CN114782239A - 一种基于卷积神经网络的数字水印添加方法及系统 - Google Patents
一种基于卷积神经网络的数字水印添加方法及系统 Download PDFInfo
- Publication number
- CN114782239A CN114782239A CN202210440707.9A CN202210440707A CN114782239A CN 114782239 A CN114782239 A CN 114782239A CN 202210440707 A CN202210440707 A CN 202210440707A CN 114782239 A CN114782239 A CN 114782239A
- Authority
- CN
- China
- Prior art keywords
- watermark
- neural network
- picture
- convolutional neural
- color
- 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.)
- Pending
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
- G06T1/0028—Adaptive watermarking, e.g. Human Visual System [HVS]-based watermarking
- G06T1/0035—Output size adaptive watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开了一种基于卷积神经网络的数字水印添加方法及系统,基于滑动窗口对图像进行扫描,并通过颜色阈值检测获取每张图片的水印添加位置区域,构建训练集;使用所述训练集对预先构建的卷积神经网络模型进行训练,所述模型的输入为图片,输出为与图片对应的水印添加位置区域;使用训练后的卷积神经网络模型对图片的水印添加位置进行预测,并在得到的水印添加位置处添加数字水印。根据图像的颜色阈值动态地确定添加水印的区域,可以在不修改水印算法的情况下明显地提高所加水印的隐匿性,并基于颜色阈值检测算法处理图片构建训练集,通过训练的卷积神经网络对水印添加位置进行自动预测,可以快速准确的找到最适合添加水印的位置。
Description
技术领域
本发明涉及数字水印技术领域,具体涉及一种基于卷积神经网络的数字水印添加方法及系统。
背景技术
在现有添加数字水印的方法中,有一种是在图片的某一区域添加水印,比如图像正中间和四个边角,但是在固定区域添加水印的隐匿性往往较差,如果背景是深色而且颜色不纯则水印不太容易被肉眼看见,即水印的隐匿性比较好,但是当图片的背景颜色为浅色并且颜色较纯的时候,肉眼可以很明显地看到。而且对于一些没有明显的颜色变化的图片,比如天空或者大海的图片,可能整张图片的任何地方都可以添加水印或者任何地方都不适合添加水印,无法快速准确的找到最适合水印添加的位置。
发明内容
为此,本发明提供一种基于卷积神经网络的数字水印添加方法及系统,以解决现有数字水印添加方法存在的水印隐匿性差、无法快速准确的找到最适合水印添加的位置的问题。
为了实现上述目的,本发明提供如下技术方案:
根据本发明实施例的第一方面,提出了一种基于卷积神经网络的数字水印添加方法,所述方法包括:
基于滑动窗口对图像进行扫描,并通过颜色阈值检测获取每张图片的水印添加位置区域,构建训练集;
使用所述训练集对预先构建的卷积神经网络模型进行训练,所述模型的输入为图片,输出为与图片对应的水印添加位置区域;
使用训练后的卷积神经网络模型对图片的水印添加位置进行预测,并在得到的水印添加位置处添加数字水印。
进一步地,基于滑动窗口对图像进行扫描,并通过颜色阈值检测获取每张图片的水印添加位置区域,具体包括:
使用预设大小的滑动窗口从图片的左上角开始按照从左向右、从上到下的顺序移动,每次移动设定步长,并计算每次移动的窗口区域内的颜色均值和方差,根据颜色均值和方差计算窗口区域的颜色分数;
通过阈值检测,获取颜色分数值最高的窗口区域作为水印添加位置。
进一步地,颜色分数的计算具体包括:
取每个像素点的RGB值的均值作为窗口内每个像素点的颜色值V,则V=(R+G+B)/3;
计算窗口内每个像素点的颜色值V,然后计算整个窗口内所有像素点颜色值V的均值和方差,均值记为V',方差记为D,然后计算得到每个窗口区域的颜色分数P=ω1*(255-V')+ω2*D,ω1、ω2为权重。
进一步地,构建训练集,具体包括:
对每张固定大小的图片上所有移动窗口区域的位置进行编号,并获取颜色分数值最高的窗口区域的位置编号i,训练时位置i即为模型的输出。
进一步地,所述卷积神经网络模型的输入为图片,卷积层使用一个预设大小的方块以设定步长扫描图片得到特征图,再通过池化层对特征图中每一个预设大小的方块区域取平均值得到池化后的特征图,然后再通过卷积和池化,经过多次这样的操作后神经网络学到图片更多的语义信息并得到一个向量,该向量经过全连接层后得到输出。
进一步地,在得到的水印添加位置处添加数字水印,具体包括:
数字水印的大小与滑动窗口的大小相同。
根据本发明实施例的第二方面,提出了一种基于卷积神经网络的数字水印添加系统,所述系统包括:
训练集构建模块,用于基于滑动窗口对图像进行扫描,并通过颜色阈值检测获取每张图片的水印添加位置区域,构建训练集;
模型训练模块,用于使用所述训练集对预先构建的卷积神经网络模型进行训练,所述模型的输入为图片,输出为与图片对应的水印添加位置区域;
水印添加模块,用于使用训练后的卷积神经网络模型对图片的水印添加位置进行预测,并在得到的水印添加位置处添加数字水印。
根据本发明实施例的第三方面,提出了一种计算机存储介质,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于被一种基于卷积神经网络的数字水印添加系统执行如上任一项所述的方法。
本发明具有如下优点:
本发明提出的一种基于卷积神经网络的数字水印添加方法及系统,基于滑动窗口对图像进行扫描,并通过颜色阈值检测获取每张图片的水印添加位置区域,构建训练集;使用所述训练集对预先构建的卷积神经网络模型进行训练,所述模型的输入为图片,输出为与图片对应的水印添加位置区域;使用训练后的卷积神经网络模型对图片的水印添加位置进行预测,并在得到的水印添加位置处添加数字水印。根据图像的颜色阈值动态地确定添加水印的区域,可以在不修改水印算法的情况下明显地提高所加水印的隐匿性,并基于颜色阈值检测算法处理图片构建训练集,通过训练的卷积神经网络对水印添加位置进行自动预测,可以快速准确的找到最适合添加水印的位置。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例1提供的一种基于卷积神经网络的数字水印添加方法的流程示意图;
图2为本发明实施例1提供的一种基于卷积神经网络的数字水印添加方法中卷积神经网络模型的结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,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。
实施例1
如图1所示,本实施例提出了一种基于卷积神经网络的数字水印添加方法,所述方法包括:
S100、基于滑动窗口对图像进行扫描,并通过颜色阈值检测获取每张图片的水印添加位置区域,构建训练集;
S200、使用所述训练集对预先构建的卷积神经网络模型进行训练,所述模型的输入为图片,输出为与图片对应的水印添加位置区域;
S300、使用训练后的卷积神经网络模型对图片的水印添加位置进行预测,并在得到的水印添加位置处添加数字水印。
为了提高水印的隐匿性,本实施例提出了基于颜色阈值检测算法的水印添加位置获取方法,具体步骤如下:
1.确定一个128*128大小的滑动窗口;
2.让滑动窗口从图片的左上角开始,从左向右,从上到下移动,每次移动的步长为10像素;
3.每次移动窗口后,计算窗口区域内的颜色均值和方差,因为每个像素点包括RGB三个值,每个值的范围在0-255之间,纯白色是(255,255,255),纯黑色是(0,0,0),这里取RGB的均值作为该像素点的颜色值V,则V=(R+G+B)/3,滑动窗口的大小是128*128,所以该滑动窗口有16384个像素点,计算每个像素点的颜色值V,然后计算整个窗口内部16384个颜色值的均值和方差,均值记为V',方差记为D。
4.得到均值V'和方差D后,计算该滑动窗口区域的颜色分数ω1*(255-V')+ω2*D,ω1、ω2为权重,此处ω1=0.8,ω2为0.2。
5.当滑动窗口经过完整的一张图片时得到的每个区域的颜色分数P,取P值最大的那个区域添加水印即可。
为使整个过程便于理解,举例说明如下:
给一张图片,大小1920*1080,设置128*128的滑动窗口从图片左上角向右下角滑动,每次移动10像素,所以窗口从(0,0)开始先向右平移179次,到达图片的右上角,然后从(0,10)位置开始向右平移179次,到达最右边,按此规律直到扫描完整张图片。窗口水平方向会移动(1920-128)/10=179次,垂直方向会移动(1080-128)/10=95次,每次移动都会计算分数P,所以一共得到179*95=17005个分数P,取P值最大的时候窗口对应的位置作为加水印的位置即可。
通过使用滑动窗口计算均值和方差的方法用于确定添加水印的位置,但是该方法在某些场景下的效果并不是很理想,比如天空或者大海的图片,这种图片并没有明显的颜色变化,可能整张图片的任何地方都可以添加水印或者任何地方都不适合添加水印。同时,颜色分数P的计算方法有时并不能得到比较好的结果,不是每次都能找到最适合添加水印的位置。所以,在本实施例中,提出一种基于深度卷积神经网络算法的数字水印添加方法,具体步骤如下:
1、使用以上提到的阈值检测算法处理图片,对于一张1920*1080的图片,通过一个128*128的滑动窗口每次移动10像素扫描图片,可以得到179*95个窗口位置,对这些位置依次编号(0,1,,,,17004),选出分数P值最大的位置i。
2、按照第一步的方法处理1万张图片,记录每张图片对应的位置i,得到一个包含1万张图片的数据集。
3、搭建一个卷积神经网络,卷积神经网络结构如图2所示。
对于一张输入的图片Input,convolutions(卷积层)的过程是用一个3*3的方块以每次1像素的步长扫描图片,得到特征图feature maps,pooling(池化层)的过程是对特征图feature maps中每一个3*3的方块区域取平均值得到pooled feature maps,然后再通过convolution和pooling,经过多次这样的操作后神经网络可以学到图片更多的语义信息得到一个向量,该向量经过全连接层fully-connected layer最终输出一个output。
4、使用第二步得到的1万张图片的数据集,每张图片作为卷积神经网络的Input,每张图片对应的位置i作为神经网络的output训练该卷积神经网络模型。
5、训练完成后,该模型可以用于预测每张图片的加水印位置,输入一张图片模型会输出一个位置,以该位置作为中心点添加一个128*128大小的水印即可。
实施例2
与上述实施例1相对应的,本实施例提出了一种基于卷积神经网络的数字水印添加系统,所述系统包括:
训练集构建模块,用于基于滑动窗口对图像进行扫描,并通过颜色阈值检测获取每张图片的水印添加位置区域,构建训练集;
模型训练模块,用于使用所述训练集对预先构建的卷积神经网络模型进行训练,所述模型的输入为图片,输出为与图片对应的水印添加位置区域;
水印添加模块,用于使用训练后的卷积神经网络模型对图片的水印添加位置进行预测,并在得到的水印添加位置处添加数字水印。
本发明实施例提供的一种基于卷积神经网络的数字水印添加系统中各部件所执行的功能均已在上述实施例1中做了详细介绍,因此这里不做过多赘述。
实施例3
与上述实施例相对应的,本实施例提出了一种计算机存储介质,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于被一种基于卷积神经网络的数字水印添加系统执行如实施例1所述的方法。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (8)
1.一种基于卷积神经网络的数字水印添加方法,其特征在于,所述方法包括:
基于滑动窗口对图像进行扫描,并通过颜色阈值检测获取每张图片的水印添加位置区域,构建训练集;
使用所述训练集对预先构建的卷积神经网络模型进行训练,所述模型的输入为图片,输出为与图片对应的水印添加位置区域;
使用训练后的卷积神经网络模型对图片的水印添加位置进行预测,并在得到的水印添加位置处添加数字水印。
2.根据权利要求1所述的一种基于卷积神经网络的数字水印添加方法,其特征在于,基于滑动窗口对图像进行扫描,并通过颜色阈值检测获取每张图片的水印添加位置区域,具体包括:
使用预设大小的滑动窗口从图片的左上角开始按照从左向右、从上到下的顺序移动,每次移动设定步长,并计算每次移动的窗口区域内的颜色均值和方差,根据颜色均值和方差计算窗口区域的颜色分数;
通过阈值检测,获取颜色分数值最高的窗口区域作为水印添加位置。
3.根据权利要求2所述的一种基于卷积神经网络的数字水印添加方法,其特征在于,颜色分数的计算具体包括:
取每个像素点的RGB值的均值作为窗口内每个像素点的颜色值V,则V=(R+G+B)/3;
计算窗口内每个像素点的颜色值V,然后计算整个窗口内所有像素点颜色值V的均值和方差,均值记为V',方差记为D,然后计算得到每个窗口区域的颜色分数P=ω1*(255-V')+ω2*D,ω1、ω2为权重。
4.根据权利要求2所述的一种基于卷积神经网络的数字水印添加方法,其特征在于,构建训练集,具体包括:
对每张固定大小的图片上所有移动窗口区域的位置进行编号,并获取颜色分数值最高的窗口区域的位置编号i,训练时位置i即为模型的输出。
5.根据权利要求1所述的一种基于卷积神经网络的数字水印添加方法,其特征在于,所述卷积神经网络模型的输入为图片,卷积层使用一个预设大小的方块以设定步长扫描图片得到特征图,再通过池化层对特征图中每一个预设大小的方块区域取平均值得到池化后的特征图,然后再通过卷积和池化,经过多次这样的操作后神经网络学到图片更多的语义信息并得到一个向量,该向量经过全连接层后得到输出。
6.根据权利要求1所述的一种基于卷积神经网络的数字水印添加方法,其特征在于,在得到的水印添加位置处添加数字水印,具体包括:
数字水印的大小与滑动窗口的大小相同。
7.一种基于卷积神经网络的数字水印添加系统,其特征在于,所述系统包括:
训练集构建模块,用于基于滑动窗口对图像进行扫描,并通过颜色阈值检测获取每张图片的水印添加位置区域,构建训练集;
模型训练模块,用于使用所述训练集对预先构建的卷积神经网络模型进行训练,所述模型的输入为图片,输出为与图片对应的水印添加位置区域;
水印添加模块,用于使用训练后的卷积神经网络模型对图片的水印添加位置进行预测,并在得到的水印添加位置处添加数字水印。
8.一种计算机存储介质,其特征在于,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于被一种基于卷积神经网络的数字水印添加系统执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210440707.9A CN114782239A (zh) | 2022-04-25 | 2022-04-25 | 一种基于卷积神经网络的数字水印添加方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210440707.9A CN114782239A (zh) | 2022-04-25 | 2022-04-25 | 一种基于卷积神经网络的数字水印添加方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114782239A true CN114782239A (zh) | 2022-07-22 |
Family
ID=82433737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210440707.9A Pending CN114782239A (zh) | 2022-04-25 | 2022-04-25 | 一种基于卷积神经网络的数字水印添加方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782239A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984082A (zh) * | 2023-03-21 | 2023-04-18 | 杭州虎符网络有限公司 | 暗水印添加和提取方法、装置、存储介质和终端 |
-
2022
- 2022-04-25 CN CN202210440707.9A patent/CN114782239A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984082A (zh) * | 2023-03-21 | 2023-04-18 | 杭州虎符网络有限公司 | 暗水印添加和提取方法、装置、存储介质和终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292264B (zh) | 一种基于深度学习的图像高动态范围重建方法 | |
CN112348815B (zh) | 图像处理方法、图像处理装置以及非瞬时性存储介质 | |
CN104517110B (zh) | 一种二维码图像的二值化方法及系统 | |
CN112084859B (zh) | 一种基于稠密边界块和注意力机制的建筑物分割方法 | |
JP2000149018A (ja) | 画像処理方法、画像処理装置及び記録媒体 | |
CN110335330B (zh) | 图像模拟生成方法及其系统、深度学习算法训练方法及电子设备 | |
CN108960280B (zh) | 一种图片相似度检测方法及系统 | |
CN114863236A (zh) | 基于双重注意力机制的图像目标检测方法 | |
CN112215859B (zh) | 一种基于深度学习和邻接约束的纹理边界检测方法 | |
CN110751157B (zh) | 图像显著性分割、图像显著性模型训练方法及装置 | |
CN114782239A (zh) | 一种基于卷积神经网络的数字水印添加方法及系统 | |
CN116645592A (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
CN113205507B (zh) | 一种视觉问答方法、系统及服务器 | |
JP2021189527A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN115345895B (zh) | 用于视觉检测的图像分割方法、装置、计算机设备及介质 | |
CN110599532A (zh) | 图像的深度估计模型优化、深度估计处理方法及装置 | |
CN112164078B (zh) | 基于编码器-解码器的rgb-d多尺度语义分割方法 | |
CN114862707A (zh) | 一种多尺度特征恢复图像增强方法、装置及存储介质 | |
CN112258561A (zh) | 针对图像拼接的匹配点获取方法 | |
CN117474932B (zh) | 对象分割方法和装置、电子设备及存储介质 | |
Wachira et al. | A raspberry-pi centred quasi-flipped learning model to trigger creative-thinking in electrical engineering students | |
CN116824183B (zh) | 基于多重特征描述符的图像特征匹配方法和装置 | |
CN117575976B (zh) | 图像阴影的处理方法、装置、设备及存储介质 | |
CN112837367B (zh) | 语义分解式物体位姿估计方法及系统 | |
CN116452965A (zh) | 一种基于声光融合的水下目标检测识别方法 |
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 |