CN114418821A - 基于图像频域的盲水印处理方法 - Google Patents
基于图像频域的盲水印处理方法 Download PDFInfo
- Publication number
- CN114418821A CN114418821A CN202210055434.6A CN202210055434A CN114418821A CN 114418821 A CN114418821 A CN 114418821A CN 202210055434 A CN202210055434 A CN 202210055434A CN 114418821 A CN114418821 A CN 114418821A
- Authority
- CN
- China
- Prior art keywords
- image
- frequency domain
- training
- matching
- blind
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims description 78
- 230000008569 process Effects 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 16
- 239000012634 fragment Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 230000005540 biological transmission Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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
-
- 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
- G06T2201/0083—Image watermarking whereby only watermarked image required at decoder, e.g. source-based, blind, oblivious
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
本发明公开了基于图像频域的盲水印处理方法，包括以下步骤：S1、图像盲水印编码；S2、图像盲水印解码；S3、图像盲水印匹配；本发明通过以上步骤，能够很好地适应照相馆等对图像质量较高的场景，提升了盲水印的适应范围。
Description
技术领域
本发明涉及盲水印生成领域，尤其涉及基于图像频域的盲水印处理方法。
背景技术
盲水印技术是数字水印技术的其中一种，它能够将一些标识信息嵌入到图像当中，起到图像来源标识的作用，且不会破坏图像本身所展示的效果，因此逐渐为人们所采用。目前的盲水印技术，主要是通过将信息码打散，并直接叠加在图像的频域上以达到图像加载水印的目的。但现有方法在对频域进行操作时，有些是人工设计规则来保证了水印的传输，但是这种方法对图像影响较大，而部分方法用深度学习算法在空域加载水印，但这种方法对原图质量影响较大。上述方法都因为对图像质量的影响而无法应用于照相馆等对图像质量较高的场景，需要对此进行改进。
发明内容
本发明针对现有技术中存在的现有方法无法应用于照相馆等对图像质量较高的场景等缺陷，提供了一种新的基于图像频域的盲水印处理方法。
为了解决上述技术问题，本发明通过以下技术方案实现：
基于图像频域的盲水印处理方法，包括以下步骤：
S1、图像盲水印编码：
S11、取待编码图像，获取所述待编码图像的UUID信息，从所述UUID信息中抽取2进制uuid信息片段并组合成信息码，将信息码排列成图像矩阵；
S12、通过神经网络将图像矩阵映射成2048*2048像素的位图；
S13、将待编码图像转换到傅里叶频域，得到待编码频域图像；
S14、对所述2048*2048像素的位图中的低频信息通过mask掩码进行屏蔽后以直接相加的方式逐次加到待编码频域图像的全图上以及待编码频域图像的角落区域，得到已编码频域图像；
S15、将已编码频域图像转换到空域，得到已编码图像；
S16、将已编码图像与待编码图像进行融合后进行去噪处理，得到添加盲水印后的图像；
S2、图像盲水印解码：
S21、将输入图像转换到傅里叶频域，得到待解码频域图像；
S22、取待解码频域图像的全图以及待解码频域图像的角落区域构成图像组，缩放到统一尺寸；
S23、将缩放好的图像组输入神经网络，得到图像解码值，其中，图像解码值是0-1实数范围的向量；
S3、图像盲水印匹配：
S31、将图像解码值进行二值化，阈值位为0.5，并采用贝叶斯概率算法得到2进制uuid信息片段解码值。
S32、将2进制uuid信息片段解码值在数据库中进行搜索，检索数据库中相近的图像，并通过图像匹配搜索算法与这些图像逐一进行匹配。
