CN113744110B - 图像处理方法及设备 - Google Patents
图像处理方法及设备 Download PDFInfo
- Publication number
- CN113744110B CN113744110B CN202010463861.9A CN202010463861A CN113744110B CN 113744110 B CN113744110 B CN 113744110B CN 202010463861 A CN202010463861 A CN 202010463861A CN 113744110 B CN113744110 B CN 113744110B
- Authority
- CN
- China
- Prior art keywords
- image
- color
- lifted
- watermark
- data information
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 6
- 239000003086 colorant Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000006992 Color Vision Defects Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 201000007254 color blindness Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种图像处理方法及设备，所述方法包括获取待添加水印的原始图像，将原始图像输入到颜色分析模型中，得到原始图像对应的待提升颜色数据信息，其中，颜色分析模型为根据识别障碍者不易识别的颜色样本训练得到的，生成与待提升颜色数据信息相匹配的水印图像，根据图像分割算法从原始图像中提取与待提升颜色数据信息相匹配的待提升图像，将待提升图像与水印图像进行叠加处理，得到添加水印后的待提升图像，将添加水印后的待提升图像与原始图像合并，得到添加水印后的原始图像。添加水印后的图像上的噪点不是无用的，能够提升识别障碍者的视觉体验，减少了对原始图像质量的影响。
Description
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种图像处理方法及设备。
背景技术
通信运营商的业务数据积累量巨大，在庞大数量的数据中，包含着很多具有自主知识产权的图像数据。随着图像的侵权使用现象频发，需要为图像资源添加数字水印来确定图像资源的版权。
数字水印技术可以将一些标识信息直接嵌入数字载体(例如多媒体、文档、软件)当中，或是将标识信息通过修改特定区域的结构的方式间接表示出来。且不影响原载体的使用价值，也不容易被探知和再次修改，但可以被生产方识别和辨认，从而达到数字资源的版权保护。
然而，现有的数字水印技术一般是将水印图像添加到原始图像的全部像素之中，只考虑了图像水印之后的鲁棒性，但叠加水印后图像的变化无实际用途，为纯图像噪点，对原始图像质量会有很大的影响。
发明内容
本发明实施例提供一种图像处理方法及设备，以降低对图像质量的影响。
第一方面，本发明实施例提供一种图像处理方法，包括：获取待添加水印的原始图像；将所述原始图像输入到颜色分析模型中，得到所述原始图像对应的待提升颜色数据信息，其中，所述颜色分析模型为根据识别障碍者不易识别的颜色样本训练得到的；生成与所述待提升颜色数据信息相匹配的水印图像；根据图像分割算法从所述原始图像中提取与所述待提升颜色数据信息相匹配的待提升图像；将所述待提升图像与所述水印图像进行叠加处理，得到添加水印后的待提升图像；将所述添加水印后的待提升图像与所述原始图像合并，得到添加水印后的原始图像。
可选的，所述生成与所述待提升颜色数据信息相匹配的水印图像，包括：将预设水印图像分解为三分量的分解图像；根据预设密钥分别对每个分量的分解图像进行图像置乱处理；根据所述待提升颜色数据信息在每个置乱处理后的分解图像中插入冗余像素分量，得到与所述待提升颜色数据信息相匹配的水印图像。
可选的，所述将所述待提升图像与所述水印图像进行叠加处理，得到添加水印后的待提升图像，包括：将所述待提升图像拆分成预设像素大小的子图像；对拆分的每个所述子图像中的每个像素进行离散余弦变换，得到每个所述子图像对应的离散余弦变换系数矩阵；将插与所述待提升颜色数据信息相匹配的水印图像对应嵌入到每个所述子图像对应的离散余弦变换系数矩阵中；对嵌入与所述待提升颜色数据信息相匹配的水印图像的离散余弦变换系数矩阵进行离散余弦反变换，将三分量的分解图像对应的矩阵进行重构，得到添加水印后的待提升图像。
可选的，还包括：获取所述识别障碍者不易识别的颜色样本；将所述识别障碍者不易识别的颜色样本输入到卷积神经网络中进行训练，得到所述颜色分析模型。
可选的，所述将所述原始图像输入到颜色分析模型中，得到所述原始图像对应的待提升颜色数据信息，包括：将所述原始图像输入到颜色分析模型中，以使所述颜色分析模型确定所述原始图像中在预设阈值范围内颜色相同的多个颜色区域，然后从多个颜色区域中确定与所述识别障碍者不易识别的颜色匹配的目标颜色区域，得到待提升颜色数据信息。
可选的，所述三分量的分解图像为RGB三分量的分解图像。
第二方面，本发明实施例提供一种图像处理设备，包括：至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得执行所述计算机程序时实现如下步骤：获取待添加水印的原始图像；将所述原始图像输入到颜色分析模型中，得到所述原始图像对应的待提升颜色数据信息，其中，所述颜色分析模型为根据识别障碍者不易识别的颜色样本训练得到的；生成与所述待提升颜色数据信息相匹配的水印图像；根据图像分割算法从所述原始图像中提取与所述待提升颜色数据信息相匹配的待提升图像；将所述待提升图像与所述水印图像进行叠加处理，得到添加水印后的待提升图像；将所述添加水印后的待提升图像与所述原始图像合并，得到添加水印后的原始图像。
可选的，所述处理器执行所述计算机程序时还实现如下步骤：将预设水印图像分解为三分量的分解图像；根据预设密钥分别对每个分量的分解图像进行图像置乱处理；根据所述待提升颜色数据信息在每个置乱处理后的分解图像中插入冗余像素分量，得到与所述待提升颜色数据信息相匹配的水印图像。
可选的，所述处理器执行所述计算机程序时还实现如下步骤：将所述待提升图像拆分成预设像素大小的子图像；对拆分的每个所述子图像中的每个像素进行离散余弦变换，得到每个所述子图像对应的离散余弦变换系数矩阵；将插与所述待提升颜色数据信息相匹配的水印图像对应嵌入到每个所述子图像对应的离散余弦变换系数矩阵中；对嵌入与所述待提升颜色数据信息相匹配的水印图像的离散余弦变换系数矩阵进行离散余弦反变换，将三分量的分解图像对应的矩阵进行重构，得到添加水印后的待提升图像。
第三方面，本发明实施例提供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计算机执行指令，当处理器执行所述计算机执行指令时，实现如第一方面任一项所述的图像处理方法。
本发明实施例提供了一种图像处理方法及设备，采用上述方案后，能够通过预先训练好的颜色分析模型从待添加水印的原始图像中提取出识别障碍者不易识别的颜色数据信息，然后根据颜色数据信息生成水印图像，再将水印图像与根据颜色数据信息从原始图像中提取的待提升图像进行叠加，得到添加水印后的待提升图像，然后再将添加水印后的待提升图像与原始图像进行合并，得到局部叠加水印的原始图像，且添加水印后的图像上的噪点不是无用的，能够提升识别障碍者的视觉体验，减少了对原始图像质量的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的图像处理方法的应用架构示意图；
图2为本发明实施例提供的图像处理方法的流程示意图；
图3为本发明实施例提供的图像像素度分析的应用示意图；
图4为本发明实施例提供的水印生成的应用示意图；
图5为本发明实施例提供的图像处理装置的结构示意图；
图6为本发明实施例提供的图像处理设备的硬件结构示意图。
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，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例提供的图像处理方法的应用架构示意图，如图1所示，包括原始图像数据库101和服务器102。原始图像数据库101中存储有原始图像，服务器102可以从原始图像数据库101中获取原始图像，然后再对原始图像进行水印添加处理，得到局部添加水印的图像。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本发明实施例提供的图像处理方法的流程示意图，本实施例的方法可以由服务器102执行，本实施例的方法可以包括：
S201：获取待添加水印的原始图像。
具体的，原始图像可以存储在本地数据库中，也可以存储在远端线上数据库中。在对原始图像添加水印之前，服务器可以先从数据库中获取对应的原始图像。
S202：将所述原始图像输入到颜色分析模型中，得到所述原始图像对应的待提升颜色数据信息，其中，所述颜色分析模型为根据识别障碍者不易识别的颜色样本训练得到的。
具体的，在获取到原始图像之后，可以将原始图像输入到预先训练好的颜色分析模型中进行分析，得到原始图像对应的待提升颜色数据信息。其中，颜色分析模型为根据识别障碍者不易识别的颜色样本训练得到的。识别障碍者为色弱患者或色盲患者。此外，不易识别的颜色还可以是易混的颜色。颜色分析模型可以分析图像的颜色组成、颜色空间位置和占比信息等数据得到识别障碍者不易识别的颜色数据。
此外，颜色分析模型也可以用于水印提取已叠加水印区域的确定过程，因为水印叠加产生的图像变化细微，叠加水印后的图像产生的待提升颜色即为已经叠加了水印的分割区域颜色。
S203：生成与所述待提升颜色数据信息相匹配的水印图像。
具体的，在通过颜色分析模型确定出待提升颜色数据信息，可以根据待提升颜色数据信息对预存的水印图像进行处理。其中，可以对水印图像进行置乱加密处理，使得处理之后的水印图像能够被识别障碍者识别出来。
S204：根据图像分割算法从所述原始图像中提取与所述待提升颜色数据信息相匹配的待提升图像。
具体的，在确定了待提升颜色数据信息之后，还可以根据图像分割算法从原始图像中提取出与待提升颜色数据信息匹配的待提升图像。其中，提取出的待提升图像中包含的图像信息是识别障碍者不易识别的颜色数据。
此外，图像分割算法可以采用现有的算法，例如，可以为基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法、基于聚类分析的图像分割方法、基于小波变换的分割方法、基于数学形态学的分割方法或基于人工神经网络的分割方法等均可以实现图像分割的功能。
S205：将所述待提升图像与所述水印图像进行叠加处理，得到添加水印后的待提升图像。
具体的，待提升图像为不易被识别障碍者识别的图像，处理之后的水印图像为可以被识别障碍者识别的图像。将待提升图像与水印图像进行叠加处理之后，得到添加水印后的待提升图像，添加水印后的待提升图像为可以被识别障碍者识别的图像。
S206：将所述添加水印后的待提升图像与所述原始图像合并，得到添加水印后的原始图像。
具体的，得到添加水印后的待提升图像之后，可以将添加水印后的待提升图像与原始图像合并。即可以对原始图像中的部分像素添加水印，得到局部添加水印的原始图像。
采用上述方案后，能够通过预先训练好的颜色分析模型从待添加水印的原始图像中提取出识别障碍者不易识别的颜色数据信息，然后根据颜色数据信息生成特定的水印图像，再将水印图像与根据颜色数据信息从原始图像中提取的待提升图像进行叠加，得到添加水印后的待提升图像，然后再将添加水印后的待提升图像与原始图像进行合并，得到局部叠加水印的原始图像，添加水印后的图像上的噪点不是无用的，能够提升识别障碍者的视觉体验，减少了对原始图像质量的影响。
基于图2的方法，本说明书实施例还提供了该方法的一些具体实施方案，下面进行说明。
在一个具体实施方式中，所述生成与所述待提升颜色数据信息相匹配的水印图像，可以包括：
将预设水印图像分解为三分量的分解图像。
根据预设密钥分别对每个分量的分解图像进行图像置乱处理。
根据所述待提升颜色数据信息在每个置乱处理后的分解图像中插入冗余像素分量，得到与所述待提升颜色数据信息相匹配的水印图像。
具体的，在为原始图像添加水印之前，可以先确定预先添加的水印图像样本。然后对预设水印图像进行分解处理，得到三分量的分解图像。然后再根据待提升颜色数据信息对三分量的分解图像进行图像置乱处理，得到与待提升颜色数据信息相匹配的水印图像。
如图3所示，为本发明实施例提供的图像像素度分析的应用示意图，在该实施方式中，可以先从原始图像中获取相邻区域颜色近似度数据值。
如图4所示，为本发明实施例提供的水印生成的应用示意图，在该实施方式中，可以根据从原始图像中获取的相邻区域颜色近似度数据值确定待提升的颜色数据信息，然后根据待提成颜色数据对预设水印图像中的中国联通的图标进行处理，得到与待提升颜色数据信息相匹配的中国联通图标的水印图像。
在一个具体实施方式中，所述将所述待提升图像与所述水印图像进行叠加处理，得到添加水印后的待提升图像，可以包括：
将所述待提升图像拆分成预设像素大小的子图像。
对拆分的每个所述子图像中的每个像素进行离散余弦变换，得到每个所述子图像对应的离散余弦变换系数矩阵。
将插与所述待提升颜色数据信息相匹配的水印图像对应嵌入到每个所述子图像对应的离散余弦变换系数矩阵中。
对嵌入与所述待提升颜色数据信息相匹配的水印图像的离散余弦变换系数矩阵进行离散余弦反变换，将三分量的分解图像对应的矩阵进行重构，得到添加水印后的待提升图像。
具体的，可以将水印图像分解为R(红)、G(绿)、B(蓝)三分量的分解图像。再分别对三分量图像根据秘钥K1进行图像置乱处理，根据待提升颜色数据在置乱后的三分量图中插入冗余像素分量，从而提高水印的抗攻击能力以及后期提取水印的稳定性。然后，将待提升图像拆分成预设像素大小的子图像。其中，子图像的大小可以为8x 8像素。
离散余弦变换(Discrete Cosine Transform，DCT)是将一组光强数据转换成频率数据，以便得知强度变化的情形。可以利用DCT变换分别对每个子图像上的每个像素的R、G、B三分量进行变换，得到各个子图像对应的DCT系数矩阵,上面经过预处理后的水印三分量信号分别嵌入到根据Z字型提取的宿主图像三分量中的N个低频系数中,对嵌入水印的三分量数据进行DCT反变换，三分量重构合并为添加水印后的待提升图像。
此外，水印的提取过程为颜色分析模型确定叠加水印的局部区域后的水印叠加逆过程。
在一个具体实施方式中，还可以包括：
获取所述识别障碍者不易识别的颜色样本。
将所述识别障碍者不易识别的颜色样本输入到卷积神经网络中进行训练，得到所述颜色分析模型。
在一个具体实施方式中，所述将所述原始图像输入到颜色分析模型中，得到所述原始图像对应的待提升颜色数据信息，可以包括：
将所述原始图像输入到颜色分析模型中，以使所述颜色分析模型确定所述原始图像中在预设阈值范围内颜色相同的多个颜色区域，然后从多个颜色区域中确定与所述识别障碍者不易识别的颜色匹配的目标颜色区域，得到待提升颜色数据信息。
具体的，颜色分析模型可以先分析原始图像中连续的相同(由于图像存在完全相同颜色情况很低，此处分析的颜色有容差范围的)颜色区域。然后再根据识别障碍者视觉数据分析各个相邻颜色区域的纹路情况和颜色近似度，得到待提升颜色目标颜色范围，分析各个目标颜色在原图中所占比例，如果占比低于置顶阈值，则后续不处理该颜色，最后得到待提升颜色数据信息。
在一个具体实施方式中，所述三分量的分解图像为RGB三分量的分解图像。
基于同样的思路，本说明书实施例还提供了上述方法对应的装置，如图5所示，为本发明实施例提供的图像处理装置的结构示意图，可以包括：
触控模块501，用于获取待添加水印的原始图像。
处理模块502，用于将所述原始图像输入到颜色分析模型中，得到所述原始图像对应的待提升颜色数据信息，其中，所述颜色分析模型为根据识别障碍者不易识别的颜色样本训练得到的。
处理模块502，还用于生成与所述待提升颜色数据信息相匹配的水印图像。
处理模块502，还用于根据图像分割算法从所述原始图像中提取与所述待提升颜色数据信息相匹配的待提升图像。
处理模块502，还用于将所述待提升图像与所述水印图像进行叠加处理，得到添加水印后的待提升图像。
处理模块502，还用于将所述添加水印后的待提升图像与所述原始图像合并，得到添加水印后的原始图像。
在一个具体实施方式中，所述处理模块502，还用于：
将预设水印图像分解为三分量的分解图像。
根据预设密钥分别对每个分量的分解图像进行图像置乱处理。
根据所述待提升颜色数据信息在每个置乱处理后的分解图像中插入冗余像素分量，得到与所述待提升颜色数据信息相匹配的水印图像。
在一个具体实施方式中，所述处理模块502，还用于：
将所述待提升图像拆分成预设像素大小的子图像。
对拆分的每个所述子图像中的每个像素进行离散余弦变换，得到每个所述子图像对应的离散余弦变换系数矩阵。
将插与所述待提升颜色数据信息相匹配的水印图像对应嵌入到每个所述子图像对应的离散余弦变换系数矩阵中。
对嵌入与所述待提升颜色数据信息相匹配的水印图像的离散余弦变换系数矩阵进行离散余弦反变换，将三分量的分解图像对应的矩阵进行重构，得到添加水印后的待提升图像。
在一个具体实施方式中，所述处理模块502，还用于：
获取所述识别障碍者不易识别的颜色样本。
将所述识别障碍者不易识别的颜色样本输入到卷积神经网络中进行训练，得到所述颜色分析模型。
在一个具体实施方式中，所述处理模块502，还用于：
将所述原始图像输入到颜色分析模型中，以使所述颜色分析模型确定所述原始图像中在预设阈值范围内颜色相同的多个颜色区域，然后从多个颜色区域中确定与所述识别障碍者不易识别的颜色匹配的目标颜色区域，得到待提升颜色数据信息。
在一个具体实施方式中，所述三分量的分解图像为RGB三分量的分解图像。
本发明实施例提供的装置，可以实现上述如图2所示的实施例的方法，其实现原理和技术效果类似，此处不再赘述。
图6为本发明实施例提供的图像处理设备的硬件结构示意图。如图6所示，本实施例提供的设备600包括：至少一个处理器601和存储器602。其中，处理器601、存储器602通过总线603连接。
在具体实现过程中，至少一个处理器601执行所述存储器602存储的计算机执行指令，使得执行所述计算机程序时实现如下步骤：
获取待添加水印的原始图像。
将所述原始图像输入到颜色分析模型中，得到所述原始图像对应的待提升颜色数据信息，其中，所述颜色分析模型为根据识别障碍者不易识别的颜色样本训练得到的。
生成与所述待提升颜色数据信息相匹配的水印图像。
根据图像分割算法从所述原始图像中提取与所述待提升颜色数据信息相匹配的待提升图像。
将所述待提升图像与所述水印图像进行叠加处理，得到添加水印后的待提升图像。
将所述添加水印后的待提升图像与所述原始图像合并，得到添加水印后的原始图像。
所述处理器执行所述计算机程序时还实现如下步骤：
将预设水印图像分解为三分量的分解图像。
根据预设密钥分别对每个分量的分解图像进行图像置乱处理。
根据所述待提升颜色数据信息在每个置乱处理后的分解图像中插入冗余像素分量，得到与所述待提升颜色数据信息相匹配的水印图像。
所述处理器执行所述计算机程序时还实现如下步骤：
将所述待提升图像拆分成预设像素大小的子图像。
对拆分的每个所述子图像中的每个像素进行离散余弦变换，得到每个所述子图像对应的离散余弦变换系数矩阵。
将插与所述待提升颜色数据信息相匹配的水印图像对应嵌入到每个所述子图像对应的离散余弦变换系数矩阵中。
对嵌入与所述待提升颜色数据信息相匹配的水印图像的离散余弦变换系数矩阵进行离散余弦反变换，将三分量的分解图像对应的矩阵进行重构，得到添加水印后的待提升图像。
获取所述识别障碍者不易识别的颜色样本。
将所述识别障碍者不易识别的颜色样本输入到卷积神经网络中进行训练，得到所述颜色分析模型。
所述将所述原始图像输入到颜色分析模型中，得到所述原始图像对应的待提升颜色数据信息，可以包括：
将所述原始图像输入到颜色分析模型中，以使所述颜色分析模型确定所述原始图像中在预设阈值范围内颜色相同的多个颜色区域，然后从多个颜色区域中确定与所述识别障碍者不易识别的颜色匹配的目标颜色区域，得到待提升颜色数据信息。
所述三分量的分解图像为RGB三分量的分解图像。
处理器601的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图6所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本发明实施例还提供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计算机执行指令，当处理器执行所述计算机执行指令时，实现上述方法实施例的图像处理方法。
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种图像处理方法，其特征在于，包括：
获取待添加水印的原始图像；
将所述原始图像输入到颜色分析模型中，得到所述原始图像对应的待提升颜色数据信息，其中，所述颜色分析模型为根据识别障碍者不易识别的颜色样本训练得到的；
生成与所述待提升颜色数据信息相匹配的水印图像；
根据图像分割算法从所述原始图像中提取与所述待提升颜色数据信息相匹配的待提升图像；
将所述待提升图像与所述水印图像进行叠加处理，得到添加水印后的待提升图像；
将所述添加水印后的待提升图像与所述原始图像合并，得到添加水印后的原始图像；
还包括：
获取所述识别障碍者不易识别的颜色样本；
将所述识别障碍者不易识别的颜色样本输入到卷积神经网络中进行训练，得到所述颜色分析模型；
所述将所述原始图像输入到颜色分析模型中，得到所述原始图像对应的待提升颜色数据信息，包括：
将所述原始图像输入到颜色分析模型中，以使所述颜色分析模型分析原始图像中连续的相同颜色区域，然后根据识别障碍者视觉数据分析各个相邻颜色区域的纹路情况和颜色近似度，得到待提升颜色目标颜色范围，分析各个目标颜色在原图中的占比，若所述占比低于置顶阈值，则后续不处理该颜色，得到待提升颜色数据信息。
2.根据权利要求1所述的方法，其特征在于，所述生成与所述待提升颜色数据信息相匹配的水印图像，包括：
将预设水印图像分解为三分量的分解图像；
根据预设密钥分别对每个分量的分解图像进行图像置乱处理；
根据所述待提升颜色数据信息在每个置乱处理后的分解图像中插入冗余像素分量，得到与所述待提升颜色数据信息相匹配的水印图像。
3.根据权利要求2所述的方法，其特征在于，所述将所述待提升图像与所述水印图像进行叠加处理，得到添加水印后的待提升图像，包括：
将所述待提升图像拆分成预设像素大小的子图像；
对拆分的每个所述子图像中的每个像素进行离散余弦变换，得到每个所述子图像对应的离散余弦变换系数矩阵；
将与所述待提升颜色数据信息相匹配的水印图像对应嵌入到每个所述子图像对应的离散余弦变换系数矩阵中；
对嵌入与所述待提升颜色数据信息相匹配的水印图像的离散余弦变换系数矩阵进行离散余弦反变换，将三分量的分解图像对应的矩阵进行重构，得到添加水印后的待提升图像。
4.根据权利要求2所述的方法，其特征在于，所述三分量的分解图像为RGB三分量的分解图像。
5.一种图像处理设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得执行计算机程序时实现如下步骤：
获取待添加水印的原始图像；
将所述原始图像输入到颜色分析模型中，得到所述原始图像对应的待提升颜色数据信息，其中，所述颜色分析模型为根据识别障碍者不易识别的颜色样本训练得到的；
生成与所述待提升颜色数据信息相匹配的水印图像；
根据图像分割算法从所述原始图像中提取与所述待提升颜色数据信息相匹配的待提升图像；
将所述待提升图像与所述水印图像进行叠加处理，得到添加水印后的待提升图像；
将所述添加水印后的待提升图像与所述原始图像合并，得到添加水印后的原始图像；
获取所述识别障碍者不易识别的颜色样本；
将所述识别障碍者不易识别的颜色样本输入到卷积神经网络中进行训练，得到所述颜色分析模型；
所述将所述原始图像输入到颜色分析模型中，得到所述原始图像对应的待提升颜色数据信息时，所述处理器执行所述计算机程序时还实现如下步骤：
将所述原始图像输入到颜色分析模型中，以使所述颜色分析模型分析原始图像中连续的相同颜色区域，然后根据识别障碍者视觉数据分析各个相邻颜色区域的纹路情况和颜色近似度，得到待提升颜色目标颜色范围，分析各个目标颜色在原图中的占比，若所述占比低于置顶阈值，则后续不处理该颜色，得到待提升颜色数据信息。
6.根据权利要求5所述的设备，其特征在于，所述处理器执行所述计算机程序时还实现如下步骤：
将预设水印图像分解为三分量的分解图像；
根据预设密钥分别对每个分量的分解图像进行图像置乱处理；
根据所述待提升颜色数据信息在每个置乱处理后的分解图像中插入冗余像素分量，得到与所述待提升颜色数据信息相匹配的水印图像。
7.根据权利要求5所述的设备，其特征在于，所述处理器执行所述计算机程序时还实现如下步骤：
将所述待提升图像拆分成预设像素大小的子图像；
对拆分的每个所述子图像中的每个像素进行离散余弦变换，得到每个所述子图像对应的离散余弦变换系数矩阵；
将与所述待提升颜色数据信息相匹配的水印图像对应嵌入到每个所述子图像对应的离散余弦变换系数矩阵中；
对嵌入与所述待提升颜色数据信息相匹配的水印图像的离散余弦变换系数矩阵进行离散余弦反变换，将三分量的分解图像对应的矩阵进行重构，得到添加水印后的待提升图像。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至4任一项所述的图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010463861.9A CN113744110B (zh) | 2020-05-27 | 2020-05-27 | 图像处理方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010463861.9A CN113744110B (zh) | 2020-05-27 | 2020-05-27 | 图像处理方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113744110A CN113744110A (zh) | 2021-12-03 |
| CN113744110B true CN113744110B (zh) | 2023-11-10 |
Family
ID=78723544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010463861.9A Active CN113744110B (zh) | 2020-05-27 | 2020-05-27 | 图像处理方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113744110B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1895191A (zh) * | 2006-05-11 | 2007-01-17 | 复旦大学 | 基于bp神经网络的色盲及色弱矫正方法 |
| CN101950406A (zh) * | 2010-08-10 | 2011-01-19 | 浙江大学 | 一种基于变换域的图像水印添加方法 |
| CN104899823A (zh) * | 2015-07-03 | 2015-09-09 | 鲁东大学 | 基于Hessenberg分解的双彩色图像盲水印方法 |
| CN107749048A (zh) * | 2017-07-31 | 2018-03-02 | 中国银联股份有限公司 | 图像矫正系统及方法、色盲图像矫正系统及方法 |
| CN108230224A (zh) * | 2017-12-29 | 2018-06-29 | 湖北工业大学 | 一种针对校正后色盲图像的图像水印嵌入方法和提取方法 |
| CN108961140A (zh) * | 2018-06-14 | 2018-12-07 | 湖北工程学院 | 图像保护方法及装置、图像还原方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10229513B2 (en) * | 2017-01-06 | 2019-03-12 | International Business Machines Corporation | Cognitive color scheme advisor for dynamic modification of digital media in a collaborative environment with color blind individuals |
-
2020
- 2020-05-27 CN CN202010463861.9A patent/CN113744110B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1895191A (zh) * | 2006-05-11 | 2007-01-17 | 复旦大学 | 基于bp神经网络的色盲及色弱矫正方法 |
| CN101950406A (zh) * | 2010-08-10 | 2011-01-19 | 浙江大学 | 一种基于变换域的图像水印添加方法 |
| CN104899823A (zh) * | 2015-07-03 | 2015-09-09 | 鲁东大学 | 基于Hessenberg分解的双彩色图像盲水印方法 |
| CN107749048A (zh) * | 2017-07-31 | 2018-03-02 | 中国银联股份有限公司 | 图像矫正系统及方法、色盲图像矫正系统及方法 |
| CN108230224A (zh) * | 2017-12-29 | 2018-06-29 | 湖北工业大学 | 一种针对校正后色盲图像的图像水印嵌入方法和提取方法 |
| CN108961140A (zh) * | 2018-06-14 | 2018-12-07 | 湖北工程学院 | 图像保护方法及装置、图像还原方法及装置 |
Non-Patent Citations (8)
| Title |
|---|
| Image Watermarking Against Color Blind Image Correction;Thitiporn Pramoun;《IEEE》;1-6 * |
| 一次Bézier曲线和Legendre神经网络的彩色盲水印算法;陈科尹;;计算机安全(第06期);8-10 * |
| 一种基于DWT与DCT相结合的彩色数字盲水印算法;解皎虹;孙岩;;计算机安全(第01期);69-71 * |
| 一种基于简化PCNN的色盲检测图分割方法;郭业才;蒋峰;龚溪;;安徽大学学报(自然科学版)(第01期);56-60 * |
| 三个态变量细胞神经网络理论及其在色盲辨色中的应用;蔡欢;《中国体视学与图像分析》(第01期);27-31 * |
| 基于YIQ色彩空间的彩色图像盲水印算法;苏庆堂;刘贤喜;;计算机应用研究(第11期);396-398 * |
| 基于一次Bézier曲线和Chebyshenv神经网络的DCT彩色盲水印算法;陈科尹;孙树森;;微型机与应用(第09期);8-10 * |
| 基于多通道HVS和DWT-DCT相结合的彩色图像水印算法;贝依林;周京伟;;泰山学院学报(第03期);65-70 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113744110A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mahmood et al. | A robust technique for copy-move forgery detection and localization in digital images via stationary wavelet and discrete cosine transform | |
| Zeng et al. | Image splicing localization using PCA-based noise level estimation | |
| Uliyan et al. | A novel forged blurred region detection system for image forensic applications | |
| Alwan et al. | Data embedding based on better use of bits in image pixels | |
| Jarusek et al. | Photomontage detection using steganography technique based on a neural network | |
| CN104156909B (zh) | 基于图像内容的鲁棒可逆水印嵌入与检测方法 | |
| CN106454367A (zh) | 一种多媒体文件的标识方法及系统 | |
| CN104978706B (zh) | 基于傅里叶描述子的水印嵌入与提取方法、装置及系统 | |
| Gani et al. | A novel method for digital image copy-move forgery detection and localization using evolving cellular automata and local binary patterns | |
| Hu et al. | Learning-based image steganography and watermarking: A survey | |
| CN114255151B (zh) | 一种基于关键点检测和深度学习的高分辨率图像鲁棒数字水印方法 | |
| Guan et al. | An effective image steganalysis method based on neighborhood information of pixels | |
| Sarma et al. | A study on digital image forgery detection | |
| Wong et al. | A salient region watermarking scheme for digital mammogram authentication | |
| CN113744110B (zh) | 图像处理方法及设备 | |
| CN109345440B (zh) | 数字媒体水印处理方法、计算机设备和存储介质 | |
| Maheswari et al. | Image Steganography using Hybrid Edge Detector and Ridgelet Transform. | |
| Hu et al. | Draw: Defending camera-shooted raw against image manipulation | |
| Kumar et al. | ResUNet: an automated deep learning model for image splicing localization | |
| CN113393363B (zh) | 水印嵌入、提取方法以及存储介质、电子设备 | |
| López Hernández et al. | Detecting image brush editing using the discarded coefficients and intentions | |
| Mallet et al. | Statistical correlation as a forensic feature to mitigate the cover-source mismatch | |
| Vaishnavi et al. | Fragile watermarking scheme based on wavelet edge features | |
| Bavrina et al. | Parameterizable lsb watermarking method with adaptive key generation | |
| CN113284034A (zh) | 图像处理方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |