CN114862648B - 采用a、b两种文档进行交叉水印加密的文档 - Google Patents

采用a、b两种文档进行交叉水印加密的文档 Download PDF

Info

Publication number
CN114862648B
CN114862648B CN202210586546.4A CN202210586546A CN114862648B CN 114862648 B CN114862648 B CN 114862648B CN 202210586546 A CN202210586546 A CN 202210586546A CN 114862648 B CN114862648 B CN 114862648B
Authority
CN
China
Prior art keywords
image
text
feature
queena
network model
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
CN202210586546.4A
Other languages
English (en)
Other versions
CN114862648A (zh
Inventor
李宁
常杰
李静
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.)
Forest Fantasy Taiyuan Digital Technology Co ltd
Original Assignee
Jincheng Darui Jinma Engineering Design Consulting Co ltd
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 Jincheng Darui Jinma Engineering Design Consulting Co ltd filed Critical Jincheng Darui Jinma Engineering Design Consulting Co ltd
Priority to CN202210586546.4A priority Critical patent/CN114862648B/zh
Publication of CN114862648A publication Critical patent/CN114862648A/zh
Application granted granted Critical
Publication of CN114862648B publication Critical patent/CN114862648B/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
    • G06T1/0028—Adaptive watermarking, e.g. Human Visual System [HVS]-based watermarking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/10—Protecting distributed programs or content, e.g. vending or licensing of copyrighted material ; Digital rights management [DRM]
    • G06F21/16—Program or content traceability, e.g. by 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Technology Law (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Editing Of Facsimile Originals (AREA)

Abstract

本发明公开了采用A、B两种文档进行交叉水印加密的文档，包括文本图像预处理模块、Queena网络模型、文本A内容损失函数计算模块、文本B内容损失计算模块模型、总内容损失计算模块、反向传播优化模块和融合输出模块，本发明属于图像识别技术领域，具体是指一种采用A、B两种文档进行交叉水印加密的文档。通过调整Queena网络模型中的超参数可以自行调整水印嵌入强度，使用Photoshop等制图软件很难将水印去除，Queena网络模型方便部署，可实时观察嵌入中间过程的结果，在验证图像是否被修改时，只需再次计算出总的损失值Lall是否大于给定阈值T，即可快速判断出图像是否被修改，若Lall小于等于设定阈值T，则表明文本图像未被修改。

Description

采用A、B两种文档进行交叉水印加密的文档
技术领域
发明属于图像识别技术领域，具体是指采用A、B两种文档进行交叉水印加密的文档。
背景技术
数字图像水印技术是指将水印信息嵌入到宿主图像中，同时保证嵌入的水印具有不可感知性，安全性和一定的鲁棒性；而传统意义的文本水印，是指将特定信息加载到原始文本中，要求文本水印具有一定的可感知性，而对原始文本具有一定程度的破坏，以增加对文本的阅读障碍，目前已经提出了很多种文本水印，但是传统的基于图像的文本水印嵌入强度无法进行自适应的调整，传统的文本水印也很容易利用Photoshop等软件进行修改。
发明内容
（一）要解决的技术问题
为解决现有技术的上述问题，本发明提供采用A、B两种文档进行交叉水印加密的文档，其目的在于解决：
（1）传统的基于图像的文本水印嵌入强度无法进行自适应的调整；
（2）传统的基于图像的文本水印容易使用制图软件轻松修改；
（3）传统方法在进行嵌入文本水印时占用内存大，消耗时间长，且不能实时对嵌入过程中的中间结果进行实时观察；
（4）传统的基于图像的文本水印难以验证图像是否被修改。
（二）技术方案
为了达到上述目的，本发明采用的一种技术方案为：采用A、B两种文档进行交叉水印加密的文档，包括原始文本A、原始文本B、图像文本P、图像文本C、文本图像预处理模块、Queena网络模型、文本A内容损失函数计算模块、文本B内容损失计算模块模型、总内容损失计算模块、反向传播优化模块和融合输出模块，原始文本A是待加入水印的文本，原始文本B是作为水印的文本，图像文本C是将原始文本B嵌入到原始文本A后得到的最终水印文本，由于PDF格式是最为普遍的交流和传播的文本格式，因此原始文本A和原始文本B均采用PDF格式。
（1）文本图像预处理模块对PDF格式的原始文本进行分页、格式转换、图像锐化和增加图像对比度，将原始的PDF文本转化为图像并进行图像增强从而进行后续处理。
（2）Queena网络模型包括抽取深度特征、通道合并、上采样、尺度压缩、尺度缩减和组合卷积；所述抽取深度特征包括特征搜集、特征采集和特征提取，搭建Queena网络模型的具体步骤如下：
1）将图像依次经过特征搜集、特征采集和特征提取分别得到尺寸为40×40×512、20×20×256和尺寸为10×10×256的特征图像，分别记为特征图像P0、特征图像P1和特征图像P2，特征图像P0、P1和P2为三种不同深度的特征图像；
2）将特征图像P2进行上采样操作，得到尺寸为20×20×256的特征图像P3，此时特征图像P3和特征图像P1具有相同的图像宽度和图像高度，将特征图像P1与特征图像P3进行通道合并操作，得到尺寸为20×20×512的特征图像P4；
3）对特征图像P4进行尺度压缩操作，得到尺寸为2×2×128的特征图像P5，对特征图像P2进行尺度缩减操作，得到尺寸为2×2×128的特征图像P6；
4）将特征图像P5和特征图像P6进行通道合并得到尺寸为2×2×256的特征图像P7；
5）对特征图像P7进行组合卷积操作得到尺寸为2×2×128的特征图像P8；
所述特征搜集包含卷积和C3特征提取两种操作，所述卷积包含一次图像卷积、一次正则化和一次函数激活；所述C3特征提取包含卷积、BottleNeck和通道合并，其中BottleNeck本质为一种残差结构。
（3）文本A内容损失函数计算模块，图像文本A与嵌入水印之后的图像本文C在内容上应尽可能保持一致，那么在图像文本A与图像文本C经过Queena网络模型后得到的特征图像也具有一致性，这种一致程度使用一个函数L contentA来表达，图像文本A内容损失值将每层特征图像的每个像素之间的差异转化为一个实数来表达。
（4）文本B内容损失计算模块模型，图像文本B与嵌入水印之后的图像本文C在内容上应尽可能保持一致，那么在图像文本B与图像文本C经过Queena网络模型后得到的特征图像也具有一致性，这种一致程度使用函数L contentB来表达，图像文本B内容损失值将每层特征图像的每个像素之间的差异转化为一个实数来表达。
（5）总内容损失计算模块，用于计算总的内容损失L all，计算公式如下：
Figure 330995DEST_PATH_IMAGE001
上式中L all为总的内容损失值，m为计算L contentA时使用的特征图像的层数，n为计算L contentB时使用的特征图像的层数，α和β代表加权系数。
（6）反向传播优化模块，求出总的损失值L all相对于图像文本P的梯度，利用梯度下降算法对输入到Queena网络模型的图像文本P进行迭代更新得到最终的图像文本P_out。
（7）融合输出模块，对图像文本A进行归一化操作得到图像文本P_norm，将图像文本P_norm与图像文本P_out所对应的矩阵加权求和，得到最终输出结果图像文本C。
具体使用步骤如下：
S1、将待处理的原始文本A和原始文本B分别经过文本图像预处理模块进行处理，分别得到图像文本A和图像文本B，将文本转换为一张一张的文本图像，将经过文本图像预处理模块处理后的图像文本A加入高斯噪声得到图像文本P；
S2、将图像文本A、图像文本P和图像文本B输入到Queena网络模型中，反向传播优化模块将总内容损失计算模块计算的总的容损失L all对图像文本P进行迭代更新，最终得到图像文本P_out；
S3、对图像文本A进行归一化处理得到图像文本P_norm；
S4、将图像文本P_out和图像文本P_norm加权求和得到最终图像文本C；
S5、在进行水印修改判断时需将待检测的图像文本输入到Queena网络模型，并计算出总的损失值L all，若L all为大于设定阈值T，则表明图像文本已被修改，若Lall小于设定阈值T，则表明文本图像未被修改。
（三）有益效果
（1）通过调整Queena网络模型中的超参数（权重系数）α和β，以及通过调整融合输出模块的加权系数µ和ξ，可以自行调整水印嵌入强度。
（2）通过Queena网络模型对文本图像的调整是通过卷积的反向传播实现的，所以水印的加入是全局的，使用Photoshop等制图软件很难将水印去除。
（3）Queena网络模型可方便的部署在CPU和GPU设备上，同时方便的利用Tensorflow的API接口使算法运行在多台设备上，采用分布式计算快速得到水印文本。
（4）由于采用迭代更新的方式，嵌入过程中的中间结果（每次迭代的结果）可以进行实时观察，当满足预期要求时即可终止运算。
（5）在验证图像是否被修改时，只需再次计算出总的损失值L all是否大于给定阈值T，即可快速判断出图像是否被修改；若L all为大于设定阈值T，则表明文本图像已被修改，若Lall小于等于设定阈值T，则表明文本图像未被修改。
附图说明
图1为本发明提出的采用A、B两种文档进行交叉水印加密的文档的计算流程图；
图2为本发明提出的Queena网络模型的结构示意图；
图3为利用Queena网络模型对图像文本P进行迭代更新的示意图；
图4为图2中特征搜集的流程图；
图5为图2中特征采集的流程图；
图6为图2中特征提取的流程图；
图7为图2中C3特征提取的流程图；
图8为特征采集中的SPPF的流程图；
图9为图2中上采样的流程图；
图10为图2中尺度压缩的流程图；
图11为图2中尺度缩减的流程图；
图12为图2中组合卷积的流程图。
其中，1、原始文本A，2、原始文本B，3、文本图像预处理模块，4、图像文本A，5、图像文本B，6、图像文本P，7、Queena网络模型，8、图像文本P_norm，9、图像文本P_out，10、图像文本C，11、抽取深度特征，12、通道合并，13、上采样，14、尺度压缩，15、尺度缩减，16、组合卷积，17、特征搜集，18、特征采集，19、特征提取，20、C3特征提取，21、SPPF。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
本发明，采用A、B两种文档进行交叉水印加密的文档，包括原始文本A、原始文本B、图像文本P、图像文本C、文本图像预处理模块、Queena网络模型、文本A内容损失函数计算模块、文本B内容损失计算模块模型、总内容损失计算模块、反向传播优化模块和融合输出模块，原始文本A是待加入水印的文本，原始文本B是作为水印的文本，图像文本C是将原始文本B嵌入到原始文本A后得到的最终水印文本，由于PDF格式是最为普遍的交流和传播的文本格式，因此原始文本A和原始文本B均采用PDF格式。
（1）文本图像预处理模块对PDF格式的原始文本进行分页、格式转换、图像锐化和增加图像对比度，将原始文本转化为图像并进行图像增强从而进行后续处理。
（2）Queena网络模型包括抽取深度特征、通道合并、上采样、尺度压缩、尺度缩减和组合卷积；所述抽取深度特征包括特征搜集、特征采集和特征提取，搭建Queena网络模型的具体步骤如下：
1）将图像依次经过特征搜集、特征采集和特征提取分别得到尺寸为40×40×512、20×20×256和尺寸为10×10×256的特征图像，分别记为特征图像P0、特征图像P1和特征图像P2，特征图像P0、P1和P2为三种不同深度的特征图像；
2）将特征图像P2进行上采样操作，得到尺寸为20×20×256的特征图像P3，此时特征图像P3和特征图像P1具有相同的图像宽度和图像高度，将特征图像P1与特征图像P3进行通道合并操作，得到尺寸为20×20×512的特征图像P4；
3）对特征图像P4进行尺度压缩操作，得到尺寸为2×2×128的特征图像P5，对特征图像P2进行尺度缩减操作，得到尺寸为2×2×128的特征图像P6；
4）将特征图像P5和特征图像P6进行通道合并得到尺寸为2×2×256的特征图像P7；
5）对特征图像P7进行组合卷积操作得到尺寸为2×2×128的特征图像P8；
所述特征搜集包含卷积和C3特征提取两种操作，所述卷积包含一次图像卷积、一次正则化和一次函数激活，以卷积核大小为5×5为例说明深度图像的卷积计算公式：
Figure 137277DEST_PATH_IMAGE002
上式中，卷积核的通道数与原图像的通道数相等，Q(x,y)代表卷积后新图像在坐标x和y处的像素值，P(x,y,z)代表z通道处原图像在坐标(x,y)处的值，K(x,y,z)代表在z通道处卷积核在坐标(x,y)处的值，n代表原图像的总通道个数；
所述C3特征提取包含卷积、BottleNeck和通道合并，其中BottleNeck本质为一种残差结构，计算公式为：
Figure 577485DEST_PATH_IMAGE003
上式中，X表示输入到BottleNeck中的特征图像，Q 1(X)表示1×1卷积，对应的卷积核的通道数目与X的通道数目一致；Q 3(X)表示将3×3卷积，对应的卷积核的通道数目与输入图像X的通道数目一致，Q(X)表示BottleNeck的输出图像。
（3）文本A内容损失函数计算模块，图像文本A与嵌入水印之后的图像本文C在内容上尽可能保持一致，那么在图像文本A与图像文本C经过Queena网络模型后得到的特征图像也应具有一致性，这种一致程度使用函数L contentA表达，具体表达式为：
Figure 443810DEST_PATH_IMAGE004
上式中，E l 表示图像文本A输入到Queena网络模型中的第l层特征图像，P l 表示图像文本A输入到Queena网络模型中的第l层图像，i和j分别表示像素所在的行与列，m表示共选取n层特征图像计算总的内容损失，L contentA表示图像文本A内容损失值，图像文本A内容损失值将每层特征图像的每个像素之间的差异转化为一个实数来表达。
（4）文本B内容损失计算模块模型，图像文本B与嵌入水印之后的本文C在内容上尽可能保持一致，那么在图像文本B与图像文本C经过Queena网络模型后得到的特征图像也应具有一致性，这种一致程度使用函数L contentB来表达，具体表达式为：
Figure 454623DEST_PATH_IMAGE005
上式中，F l 表示图像文本B输入到Queena网络模型中的第l层特征图像，P l 表示图像文本A输入到Queena网络模型中的第l层图像，i和j分别表示像素所在的行与列，n表示共选取n层特征图像计算总的内容损失，L contentB表示图像文本B内容损失值，图像文本B内容损失值将每层特征图像的每个像素之间的差异转化为一个实数来表达。
（5）总内容损失计算模块，用于计算总的内容损失L all，计算公式如下：
Figure 267858DEST_PATH_IMAGE006
上式中L all为总的内容损失值，m为计算L contentA时使用的特征图像的层数，n为计算L contentB时使用的特征图像的层数，α和β代表加权系数。
（6）反向传播优化模块，求出总的损失值L all相对于图像文本P的梯度，利用梯度下降算法对输入到Queena网络模型的图像文本P进行迭代更新得到图像文本P_out，具体计算公式为：
Figure 296994DEST_PATH_IMAGE007
上式中，P i,j,z表示图像文本P对应图像的在通道为z、横坐标为x纵坐标为y处的像素值，λ为学习率。
（7）融合输出模块，对图像文本A进行归一化操作得到图像文本P_norm，将图像文本P_norm与图像文本P_out所对应的矩阵加权求和，得到最终输出结果图像文本C，具体公式如下：
Figure 865378DEST_PATH_IMAGE008
上式中，µ和ξ为加权系数，C表示图像文本C。
具体使用步骤如下：
S1、将待处理的原始文本A和原始文本B分别经过文本图像预处理模块进行处理，分别得到图像文本A和图像文本B，将原始的PDF文本转换为一张一张的文本图像，将经过文本图像预处理模块处理后的图像文本A加入高斯噪声得到图像文本P；
S2、将图像文本A、图像文本P和图像文本B输入到Queena网络模型中，反向传播优化模块将总内容损失计算模块计算的总的容损失值L all对图像文本P进行迭代更新，最终得到图像文本P_out；
S3、对图像文本A进行归一化处理得到图像文本P_norm；
S4、将图像文本P_out和图像文本P_norm加权求和得到最终图像文本C；
S5、在进行水印修改判断时需将待检测的文本输入到Queena网络模型，并计算出
总的损失值L all，若L all为大于设定阈值T，则表明文本图像已被修改，若Lall小于等于设定阈值T，则表明文本图像未被修改。
以上便是本发明具体的工作流程，下次使用时重复此步骤即可。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (4)

1.采用A、B两种文档进行交叉水印加密的文档，其特征在于：包括原始文本A（1）、原始文本B（2）、图像文本P（6）、图像文本C（10）、文本图像预处理模块（3）、Queena网络模型（7）、文本A内容损失函数计算模块、文本B内容损失计算模块模型、总内容损失计算模块、反向传播优化模块和融合输出模块，原始文本A（1）是待加入水印的文本，原始文本B（2）是作为水印的文本，图像文本C（10）是将原始文本B（2）嵌入到原始文本A（1）后得到的最终水印文本，由于PDF格式是最为普遍的交流和传播的文本格式，因此原始文本A（1）和原始文本B（2）均为PDF格式；
1）文本图像预处理模块（3）对PDF格式的原始文本进行分页、格式转换、图像锐化和增加图像对比度，将原始文本A（1）和原始文本B（2）分别转化为图像文本A（4）和图像文本B（5）；
2）Queena网络模型（7）包括抽取深度特征（11）、通道合并（12）、上采样（13）、尺度压缩（14）、尺度缩减（15）和组合卷积（16）；所述抽取深度特征（11）包括特征搜集（17）、特征采集（18）和特征提取（19）；
3）文本A内容损失函数计算模块，图像文本A（4）与嵌入水印之后的图像文本C（10）在内容上基本一致，那么在图像文本A（4）与图像文本C（10）经过Queena网络模型（7）后得到的特征图像也基本一致，这种一致程度使用函数LcontentA来表达，具体表达式为：
Figure 112480DEST_PATH_IMAGE001
上式中，E l 表示图像文本A（4）输入到Queena网络模型（7）中的第l层特征图像，P l 表示图像文本A（4）输入到Queena网络模型（7）中的第l层图像，i和j分别表示像素所在的行与列，m表示共选取n层特征图像计算总的内容损失，LcontentA表示图像文本A（4）内容损失值，图像文本A（4）内容损失值将每层特征图像的每个像素之间的差异转化为一个实数来表达；
4）文本B内容损失计算模块模型，图像文本B（5）与嵌入水印之后的图像文本C（10）在内容上也基本一致，那么在图像文本B（5）与图像文本C（10）经过Queena网络模型（7）后得到的特征图像也基本一致，这种一致程度使用函数LcontentB来表达，具体表达式为：
Figure 542455DEST_PATH_IMAGE002
上式中，F l 表示图像文本B（5）输入到Queena网络模型（7）中的第l层特征图像，Pl表示图像文本A（4）输入到Queena网络模型（7）中的第l层图像，i和j分别表示像素所在的行与列，n表示共选取n层特征图像计算总的内容损失，LcontentB表示图像文本B（5）内容损失值，图像文本B（5）内容损失值将每层特征图像的每个像素之间的差异转化为一个实数来表达；
5）总内容损失计算模块，用于计算总的内容损失Lall，计算公式如下：
Figure 426098DEST_PATH_IMAGE003
上式中Lall为总的内容损失值，m为计算LcontentA时使用的特征图像的层数，n为计算LcontentB时使用的特征图像的层数，α和β代表加权系数；
6）反向传播优化模块，求出总的损失值Lall相对于图像文本P（6）的梯度，利用梯度下降算法对输入到Queena网络模型（7）的图像文本P（6）进行迭代更新得到的最终结果为图像文本P_out（9），具体计算公式为：
Figure 103067DEST_PATH_IMAGE004
上式中，Pi,j,z表示图像文本P（6）对应图像的在通道为z、横坐标为x纵坐标为y处的像素值，λ为学习率；
7）融合输出模块，对图像文本A（4）进行归一化操作得到图像文本P_norm（8），将图像文本P_out（9）与图像文本P_norm（8）所对应的矩阵加权求和，得到最终输出结果图像文本C（10），具体公式如下：
Figure 72160DEST_PATH_IMAGE005
上式中，µ和ξ为加权系数，C为文本图像C（10）。
2.根据权利要求1所述的采用A、B两种文档进行交叉水印加密的文档，其特征在于：所述Queena网络模型（7）的搭建步骤如下：
1）将图像依次经过特征搜集（17）、特征采集（18）和特征提取（19）分别得到尺寸为40×40×512、20×20×256和尺寸为10×10×256的特征图像，分别记为特征图像P0、特征图像P1和特征图像P2，特征图像P0、P1和P2为三种不同深度的特征图像；
2）将特征图像P2进行上采样（13）操作，得到尺寸为20×20×256的特征图像P3，此时特征图像P3和特征图像P1具有相同的图像宽度和图像高度，将特征图像P1与特征图像P3进行通道合并（12）操作，得到尺寸为20×20×512的特征图像P4；
3）对特征图像P4进行尺度压缩（14）操作，得到尺寸为2×2×128的特征图像P5，对特征图像P2进行尺度缩减（15）操作，得到尺寸为2×2×128的特征图像P6；
4）将特征图像P5和特征图像P6进行通道合并（12）得到尺寸为2×2×256的特征图像P7；
5）对特征图像P7进行组合卷积（16）操作得到尺寸为2×2×128的特征图像P8。
3.根据权利要求2所述的采用A、B两种文档进行交叉水印加密的文档，其特征在于：所述特征搜集（17）包含卷积和C3特征提取（20），所述卷积包含一次图像卷积、一次正则化和一次函数激活，以卷积核大小为5×5为例说明深度图像的卷积计算公式：
Figure 23935DEST_PATH_IMAGE006
上式中，卷积核的通道数与原图像的通道数相等，Q(x,y)代表卷积后新图像在坐标x和y处的像素值，P(x,y,z)代表z通道处原图像在坐标(x,y)处的值，K(x,y,z)代表在z通道处卷积核在坐标(x,y)处的值，n代表原图像的总通道个数。
4.根据权利要求3所述的采用A、B两种文档进行交叉水印加密的文档，其特征在于：所述C3特征提取（20）包含卷积、BottleNeck和通道合并（12），其中BottleNeck本质为一种残差结构，计算公式为：
Figure 605544DEST_PATH_IMAGE007
上式中，X表示输入到BottleNeck中的特征图像，Q1(X)表示1×1卷积，卷积核的通道数目与X的通道数目一致，Q3(X)表示将3×3卷积，卷积核的通道数目与输入图像X的通道数目一致，Q(X)表示BottleNeck的输出图像。
CN202210586546.4A 2022-05-27 2022-05-27 采用a、b两种文档进行交叉水印加密的文档 Active CN114862648B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210586546.4A CN114862648B (zh) 2022-05-27 2022-05-27 采用a、b两种文档进行交叉水印加密的文档

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210586546.4A CN114862648B (zh) 2022-05-27 2022-05-27 采用a、b两种文档进行交叉水印加密的文档

Publications (2)

Publication Number Publication Date
CN114862648A CN114862648A (zh) 2022-08-05
CN114862648B true CN114862648B (zh) 2023-06-20

Family

ID=82641518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210586546.4A Active CN114862648B (zh) 2022-05-27 2022-05-27 采用a、b两种文档进行交叉水印加密的文档

Country Status (1)

Country Link
CN (1) CN114862648B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263610A (zh) * 2019-02-28 2019-09-20 重庆大学 一种基于深度学习的退化文档图像二值化方法及系统
CN113177556A (zh) * 2021-03-18 2021-07-27 作业帮教育科技（北京）有限公司 一种文本图像增强模型、训练方法、增强方法及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549893B (zh) * 2018-04-04 2020-03-31 华中科技大学 一种任意形状的场景文本端到端识别方法
CN113222800B (zh) * 2021-04-12 2023-07-07 国网江苏省电力有限公司营销服务中心 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
CN113779643B (zh) * 2021-09-24 2022-07-01 重庆傲雄在线信息技术有限公司 基于预训练技术的签名笔迹识别系统、方法及存储介质
CN113658032B (zh) * 2021-10-20 2022-02-18 广东迅维信息产业股份有限公司 基于深度学习和图像处理的图像水印加解密方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263610A (zh) * 2019-02-28 2019-09-20 重庆大学 一种基于深度学习的退化文档图像二值化方法及系统
CN113177556A (zh) * 2021-03-18 2021-07-27 作业帮教育科技（北京）有限公司 一种文本图像增强模型、训练方法、增强方法及电子设备

Also Published As

Publication number Publication date
CN114862648A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN113222800B (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
CN113096017B (zh) 基于深度坐标注意力网络模型的图像超分辨率重建方法
CN107123089A (zh) 基于深度卷积网络的遥感图像超分辨重建方法及系统
CN108280797B (zh) 一种基于纹理复杂度和jnd模型的图像数字水印算法系统
CN102880998B (zh) 水印图像的提取方法
CN110349087B (zh) 基于适应性卷积的rgb-d图像高质量网格生成方法
CN112862655B (zh) 一种基于通道空间注意力机制的jpeg图像隐写分析方法
CN115131188A (zh) 一种基于生成对抗网络的鲁棒图像水印方法
CN106228501A (zh) 一种基于整数变换的自适应可逆数字水印方法
CN113298689B (zh) 一种大容量图像隐写方法
CN112634120A (zh) 基于cnn预测的图像可逆水印方法
CN104899821A (zh) 一种用于文档类图像可视水印的擦除方法
Zhang et al. Reversibility improved data hiding in 3D mesh models using prediction-error expansion and sorting
CN113256494A (zh) 一种文本图像超分辨率方法
CN102880997B (zh) 水印图像的嵌入和提取方法
CN117079083A (zh) 图像修复模型训练方法、装置、电子设备及存储介质
CN104952051A (zh) 基于高斯混合模型的低秩图像修复方法
CN114862648B (zh) 采用a、b两种文档进行交叉水印加密的文档
CN118397367A (zh) 一种基于卷积视觉Mamba的篡改检测方法
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
CN117314751A (zh) 一种基于生成式对抗网络的遥感图像超分辨率重建方法
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
CN113538199B (zh) 一种基于多层感知卷积和通道加权的图像隐写检测方法
Mei et al. A robust blind watermarking scheme based on attention mechanism and neural joint source-channel coding
Najeeb New Techniques of Watermark Images using Bit Plane Slicing and Cubic-spline Interpolation

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
TR01 Transfer of patent right

Effective date of registration: 20240124

Address after: Room 0606, 6th Floor, Building A, Berlin International Business Center, No. 85 Binhe West Road, Wanbailin District, Taiyuan City, Shanxi Province, 030024

Patentee after: Forest Fantasy (Taiyuan) Digital Technology Co.,Ltd.

Country or region after: China

Address before: 048000 Room 302, unit 2, building 5, Agricultural Bank of China residential area, Nancheng District, Xinshi East Street, Jincheng Development Zone, Shanxi Province

Patentee before: Jincheng Darui Jinma Engineering Design Consulting Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right