其中，在步骤S1的图像盲水印编码过程中，本发明的步骤S11能够通过选取2进制uuid信息片段并进行叠加组合的方式，保证足以在数据库中筛选数据的同时，以更高的重复冗余传输更多次数的少量数据，以提高传输鲁棒性。
步骤S12中通过神经网络生成映射到2048*2048像素的位图，可以使得生成的频率编码自由度更高，图像在各种修改下解码鲁棒性更强。并且2048*2048像素的尺寸可以保证大尺寸图像在训练中达到可以接受的速度。
由于低频编码在训练迭代过程中占传输盲水印信息的主要成分，该成分往往会在图像空域形成低频混叠的噪声点。步骤S13、S14、S15对图像低频区域进行掩码处理可以有效降低这类角落中低频混叠产生的部分噪声点。
步骤S31中，由于二值化的图像解码值在图像被修改后有一定的错误概率，因此本发明采用了冗余传输的形式，采用2进制uuid信息片段解码值来进行传输，因2进制uuid信息片段对应的图像解码值有32倍到64倍的传输冗余，提升了可靠性。另外为了计算多位二值化的信息码对应的某一位2进制uuid信息片段对应的解码值，本发明利用贝叶斯概率算法计算2进制uuid信息片段解码值，以达到提升传输可靠性的目的。
2进制uuid信息片段解码值通常在数据库中对应误差最小的图像即为2进制uuid信息片段的对应图像。考虑到在这一过程中出现错误的情况的可能性，步骤S32对数据库中图像的相似性进行比对校验，从而进一步提升了传输可靠性。其中数据库为预先准备的含有众多2进制uuid信息片段解码值所对应的图像的的数据库，从而为2进制uuid信息片段解码值的检索提供基础文件。
本发明通过以上步骤，能够很好地适应照相馆等对图像质量较高的场景，提升了盲水印的适应范围。
作为优选，上述所述的基于图像频域的盲水印处理方法，所述图像盲水印编码以及图像盲水印解码步骤中的神经网络的训练过程为：
Q1、随机取一张训练图像，并使所述训练图像完整经历步骤S1的图像盲水印编码过程；
Q2、对Q1得到的添加盲水印后的训练图像进行随机修改，所述随机修改包括随机裁剪处理、高斯模糊处理、图像压缩处理、随机噪声处理中的一种或几种，得到修改后图像；
Q3、使所述修改后图像完整经历步骤S2的图像盲水印解码过程，得到训练过程的图像解码值；
Q4、计算训练过程的图像解码值和步骤Q1中训练图像对应的信息码之间的loss损失函数一以及添加盲水印后的训练图像与训练图像之间的loss损失函数二，并对loss损失函数一、loss损失函数二进行反向传播，修改所述神经网络的参数；
Q5、重复Q1-Q4步骤，直到神经网络收敛。
在以上步骤中，通过在训练过程中添加各种噪声，模拟用户对图像进行二次编辑的操作，可以使盲水印在保证高传输准确性的前提下，进一步提升鲁棒性。
作为优选，上述所述的基于图像频域的盲水印处理方法，所述图像盲水印解码步骤中的神经网络的训练过程还包括：
Q6、冻结神经网络的编码网络权重，将训练图像经由步骤Q1时得到的训练频域图像叠加到步骤Q1过程中生成的2048*2048像素的位图上的权重由100调整到10-30；
Q7、重复Q1-Q4步骤，直到神经网络收敛。
通过神经网络训练解码器时，为了进一步减少图像编码中对图像质量的影响而提高添加盲水印后的训练图像与训练图像之间的loss，会导致编码器的不断变化与更改编码模式，而使传输码的准确率急剧下降。为了应对这一问题，本发明在训练编码器收敛后，减少频率编码的叠加权重，再进一步训练解码器的方法，进一步减小对原图质量的影响。
作为优选，上述所述的基于图像频域的盲水印处理方法，所述loss损失函数一的计算方法为：
C1.计算训练过程的图像解码值和步骤Q1中训练图像对应的信息码之间的BCEloss，计算时的权重为100；
C2.计算训练过程的图像解码值的均值与训练图像对应的信息码的均值之间的L1loss，计算时的权重为1，从而得到loss损失函数一。
loss损失函数一能够更好地保证传输准确率，其中步骤C2中计算均值之间的L1loss可以进一步提高编码之间的概率独立性，为贝叶斯概率算法提供保障，同时也加速了训练过程。
作为优选，上述所述的基于图像频域的盲水印处理方法，所述loss损失函数二的计算方法为：
D1.计算添加盲水印后的训练图像与训练图像之间的L1loss的平方，计算时的权重为10；
D2.计算添加盲水印后的训练图像与训练图像之间的L2loss，计算时的权重为204800；
D3.计算添加盲水印后的训练图像与训练图像差异最大13个像素的loss，计算时的权重为13，从而得到loss损失函数二。
loss损失函数二通过以上方法得到，能够更好地抑制图像盲水印编码在空域中的大幅度的表达，可以保证加载盲水印时的图像质量。
作为优选，上述所述的基于图像频域的盲水印处理方法，所述图像盲水印匹配步骤中的贝叶斯概率算法具体过程为：
E1、将所述图像解码值分组，得到多个图像解码组；
E2、对每一个图像解码组统计判别为真的数量；
E3、根据先验信息得到的概率分布计算组合的二进制位对应的2进制uuid信息片段解码值；
E4、将2进制uuid信息片段解码值转换为二进制，转换时的阈值为0.5。
以上步骤用多位的二进制信息以及对应的先验概率进行编码还原的过程进一步提高了最终结果的准确率。
作为优选，上述所述的基于图像频域的盲水印处理方法，所述步骤S32中，将2进制uuid信息片段解码值在数据库中进行搜索，检索数据库中相近的图像的具体过程为：
F1.对2进制uuid信息片段解码值进行判断，若92％以上信息码位为零，则判断该2进制uuid信息片段解码值对应图像是未经编码的图像；否则进入下一步的判断；
F2.搜索数据库中与2进制uuid信息片段解码值中误差在3位以内的图像进行图像匹配；
F3.步骤F2中没有搜索到匹配图像时，搜索数据库中与2进制uuid信息片段解码值中误差在6位以内的图像进行图像匹配；
F4.当步骤F3没有搜索到结果时，认为数据库中无匹配图像或者图像噪声较大无法搜索到对应图像；
F5.若步骤F2或步骤F3搜索到与2进制uuid信息片段解码值近似的图像uuid，则返回检索图像组。
以上步骤通过分级检索的方式减少图像匹配次数，能够进一步提升搜索效率。
作为优选，上述所述的基于图像频域的盲水印处理方法，所述步骤S32中，所述图像匹配搜索算法的流程为：
G1、从检索图像组中选取一张图像A与输入图像一起缩放到224*224像素尺寸大小，组成匹配图像组；
G2、将匹配图像组输入经过匹配训练的vgg图像匹配网络一，得到第一级图像匹配的布尔值结果；若第一级图像匹配的布尔值结果为假，则直接返回结果，否则进入下一步的判断；
G3、将匹配图像组输入另一个经过匹配训练的vgg图像匹配网络二，得到第二级图像匹配的布尔值结果；若第二级图像匹配的布尔值结果为假，则直接返回结果，否则进入下一步的判断；
G4、将输入图像输入现有的resnet50分类网络，得到一个特征向量，直接计算从检索图像组中选取的图像A对应的匹配向量与输入图像的特征向量之间的L1距离，若L1距离大于等于190则返回假，否则进入下一步的判断；
G5、若输入图像中没有人脸，直接返回真，否则进入下一步的判断；
G6、若输入图像中有人脸，计算输入图像中人脸与从检索图像组中选取的图像A中人脸之间的相似性；若两张图像中有一对人脸的相似性大于0.6，返回为真，否则返回为假；
G7、重复G1-G6步骤，直至遍历完整个检索图像组。
通过以上这种多级模型进行boosting的方式，能够提高图像两两比对的准确率，经测试通过以上方法两两匹配准确率在99.999％左右。
作为优选，上述所述的基于图像频域的盲水印处理方法，所述神经网络为图像生成网络。
图像生成网络能够进一步降低训练过程中的噪声点，进一步提升图像质量。
附图说明
图1为本发明中图像盲水印编码的流程图；
图2为本发明中图像盲水印解码以及图像盲水印匹配的流程图。
具体实施方式
下面结合附图1-2和具体实施方式对本发明作进一步详细描述，但它们不是对本发明的限制：
实施例1
基于图像频域的盲水印处理方法，包括以下步骤：
S1、图像盲水印编码：
S11、取待编码图像，获取所述待编码图像的UUID信息，从所述UUID信息中抽取2进制uuid信息片段并组合成信息码，将信息码排列成图像矩阵；
S12、通过神经网络将图像矩阵映射成2048*2048像素的位图；
S13、将待编码图像转换到傅里叶频域，得到待编码频域图像；
S14、对所述2048*2048像素的位图中的低频信息通过mask掩码进行屏蔽后以直接相加的方式逐次加到待编码频域图像的全图上以及待编码频域图像的角落区域，得到已编码频域图像；
S15、将已编码频域图像转换到空域，得到已编码图像；
S16、将已编码图像与待编码图像进行融合后进行去噪处理，得到添加盲水印后的图像；
S2、图像盲水印解码：
S21、将输入图像转换到傅里叶频域，得到待解码频域图像；
S22、取待解码频域图像的全图以及待解码频域图像的角落区域构成图像组，缩放到统一尺寸；
S23、将缩放好的图像组输入神经网络，得到图像解码值，其中，图像解码值是0-1实数范围的向量；
S3、图像盲水印匹配：
S31、将图像解码值进行二值化，阈值位为0.5，并采用贝叶斯概率算法得到2进制uuid信息片段解码值。
S32、将2进制uuid信息片段解码值在数据库中进行搜索，检索数据库中相近的图像，并通过图像匹配搜索算法与这些图像逐一进行匹配。
作为优选，所述图像盲水印编码以及图像盲水印解码步骤中的神经网络的训练过程为：
Q1、随机取一张训练图像，并使所述训练图像完整经历步骤S1的图像盲水印编码过程；
Q2、对Q1得到的添加盲水印后的训练图像进行随机修改，所述随机修改包括随机裁剪处理、高斯模糊处理、图像压缩处理、随机噪声处理中的一种或几种，得到修改后图像；
Q3、使所述修改后图像完整经历步骤S2的图像盲水印解码过程，得到训练过程的图像解码值；
