g表示图像的类别，x表示图像像素值。
5.根据权利要求2所述的方法，其特征在于，根据所述训练图像、所述第一水印图像和所述掩膜得到所述当前编码器中MSE损失函数的损失值包括：
将所述训练图像和所述第一水印图像分别转化到YUV通道上，得到YUV训练图像和YUV水印图像；
将所述YUV训练图像与YUV水印图像做差得到差值图像；
利用所述掩膜对所述差值图像进行边界提取，得到位于边界的差值图像与位于非边界的差值图像；
根据所述位于边界的差值图像、所述位于非边界的差值图像、与所述位于边界的差值图像相对应的第一权重和与所述位于非边界的差值图像相对应的第二权重得到综合差异图像；其中，所述第一权重小于所述第二权重；
基于所述综合差异图像得到所述当前编码器中所述MSE损失函数的损失值。
6.根据权利要求5所述的方法，其特征在于，在得到综合差异图像之后，还包括：
在所述综合差异图像中添加Y通道、U通道和V通道权重，得到修正后的综合差异图像；其中，所述U通道和V通道权重要大于Y通道权重。
7.根据权利要求1所述的方法，其特征在于，对所述训练图像进行边缘提取，得到掩膜包括：
将所述训练图像利用形态学梯度方法进行边缘提取，得到所述掩膜。
8.一种面向陶瓷工艺的上采样陶瓷水印模型训练装置，其特征在于，包括：
获取模块，用于获取训练图像和获取水印信息；
水印生成模块，用于生成水印图像，基于当前编码器、所述水印信息和所述训练图像生成残差图像，将所述残差图像和所述训练图像相加得到第一水印图像；
第一调节模块，用于计算所述第一水印图像与所述训练图像之间损失函数集合中各个损失函数的损失值，根据所述损失值对所述当前编码器进行调节，得到更新后的编码器；
放大模块，用于将所述第一水印图像进行放大处理生成第二水印图像；
噪声处理模块，用于将所述第二水印图像放入预设的噪声层中进行噪声处理；
第二调节模块，用于将经过噪声处理的第二水印图像送入当前解码器进行解码得到秘密信息，根据所述秘密信息和所述水印信息得到交叉熵损失函数损失值；根据所述交叉熵损失函数损失值对所述当前解码器进行更新，得到更新后的解码器；
所述放大模块具体用于：将所述水印图像中每个位置的像素复制N-1次形成像素值一致的像素块，其中N＞2。
9.根据权利要求8所述的装置，其特征在于，所述噪声层包括：几何畸变、运动模糊、颜色偏移、高斯噪声和JEPG压缩。
10.根据权利要求9所述的装置，其特征在于：
所述几何畸变的畸变系数小于1；
和/或，所述运动模糊采用直线模糊内核，所述直线内核的像素宽度不超过10，直线角度随机选取，范围不超过1/2π；
和/或，所述颜色偏移的偏移量值取值应满足均匀分布，偏移量值为-0.2～0.3；
和/或，所述JEPG压缩的压缩品质因子大于50。
11.一种编码器，其特征在于，利用权利要求1～7任一项所述的面向陶瓷工艺的上采样陶瓷水印模型训练方法训练得到。
12.一种解码器，其特征在于，利用权利要求1～7任一项所述的面向陶瓷工艺的上采样陶瓷水印模型训练方法训练得到。
13.一种陶瓷的嵌密方法，其特征在于，包括：
分别获取原始图像和水印信息；
将所述原始图像和所述水印信息输入到权利要求11所述的编码器中进行编码得到电子水印图像；
将所述电子水印图像进行放大处理；
将放大后的电子水印图像转印到陶瓷预制品上之后，对所述陶瓷预制品进行烧制，得到带有水印图案的陶瓷。
14.根据权利要求13所述的方法，其特征在于，将所述电子水印图像转印到陶瓷预制品上包括：
将所述电子水印图像输入预设的陶瓷喷墨注射机中，利用所述陶瓷喷墨注射机对所述陶瓷预制品进行喷墨，以将所述电子水印图像转印到陶瓷预制品上；
或，根据所述电子水印图像生成纸质版花纸；
将所述纸质版花纸铺贴在所述陶瓷预制品上，以将所述电子水印图像转印到陶瓷预制品上。
15.根据权利要求13所述的方法，其特征在于：
当所述陶瓷预制品为日用陶瓷预制品时，对所述陶瓷预制品进行烧制，得到带有水印图案的陶瓷包括：
对所述日用陶瓷预制品在800～1380℃进行烧制，得到日用陶瓷；
当所述陶瓷预制品为卫生陶瓷预制品时，对所述陶瓷预制品进行烧制，得到带有水印图案的陶瓷包括：
对所述卫生陶瓷预制品在800～1380℃进行烧制，得到卫生陶瓷；
当所述陶瓷预制品为建筑陶瓷预制品时，对所述陶瓷预制品进行烧制，得到带有水印图案的陶瓷包括：
对所述建筑陶瓷预制品在800～1380℃进行烧制，得到建筑陶瓷。
16.一种陶瓷水印的解密方法，其特征在于，包括：
将陶瓷上的水印图案进行定位；
将定位后的水印图案输入到权利要求12所述的解码器中进行解码，得到所述水印图案中的水印信息。
CN202110615666.8A 2021-06-02 2021-06-02 面向陶瓷工艺的上采样陶瓷水印模型训练方法和嵌密方法 Active CN113222804B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110615666.8A CN113222804B (zh) 2021-06-02 2021-06-02 面向陶瓷工艺的上采样陶瓷水印模型训练方法和嵌密方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110615666.8A CN113222804B (zh) 2021-06-02 2021-06-02 面向陶瓷工艺的上采样陶瓷水印模型训练方法和嵌密方法

Publications (2)

Publication Number Publication Date
CN113222804A CN113222804A (zh) 2021-08-06
CN113222804B true CN113222804B (zh) 2022-03-15

Family

ID=77082456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110615666.8A Active CN113222804B (zh) 2021-06-02 2021-06-02 面向陶瓷工艺的上采样陶瓷水印模型训练方法和嵌密方法

Country Status (1)

Country Link
CN (1) CN113222804B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113997699B (zh) * 2021-10-29 2022-07-15 星河智联汽车科技有限公司 一种路面图案喷绘方法、装置及车辆
CN115330583A (zh) * 2022-09-19 2022-11-11 景德镇陶瓷大学 一种基于cmyk图像的水印模型训练方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084733A (zh) * 2019-04-19 2019-08-02 中国科学院自动化研究所 文本图像水印的嵌入方法及系统、提取方法及系统
CN110991488A (zh) * 2019-11-08 2020-04-10 广州坚和网络科技有限公司 一种使用深度学习模型的图片水印识别方法
CN111598761A (zh) * 2020-04-17 2020-08-28 中山大学 一种基于图像降噪的抗打印拍摄图像数字水印方法
CN111681155A (zh) * 2020-06-09 2020-09-18 湖南大学 一种基于深度学习的gif动态图像水印方法
CN112150338A (zh) * 2020-09-21 2020-12-29 清华大学 一种神经网络模型图像水印的去除方法
CN112419135A (zh) * 2020-11-19 2021-02-26 广州华多网络科技有限公司 水印识别在线训练、制样、去除方法及装置、设备、介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105556942B (zh) * 2013-09-27 2019-07-23 惠普发展公司，有限责任合伙企业 数字水印
CN104574262B (zh) * 2015-01-16 2018-05-11 山东科技大学 一种扩展可视加密和解密方法
CN112747876B (zh) * 2019-10-31 2021-11-26 广东技术师范大学 一种基于机器视觉的陶瓷瓶渗漏检测装置及其检测方法
CN111768327B (zh) * 2020-06-30 2022-07-19 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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084733A (zh) * 2019-04-19 2019-08-02 中国科学院自动化研究所 文本图像水印的嵌入方法及系统、提取方法及系统
CN110991488A (zh) * 2019-11-08 2020-04-10 广州坚和网络科技有限公司 一种使用深度学习模型的图片水印识别方法
CN111598761A (zh) * 2020-04-17 2020-08-28 中山大学 一种基于图像降噪的抗打印拍摄图像数字水印方法
CN111681155A (zh) * 2020-06-09 2020-09-18 湖南大学 一种基于深度学习的gif动态图像水印方法
CN112150338A (zh) * 2020-09-21 2020-12-29 清华大学 一种神经网络模型图像水印的去除方法
CN112419135A (zh) * 2020-11-19 2021-02-26 广州华多网络科技有限公司 水印识别在线训练、制样、去除方法及装置、设备、介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Convolutional Neural Network Architecture for Recovering Watermark Synchronization;Wook-Hyung Kim et al;《arXiv:1805.06199v1》;20180516;第1-12页 *
Copyright protection scheme for Jingdezhen Ceramics based on Digital Watermarking method;Junxiang Wang and Yi Zhao;《2012 Second International Conference on Instrumentation & Measurement, Computer, Communication and Control》;20121231;第426-428页 *
基于水印技术的防伪花纸制作技术框架研究;王俊祥等;《陶瓷学报》;20110331;第32卷(第1期);第87-90页 *

Also Published As

Publication number Publication date
CN113222804A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113052745B (zh) 数字水印模型训练方法、陶瓷水印图像的制作方法及陶瓷
US7599099B2 (en) Image processing apparatus and image processing method
CN113222804B (zh) 面向陶瓷工艺的上采样陶瓷水印模型训练方法和嵌密方法
US7995790B2 (en) Digital watermark detection using predetermined color projections
US7136503B2 (en) Encoding hidden data
US6993150B2 (en) Halftone primitive watermarking and related applications
CN109102451B (zh) 一种纸媒输出的防伪半色调智能数字水印制作方法
CN113538201B (zh) 基于换底机制的陶瓷水印模型训练方法、装置和嵌密方法
Murali et al. Comparision and analysis of photo image forgery detection techniques
CN113379585B (zh) 无边框定位的陶瓷水印模型训练方法和嵌密方法
CN112101349A (zh) 一种车牌样本生成方法及装置
CN101122995A (zh) 二值图像中数字水印的嵌入、提取方法和装置
CN112217958B (zh) 与设备颜色空间无关的数字水印载体图像预处理的方法
CN106327416B (zh) 一种基于印刷品的网点水印方法
US20070076948A1 (en) Method and system for optimizing print-scan simulations
CN112116565A (zh) 篡改翻拍图像的对抗样本生成方法、设备及存储介质
CN103559676A (zh) 基于dct系数统计特性的抗打印扫描彩色图像盲水印方法
CN113837915B (zh) 一种边界区域二值化的陶瓷水印模型训练方法和嵌密方法
Mizumoto et al. Robustness investigation of DCT digital watermark for printing and scanning
CN114648436A (zh) 一种基于深度学习的抗屏摄文本图像水印嵌入和提取方法
CN110533574B (zh) 一种基于图像像素关系的显隐光栅的制作方法
CN110189241B (zh) 一种基于区块均值的抗打印噪声图像水印方法
JP6920719B2 (ja) 電子透かし装置および方法
JP3884891B2 (ja) 画像処理装置及び方法及び記憶媒体
JP3809310B2 (ja) 画像処理装置及び方法及び記憶媒体

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