Q4、计算训练过程的图像解码值和步骤Q1中训练图像对应的信息码之间的loss损失函数一以及添加盲水印后的训练图像与训练图像之间的loss损失函数二，并对loss损失函数一、loss损失函数二进行反向传播，修改所述神经网络的参数；
Q5、重复Q1-Q4步骤，直到神经网络收敛。
作为优选，所述图像盲水印解码步骤中的神经网络的训练过程还包括：
Q6、冻结神经网络的编码网络权重，将训练图像经由步骤Q1时得到的训练频域图像叠加到步骤Q1过程中生成的2048*2048像素的位图上的权重由100调整到10；
Q7、重复Q1-Q4步骤，直到神经网络收敛。
作为优选，所述loss损失函数一的计算方法为：
C1.计算训练过程的图像解码值和步骤Q1中训练图像对应的信息码之间的BCEloss，计算时的权重为100；
C2.计算训练过程的图像解码值的均值与训练图像对应的信息码的均值之间的L1loss，计算时的权重为1，从而得到loss损失函数一。
作为优选，所述loss损失函数二的计算方法为：
D1.计算添加盲水印后的训练图像与训练图像之间的L1loss的平方，计算时的权重为10；
D2.计算添加盲水印后的训练图像与训练图像之间的L2loss，计算时的权重为204800；
D3.计算添加盲水印后的训练图像与训练图像差异最大13个像素的loss，计算时的权重为13，从而得到loss损失函数二。
作为优选，所述图像盲水印匹配步骤中的贝叶斯概率算法具体过程为：
E1、将所述图像解码值分组，得到多个图像解码组；
E2、对每一个图像解码组统计判别为真的数量；
E3、根据先验信息得到的概率分布计算组合的二进制位对应的2进制uuid信息片段解码值；
E4、将2进制uuid信息片段解码值转换为二进制，转换时的阈值为0.5。
作为优选，所述步骤S32中，将2进制uuid信息片段解码值在数据库中进行搜索，检索数据库中相近的图像的具体过程为：
F1.对2进制uuid信息片段解码值进行判断，若92％以上信息码位为零，则判断该2进制uuid信息片段解码值对应图像是未经编码的图像；否则进入下一步的判断；
F2.搜索数据库中与2进制uuid信息片段解码值中误差在3位以内的图像进行图像匹配；
F3.步骤F2中没有搜索到匹配图像时，搜索数据库中与2进制uuid信息片段解码值中误差在6位以内的图像进行图像匹配；
F4.当步骤F3没有搜索到结果时，认为数据库中无匹配图像或者图像噪声较大无法搜索到对应图像；
F5.若步骤F2或步骤F3搜索到与2进制uuid信息片段解码值近似的图像uuid，则返回检索图像组。
作为优选，所述步骤S32中，所述图像匹配搜索算法的流程为：
G1、从检索图像组中选取一张图像A与输入图像一起缩放到224*224像素尺寸大小，组成匹配图像组；
G2、将匹配图像组输入经过匹配训练的vgg图像匹配网络一，得到第一级图像匹配的布尔值结果；若第一级图像匹配的布尔值结果为假，则直接返回结果，否则进入下一步的判断；
G3、将匹配图像组输入另一个经过匹配训练的vgg图像匹配网络二，得到第二级图像匹配的布尔值结果；若第二级图像匹配的布尔值结果为假，则直接返回结果，否则进入下一步的判断；
G4、将输入图像输入现有的resnet50分类网络，得到一个特征向量，直接计算从检索图像组中选取的图像A对应的匹配向量与输入图像的特征向量之间的L1距离，若L1距离大于等于190则返回假，否则进入下一步的判断；
G5、若输入图像中没有人脸，直接返回真，否则进入下一步的判断；
G6、若输入图像中有人脸，计算输入图像中人脸与从检索图像组中选取的图像A中人脸之间的相似性；若两张图像中有一对人脸的相似性大于0.6，返回为真，否则返回为假；
G7、重复G1-G6步骤，直至遍历完整个检索图像组。
作为优选，所述神经网络为图像生成网络。
实施例2
所述步骤Q6中，冻结神经网络的编码网络权重，将训练图像经由步骤Q1时得到的训练频域图像叠加到步骤Q1过程中生成的2048*2048像素的位图上的权重由100调整到30。
其它实施方式同实施例1。
实施例3
所述步骤Q6中，冻结神经网络的编码网络权重，将训练图像经由步骤Q1时得到的训练频域图像叠加到步骤Q1过程中生成的2048*2048像素的位图上的权重由100调整到20。
其它实施方式同实施例1。
总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利的范围所作的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (9)
1.基于图像频域的盲水印处理方法，其特征在于：包括以下步骤：
S1、图像盲水印编码：
S11、取待编码图像，获取所述待编码图像的UUID信息，从所述UUID信息中抽取2进制uuid信息片段并组合成信息码，将信息码排列成图像矩阵；
S12、通过神经网络将图像矩阵映射成2048*2048像素的位图；
S13、将待编码图像转换到傅里叶频域，得到待编码频域图像；
S14、对所述2048*2048像素的位图中的低频信息通过mask掩码进行屏蔽后以直接相加的方式逐次加到待编码频域图像的全图上以及待编码频域图像的角落区域，得到已编码频域图像；
S15、将已编码频域图像转换到空域，得到已编码图像；
S16、将已编码图像与待编码图像进行融合后进行去噪处理，得到添加盲水印后的图像；
S2、图像盲水印解码：
S21、将输入图像转换到傅里叶频域，得到待解码频域图像；
S22、取待解码频域图像的全图以及待解码频域图像的角落区域构成图像组，缩放到统一尺寸；
S23、将缩放好的图像组输入神经网络，得到图像解码值，其中，图像解码值是0-1实数范围的向量；
S3、图像盲水印匹配：
S31、将图像解码值进行二值化，阈值位为0.5，并采用贝叶斯概率算法得到2进制uuid信息片段解码值。
S32、将2进制uuid信息片段解码值在数据库中进行搜索，检索数据库中相近的图像，并通过图像匹配搜索算法与这些图像逐一进行匹配。
2.根据权利要求1所述的基于图像频域的盲水印处理方法，其特征在于：所述图像盲水印编码以及图像盲水印解码步骤中的神经网络的训练过程为：
Q1、随机取一张训练图像，并使所述训练图像完整经历步骤S1的图像盲水印编码过程；
Q2、对Q1得到的添加盲水印后的训练图像进行随机修改，所述随机修改包括随机裁剪处理、高斯模糊处理、图像压缩处理、随机噪声处理中的一种或几种，得到修改后图像；
Q3、使所述修改后图像完整经历步骤S2的图像盲水印解码过程，得到训练过程的图像解码值；
Q4、计算训练过程的图像解码值和步骤Q1中训练图像对应的信息码之间的loss损失函数一以及添加盲水印后的训练图像与训练图像之间的loss损失函数二，并对loss损失函数一、loss损失函数二进行反向传播，修改所述神经网络的参数；
Q5、重复Q1-Q4步骤，直到神经网络收敛。
3.根据权利要求2所述的基于图像频域的盲水印处理方法，其特征在于：所述图像盲水印解码步骤中的神经网络的训练过程还包括：
Q6、冻结神经网络的编码网络权重，将训练图像经由步骤Q1时得到的训练频域图像叠加到步骤Q1过程中生成的2048*2048像素的位图上的权重由100调整到10-30；
Q7、重复Q1-Q4步骤，直到神经网络收敛。
4.根据权利要求2所述的基于图像频域的盲水印处理方法，其特征在于：所述loss损失函数一的计算方法为：
C1.计算训练过程的图像解码值和步骤Q1中训练图像对应的信息码之间的BCEloss，计算时的权重为100；
C2.计算训练过程的图像解码值的均值与训练图像对应的信息码的均值之间的L1loss，计算时的权重为1，从而得到loss损失函数一。
5.根据权利要求2所述的基于图像频域的盲水印处理方法，其特征在于：所述loss损失函数二的计算方法为：
D1.计算添加盲水印后的训练图像与训练图像之间的L1loss的平方，计算时的权重为10；
D2.计算添加盲水印后的训练图像与训练图像之间的L2loss，计算时的权重为204800；
D3.计算添加盲水印后的训练图像与训练图像差异最大13个像素的loss，计算时的权重为13，从而得到loss损失函数二。
6.根据权利要求1所述的基于图像频域的盲水印处理方法，其特征在于：所述图像盲水印匹配步骤中的贝叶斯概率算法具体过程为：
E1、将所述图像解码值分组，得到多个图像解码组；
E2、对每一个图像解码组统计判别为真的数量；
E3、根据先验信息得到的概率分布计算组合的二进制位对应的2进制uuid信息片段解码值；
E4、将2进制uuid信息片段解码值转换为二进制，转换时的阈值为0.5。
7.根据权利要求1所述的基于图像频域的盲水印处理方法，其特征在于：所述步骤S32中，将2进制uuid信息片段解码值在数据库中进行搜索，检索数据库中相近的图像的具体过程为：
F1.对2进制uuid信息片段解码值进行判断，若92％以上信息码位为零，则判断该2进制uuid信息片段解码值对应图像是未经编码的图像；否则进入下一步的判断；
F2.搜索数据库中与2进制uuid信息片段解码值中误差在3位以内的图像进行图像匹配；
F3.步骤F2中没有搜索到匹配图像时，搜索数据库中与2进制uuid信息片段解码值中误差在6位以内的图像进行图像匹配；
F4.当步骤F3没有搜索到结果时，认为数据库中无匹配图像或者图像噪声较大无法搜索到对应图像；
F5.若步骤F2或步骤F3搜索到与2进制uuid信息片段解码值近似的图像uuid，则返回检索图像组。
8.根据权利要求7所述的基于图像频域的盲水印处理方法，其特征在于：所述步骤S32中，所述图像匹配搜索算法的流程为：
G1、从检索图像组中选取一张图像A与输入图像一起缩放到224*224像素尺寸大小，组成匹配图像组；
G2、将匹配图像组输入经过匹配训练的vgg图像匹配网络一，得到第一级图像匹配的布尔值结果；若第一级图像匹配的布尔值结果为假，则直接返回结果，否则进入下一步的判断；
G3、将匹配图像组输入另一个经过匹配训练的vgg图像匹配网络二，得到第二级图像匹配的布尔值结果；若第二级图像匹配的布尔值结果为假，则直接返回结果，否则进入下一步的判断；
G4、将输入图像输入现有的resnet50分类网络，得到一个特征向量，直接计算从检索图像组中选取的图像A对应的匹配向量与输入图像的特征向量之间的L1距离，若L1距离大于等于190则返回假，否则进入下一步的判断；
G5、若输入图像中没有人脸，直接返回真，否则进入下一步的判断；
G6、若输入图像中有人脸，计算输入图像中人脸与从检索图像组中选取的图像A中人脸之间的相似性；若两张图像中有一对人脸的相似性大于0.6，返回为真，否则返回为假；
G7、重复G1-G6步骤，直至遍历完整个检索图像组。
9.根据权利要求1所述的基于图像频域的盲水印处理方法，其特征在于：所述神经网络为图像生成网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210055434.6A CN114418821B (zh) | 2022-01-18 | 2022-01-18 | 基于图像频域的盲水印处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210055434.6A CN114418821B (zh) | 2022-01-18 | 2022-01-18 | 基于图像频域的盲水印处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114418821A true CN114418821A (zh) | 2022-04-29 |
| CN114418821B CN114418821B (zh) | 2024-08-27 |
Family
ID=81272621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210055434.6A Active CN114418821B (zh) | 2022-01-18 | 2022-01-18 | 基于图像频域的盲水印处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114418821B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115880125A (zh) * | 2023-03-02 | 2023-03-31 | 宁波大学科学技术学院 | 基于Transformer的软融合鲁棒图像水印方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829842A (zh) * | 2018-12-20 | 2019-05-31 | 北京以萨技术股份有限公司 | 一种基于频域的添加图像盲水印方法 |
| CN111932432A (zh) * | 2020-10-14 | 2020-11-13 | 腾讯科技（深圳）有限公司 | 盲水印的植入方法、检测方法、装置、设备及存储介质 |
| CN112579985A (zh) * | 2020-12-23 | 2021-03-30 | 合肥高维数据技术有限公司 | 基于频域特征排列的图像数字版权保护方法及系统 |
-
2022
- 2022-01-18 CN CN202210055434.6A patent/CN114418821B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829842A (zh) * | 2018-12-20 | 2019-05-31 | 北京以萨技术股份有限公司 | 一种基于频域的添加图像盲水印方法 |
| CN111932432A (zh) * | 2020-10-14 | 2020-11-13 | 腾讯科技（深圳）有限公司 | 盲水印的植入方法、检测方法、装置、设备及存储介质 |
| CN112579985A (zh) * | 2020-12-23 | 2021-03-30 | 合肥高维数据技术有限公司 | 基于频域特征排列的图像数字版权保护方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘连山, 李人厚, 高琦: "视频数字水印技术综述", 计算机辅助设计与图形学学报, no. 03, 20 March 2005 (2005-03-20) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115880125A (zh) * | 2023-03-02 | 2023-03-31 | 宁波大学科学技术学院 | 基于Transformer的软融合鲁棒图像水印方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114418821B (zh) | 2024-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111028308B (zh) | 一种图像中信息的隐写及读取方法 | |
| CN109993678B (zh) | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 | |
| Ubhi et al. | Neural style transfer for image within images and conditional GANs for destylization | |
| CN113222800A (zh) | 一种基于深度学习的鲁棒图像水印嵌入与提取方法及系统 | |
| CN115660931A (zh) | 基于Transformer和去噪扩散模型的鲁棒水印方法 | |
| CN111340047B (zh) | 基于多尺度特征与前背景对比的图像语义分割方法及系统 | |
| CN111147862B (zh) | 一种基于目标编码的端到端图像压缩方法 | |
| Peng et al. | A robust coverless steganography based on generative adversarial networks and gradient descent approximation | |
| CN112884758B (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统 | |
| CN115619743A (zh) | Oled新型显示器件表面缺陷检测模型的构建方法及其应用 | |
| CN113744153B (zh) | 双分支图像修复伪造检测方法、系统、设备及存储介质 | |
| CN115131188A (zh) | 一种基于生成对抗网络的鲁棒图像水印方法 | |
| Zhao et al. | Detecting deepfake video by learning two-level features with two-stream convolutional neural network | |
| CN107292315B (zh) | 基于多尺度ltp特征的隐写分析方法和隐写分析装置 | |
| CN113781284A (zh) | 一种基于深度注意自编码器的零水印构造方法 | |
| CN116843830A (zh) | 一种基于自监督学习的掩码图像建模算法 | |
| CN114418821B (zh) | 基于图像频域的盲水印处理方法 | |
| CN117522674A (zh) | 一种联合局部和全局信息的图像重建系统及方法 | |
| Duan et al. | Image information hiding method based on image compression and deep neural network | |
| Abdulmunem et al. | Advanced Intelligent Data Hiding Using Video Stego and Convolutional Neural Networks | |
| CN105872304A (zh) | 一种基于载体误差向量的隐写方法 | |
| CN116468638A (zh) | 一种基于生成和鉴别平衡对抗的人脸图像修复方法及系统 | |
| CN114663315B (zh) | 基于语义融合生成对抗网络的图像比特增强方法及装置 | |
| CN115880125A (zh) | 基于Transformer的软融合鲁棒图像水印方法 | |
| CN114900701A (zh) | 一种基于深度学习的视频数字水印嵌入与提取方法及系统 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: No. 1001, 10th floor, No. 65, kejiyuan Road, Hangzhou Economic and Technological Development Zone, Zhejiang Province, 310018 Applicant after: Hangzhou Haima Photography Co.,Ltd. Address before: No. 1001, 10th floor, No. 65, kejiyuan Road, Hangzhou Economic and Technological Development Zone, Zhejiang Province, 310018 Applicant before: Hangzhou manto photography Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |