CN115293949B - 一种图像加密方法 - Google Patents

一种图像加密方法 Download PDF

Info

Publication number
CN115293949B
CN115293949B CN202210832369.3A CN202210832369A CN115293949B CN 115293949 B CN115293949 B CN 115293949B CN 202210832369 A CN202210832369 A CN 202210832369A CN 115293949 B CN115293949 B CN 115293949B
Authority
CN
China
Prior art keywords
attention
discrete
area
pixel point
interest
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
CN202210832369.3A
Other languages
English (en)
Other versions
CN115293949A (zh
Inventor
陈翔
李咏闻
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.)
Zhongji Safety Technology Co ltd
Original Assignee
Zhongji Safety Technology 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 Zhongji Safety Technology Co ltd filed Critical Zhongji Safety Technology Co ltd
Priority to CN202210832369.3A priority Critical patent/CN115293949B/zh
Publication of CN115293949A publication Critical patent/CN115293949A/zh
Application granted granted Critical
Publication of CN115293949B publication Critical patent/CN115293949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Technology Law (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Editing Of Facsimile Originals (AREA)

Abstract

本发明涉及数据加密技术领域，具体涉及一种图像加密方法，包括：获取原始图像的注意力热图，对该注意力热图进行相应的数据处理和识别，从而得到注意力热图中的各个关注区域、各个离散关注像素点以及各个离散关注像素点所属的关注区域，进而得到各个关注区域对应的粗选址偏向值以及各个离散关注像素点对应的细选址偏向值，进一步得到各个离散关注像素点的具体选址偏向值，从而确定各个目标离散关注像素点，并根据各个目标离散关注像素点和嵌入水印的类型，确定嵌入水印的数目和位置，以实现对原始图像的加密。由于本发明可以自适应确定嵌入水印的目标离散关注像素点，增加了水印破解难度，有效解决了加密后的图像容易被批量破解的问题。

Description

一种图像加密方法
技术领域
本发明涉及数据加密技术领域，具体涉及一种图像加密方法。
背景技术
现今互联网平台对网络知识产权的保护意识仍然比较低，网络知识产权大致分为文学作品、音乐作品以及影像作品。相比于后者，前两者的发行要求和标准都较高，而影像作品门槛较低，因此更容易遭遇侵权问题。大到电影，小到摄影相片，只要是原创作品都应受到保护。譬如很多摄影作者将拍摄制作的影像或图片发布在相关网页、网络平台上进行展示、售卖，最常见的就数创意封面、风景壁纸等。最常用保护影像作品的方式就是对其统一嵌入水印进行加密处理。
但现有的水印加密算法都比较固定，水印嵌入方式简单，嵌入痕迹明显，甚至嵌入位置也破绽百出，要么统一嵌入边角处，要么自定义嵌入致使图像面目全非。这种固定模式的加密方法很轻易就会被恶意破解，而且还是批量破解，这极大可能导致原创图像作品被大范围非法转发。
发明内容
本发明的目的在于提供一种图像加密方法，用于解决现有的水印加密算法简单进而导致加密后的图像容易被批量破解的问题。
为解决上述技术问题，本发明提供了一种图像加密方法，包括以下步骤：
获取待加密的原始图像，进而获取原始图像的注意力热图；
根据注意力热图中各个像素点的亮度值，确定注意力热图中的各个关注像素点，并根据注意力热图中的各个关注像素点的位置，确定注意力热图中的各个关注区域；
根据各个关注区域，确定关注区域范围模板，并根据所述关注区域范围模板，确定各个关注区域对应的参考范围区域；
根据各个关注区域以及各个关注区域对应的参考范围区域，确定各个关注区域对应的相邻关注区域的数目，进而确定各个关注区域对应的粗选址偏向值；
根据各个关注像素点和各个关注区域，确定各个离散关注像素点，进而确定各个离散关注像素点所属的关注区域；
根据各个离散关注像素点以及各个离散关注像素点所属的关注区域，确定各个离散关注像素点对应的细选址偏向值；
根据各个关注区域对应的粗选址偏向值、各个离散关注像素点对应的细选址偏向值以及各个离散关注像素点所属的关注区域，确定各个离散关注像素点的具体选址偏向值；
根据各个离散关注像素点的具体选址偏向值，确定各个目标离散关注像素点，根据各个目标离散关注像素点和嵌入水印的类型，确定嵌入水印的数目和位置；
根据嵌入水印的数目和位置，在原始图像中嵌入水印，以完成对原始图像的加密。
进一步的，确定关注区域范围模板，包括：
根据各个关注区域，确定各个关注区域的区域面积以及各个关注区域的中心关注像素点；
根据最大的区域面积所对应的关注区域的面积和形状，确定关注区域范围模板，所述关注区域范围模板的中心点为最大的区域面积所对应的关注区域的中心关注像素点。
进一步的，确定各个关注区域对应的参考范围区域，包括：
将每个关注区域对应的中心关注像素点作为关注区域范围模板的中心点，并将关注区域范围模板所覆盖的区域范围作为对应关注区域对应的参考范围区域，从而得到各个关注区域对应的参考范围区域。
进一步的，确定各个关注区域对应的相邻关注区域的数目，包括：
根据各个关注区域对应的参考范围区域，确定每个关注区域对应的参考范围区域中所包含的所有关注区域对应的中心关注像素点的数目，从而得到各个关注区域对应的相邻关注区域的数目。
进一步的，确定各个关注区域对应的粗选址偏向值对应的计算公式为：
其中，βε为第ε个关注区域对应的粗选址偏向值，Lε为第ε个关注区域对应的相邻关注区域的数目，Sε为第ε个关注区域的面积，Sτ为第τ个关注区域的面积，C为关注区域的总数目。
进一步的，确定各个离散关注像素点，包括：
根据各个关注像素点和各个关注区域，确定各个关注像素点中不属于各个关注区域的关注像素点，从而得到注意力热图中的各个离散关注像素点。
进一步的，确定各个离散关注像素点所属的关注区域，包括：
根据各个关注区域对应的中心关注像素点的位置以及各个离散关注像素点的位置，计算每个离散关注像素点分别到各个关注区域对应的中心关注像素点的距离，并将最小距离所对应的关注区域作为对应离散关注像素点所属的关注区域。
进一步的，确定各个离散关注像素点对应的细选址偏向值，包括：
根据各个离散关注像素点以及各个离散关注像素点所属的关注区域，将每个离散关注像素点归类到其所属的关注区域中，从得到每个关注区域所归类到的离散关注像素点；
根据每个关注区域所归类到的离散关注像素点以及该关注区域中的各个关注像素点，进行局部异常检测，从而得到每个关注区域所归类到的离散关注像素点对应的局部异常指标值；
根据每个关注区域所归类到的离散关注像素点对应的局部异常指标值，从而得到各个离散关注像素点对应的细选址偏向值。
进一步的，确定各个离散关注像素点的具体选址偏向值对应的计算公式为：
ωv＝α1βv+α2γv
其中，ωv为第v个离散关注像素点的具体选址偏向值，βv为第v个离散关注像素点所属的关注区域对应的粗选址偏向值，γv为第v个离散关注像素点对应的细选址偏向值，α1为第一权重值，α2为第二权重值。
进一步的，根据各个目标离散关注像素点和嵌入水印的类型，确定嵌入水印的数目和位置，包括：
根据各个目标离散关注像素点的位置和嵌入水印的类型，确定能够覆盖住所有目标离散关注像素点时所对应的嵌入水印的最小数目以及嵌入水印的位置。
本发明具有如下有益效果：本发明基于待加密的原始图像的注意力热图，从粗选址和细选址两方面出发，确定各个离散关注像素点的具体选址偏向值，并根据各个离散关注像素点的具体选址偏向值，最终可以自适应确定嵌入水印的目标离散关注像素点，当攻击者试图破解水印的嵌入方式时，由于每张图像上的嵌入位置都不同，因此无法得知目标离散关注像素点的确定方式，就不可能得到水印嵌入位置的规律，那么也就不能通过神经网络对加密图像进行批量解密。本发明通过自适应确定嵌入水印的目标离散关注像素点的方式，增加了水印破解难度，有效解决了加密后的图像容易被批量破解的问题，避免了原始图像作品被大范围非法转发。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例的图像加密方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种图像加密方法，该方法在现有图像水印加密的基础上，深化其算法结构，增加破解难度且淡化加密痕迹，为保护创作者的图像知识产权提供了帮助。下面结合图1，对该图像加密方法进行具体介绍。
步骤S1：获取待加密的原始图像，进而获取原始图像的注意力热图。
针对原创图像的产权保护问题，首先保护的是图像上的价值点，或者说最吸引人视线的局部图像元素，因此需要结合这部分图像元素来推理合适的加密方式，才能更好的保护原创图像的最大价值。
因此，当需要对待加密的原始图像进行加密时，本实施例首先利用DNN神经网络的方式来获得该待加密的原始图像对应的注意力热图，该DNN神经网络的输入为待加密的原始图像，该待加密的原始图像可以为RGB图像，输出为对应的单通道的注意力热图。
在本实施例中，该DNN神经网络为Encoder-Decoder形式，先由编码器利用卷积、池化操作来获取原始图像对应的特征信息，而后再由解码器利用反卷积、反池化操作对特征信息进行重构，最终得到对应的注意力热图。
由于在利用DNN神经网络来获取待加密的原始图像对应的注意力热图之前，需要完成对该DNN神经网络的训练，对该DNN神经网络进行训练时所需要的训练数据的获取方式为：获取大量的RGB图像，然后对每张RGB图像，人为选择关注的多个多边形区域，并将多边形区域内的像素值标记为1，而后利用高斯模糊的方式对其进行处理，得到对应的具有渐变特征的注意力热图，这些大量的RGB图像及其对应的注意力热图即为该DNN神经网络的训练数据。利用所获得的训练数据，对该DNN神经网络进行训练，训练时该DNN神经网络的损失函数采用均方差损失函数，从而最终得到训练好的DNN神经网络。
步骤S2：根据注意力热图中各个像素点的亮度值，确定注意力热图中的各个关注像素点，并根据注意力热图中的各个关注像素点的位置，确定注意力热图中的各个关注区域。
由于通过上述步骤S1所获得的单通道的注意力热图会在关注区域呈现出渐变的高亮现象，因此在关注程度热图中，关注区域与背景区域存在较大灰度差异。本实施通过设置高亮阈值，并利用该高亮阈值对注意力热图中的各个像素点进行二分割，从而可以得到注意力热图中的各个关注像素点。
由于注意力热图中的各个关注区域会在注意力热图上分为多个独立的连通域，为了确定这些连通域，本实施例根据注意力热图中的各个关注像素点的位置，利用密度聚类算法对这些关注像素点进行筛选、归类，从而得到各个关注区域。由于密度聚类算法的具体实现过程属于现有技术，此处不再赘述。
步骤S3：根据各个关注区域，确定关注区域范围模板，并根据所述关注区域范围模板，确定各个关注区域对应的参考范围区域。
对于通过上述步骤S2所得到的各个关注区域，关注区域的区域面积越大、周围相邻的关注区域越少，则代表注意力越集中，即这类关注区域的价值或者说吸睛程度较高；相反，关注区域的区域面积越小、周边相邻的关注区域越多，则注意力越分散，即这类关注区域的价值或者说吸睛程度较低。那么在注意力不集中的关注区域附近插入水印，符合不影响图像观赏性且可以建立关联关系的条件。
基于上述分析，为了后续确定注意力不集中的关注区域，对于关注区域的区域面积，可以通过简单、直接计算关注区域内的像素数量来确定，而对于关注区域的周围相邻的关注区域数量，则需要设置一个范围的度量标准，即确定一个关注区域范围模板，后续可根据该关注区域范围模板，确定各个关注区域对应的参考范围区域，根据各个关注区域对应的参考范围区域，最终可确定各个关注区域的周围相邻的关注区域数量。在本实施例中，确定关注区域范围模板的步骤包括：
步骤S31：根据各个关注区域，确定各个关注区域的区域面积以及各个关注区域的中心关注像素点。
根据各个关注区域，计算每个关注区域内的关注像素点的数目，并将该关注像素点的数目直接作为对应关注区域的区域面积。同时，在上述步骤S2中利用密度聚类算法得到各个关注区域时，每个关注区域都会对应一个聚类中心，并将该聚类中心作为对应关注区域的中心关注像素点。
步骤S32：根据最大的区域面积所对应的关注区域的面积和形状，确定关注区域范围模板，所述关注区域范围模板的中心点为最大的区域面积所对应的关注区域的中心关注像素点。
在通过上述步骤S31得到各个关注区域的区域面积之后，选取最大的区域面积所对应的关注区域的面积和形状制作关注区域范围模板，此时该关注区域范围模板的中心点为最大的区域面积所对应的关注区域的中心关注像素点。
在通过上述步骤S31-S32确定关注区域范围模板之后，为了确定各个关注区域对应的参考范围区域，将每个关注区域对应的中心关注像素点作为关注区域范围模板的中心点，并将关注区域范围模板所覆盖的区域范围作为对应关注区域对应的参考范围区域，从而得到各个关注区域对应的参考范围区域。也就是，对于每个关注区域，将关注区域范围模板的中心点与该每个关注区域的中心关注像素点重合，并以此时关注区域范围模板所覆盖的范围作为对应关注区域对应的参考范围区域。
步骤S4：根据各个关注区域以及各个关注区域对应的参考范围区域，确定各个关注区域对应的相邻关注区域的数目，进而确定各个关注区域对应的粗选址偏向值。
攻击者在恶意破解水印时，会先将水印本身以多种形式应用于随机选取的数千张图片的集合中。然后在此基础上，训练一个相对简单的人工智能算法，如神经网络，来找出加水印的图片与其原始图片之间的关系，之后利用这个人工智能算法便能够从所有水印图像中去除水印。因此水印嵌入位置、形状固定，会使攻击者轻易提取到水印的特征信息，从而大幅降低水印破解难度。
基于上述分析，本实施例根据图像的关注区域的连通域特征，来自适应确定嵌入水印的位置，该自适应确定的水印嵌入位置需要满足以下两点：
1、水印嵌入位置不能过于单一，这里的单一是指复杂度低，即水印位置嵌在图像固定边角处，或者在图像中有个固定位置的嵌入模板，这都会降低图像的破解难度。
2、水印嵌入位置最好与关注区域建立关联关系，因为加密算法必须满足可逆计算，可逆性建立在一切相关联元素上，越多关联关系意味着越有利于图像加密程度的深化，但同时嵌入位置需要尽量低对图像的观赏度的影响，即嵌入水印的目的是为了保护图像知识产权，而不能随意嵌入，随意嵌入就很有可能会降低图像本身的观赏性以及价值。
因此，在通过上述步骤S3得到各个关注区域对应的参考范围区域之后，结合各个关注区域的位置，可以确定各个关注区域对应的相邻关注区域的数目。也就是，根据各个关注区域对应的参考范围区域，确定每个关注区域对应的参考范围区域中所包含的所有关注区域对应的中心关注像素点的数目，从而得到各个关注区域对应的相邻关注区域的数目。
本实施例通过选择最大的关注区域制作关注区域范围模板，并以此作为范围度量标准，具有适用性高、灵活性强的特点，无论注意力热图上关注区域的数量多或少、密集或分散，所确定的各个关注区域对应的相邻关注区域的数目都具有较高的信服力，理由如下：
(1)对于面积最大的关注区域，该面积最大的关注区域对应的参考范围区域范围内永远只有最小的相邻关注区域的数目，因为其参考范围区域范围内只有其本身，其对应的相邻关注区域的数目永远为1，后续在此关注区域周围嵌入水印的可行性最低。
(2)对于面积较大的关注区域，面积较大的关注区域对比相邻较近的面积较小的关注区域，面积较小的关注区域对应的参考范围区域范围内的相邻关注区域的数量更多，则在面积较小的关注区域周围嵌入水印的可行性更高。
(3)对于密集的关注区域，每个面积较小的关注区域对应的参考范围区域范围内的相邻关注区域的数量可能都相等，那代表在此类关注区域周围嵌入水印的可行性都相等。
在确定各个关注区域对应的相邻关注区域的数目之后，结合各个关注区域的区域面积，可以计算出各个关注区域对应的粗选址偏向值，对应的计算公式为：
其中，βε为第ε个关注区域对应的粗选址偏向值，Lε为第ε个关注区域对应的相邻关注区域的数目，Sε为第ε个关注区域的面积，Sτ为第τ个关注区域的面积，C为关注区域的总数目。
在上述的第ε个关注区域对应的粗选址偏向值βε的计算公式中，通过对两个衡量维度和/>进行欧几里得变换，得到一个综合评分值，也就是粗选址偏向值βε，当粗选址偏向值βε较大时，则水印嵌入位置应当偏向该第ε个关注区域。
步骤S5：根据各个关注像素点和各个关注区域，确定各个离散关注像素点，进而确定各个离散关注像素点所属的关注区域。
由于利用密度聚类算法所得到的各个关注区域在图像上呈现为多个不规则且大小不同的关注区域，这些关注区域之间的分界并不清晰，这是注意力热图体现关注程度的一种表达，即清晰的区域代表关注像素点多、聚集，也代表关注度高，模糊的区域出现在关注区域连通域边缘，代表关注像素点相对离散，关注度相对于清晰区域必然较低。
虽然利用密度聚类算法可以将各个关注区域分开，但是由于处于边缘模糊区域的关注像素点比较离散，且密度聚类算法是根据关注像素点的距离进行归类，其必然会产生大量的离散点，也就是离散关注像素点。通过对这些离散关注像素点的特征进行分析，并选择在这些离散关注像素点的位置嵌入水印，既可以实现与关注区域建立起关联关系，又不会降低图像的观赏性。
基于上述分析，为了确定注意力热图中的离散关注像素点，根据各个关注像素点和各个关注区域，确定各个关注像素点中不属于各个关注区域的关注像素点，从而得到注意力热图中的各个离散关注像素点。
在确定注意力热图中的各个离散关注像素点之后，根据各个关注区域对应的中心关注像素点的位置以及各个离散关注像素点的位置，计算每个离散关注像素点分别到各个关注区域对应的中心关注像素点的距离，并将最小距离所对应的关注区域作为对应离散关注像素点所属的关注区域。也就是，将距离各个离散关注像素点最近的关注区域，作为对应离散关注像素点所属的关注区域。
步骤S6：根据各个离散关注像素点以及各个离散关注像素点所属的关注区域，确定各个离散关注像素点对应的细选址偏向值。
在通过上述步骤S5确定各个离散关注像素点以及各个离散关注像素点所属的关注区域之后，确定各个离散关注像素点对应的细选址偏向值，以对水印嵌入选址进一步具体化，具体实现过程为：
步骤S61：根据各个离散关注像素点以及各个离散关注像素点所属的关注区域，将每个离散关注像素点归类到其所属的关注区域中，从得到每个关注区域所归类到的离散关注像素点。
根据各个离散关注像素点所属的关注区域，可以将每个离散关注像素点归类到其所属的关注区域中，从而得到每个关注区域所归类到的离散关注像素点。
步骤S62：根据每个关注区域所归类到的离散关注像素点以及该关注区域中的各个关注像素点，进行局部异常检测，从而得到每个关注区域所归类到的离散关注像素点对应的局部异常指标值。
在上述步骤S61的基础上，对于任意一个关注区域，将该关注区域所归类到的每个离散关注像素点以及该关注区域中的每个关注像素点，均作为一个像素点样本，然后利用局部离群因子检测方法算法(Local Outlier Factor,LOF)，确定每一个像素点样本的第k邻域局部离群因子，并将该第k邻域局部离群因子作为对应像素点样本对应的局部异常指标值，第k邻域局部离群因子对应的计算公式为：
其中，LOFk(v)为任意一个关注区域所对应的像素点样本v的第k邻域局部离群因子，po为以像素点样本o为中心点的已聚类聚簇密度，也就是像素点样本v的第k距离邻域Gk(v)中任意一个像素点样本o的第k局部可达密度，pv为像素点样本v距离最近的第k距离邻域的密度，也就是像素点样本v的第k局部可达密度，为两者所有密度的比值之和，|Gk(v)|为像素点样本v的第k距离邻域Gk(v)中所有像素点样本的数量，/>则代表像素点样本v的第k距离邻域Gk(v)内其他像素点样本的局部可达密度与像素点样本v的局部可达密度的平均比值，若该比值接近1或小于1，则代表该像素点样本v的离群性低，相反则离群性高。
由于利用局部离群因子检测方法算法(Local Outlier Factor,LOF)，确定每一个像素点样本的第k邻域局部离群因子的具体实现过程属于现有技术，此处不再赘述。对于任意一个关注区域，在通过上述计算公式确定每一个像素点样本的第k邻域局部离群因子之后，从而可以对应得到该关注区域所归类到的各个离散关注像素点的第k邻域局部离群因子，并直接将该第k邻域局部离群因子作为对应的离散关注像素点的局部异常指标值。
步骤S63：根据每个关注区域所归类到的离散关注像素点对应的局部异常指标值，对应得到各个离散关注像素点对应的细选址偏向值。
对于任意一个关注区域，在通过上述步骤S62得到每个关注区域所归类到的离散关注像素点对应的局部异常指标值之后，直接将该局部异常指标值作为对应离散关注像素点的细选址偏向值。当离散关注像素点的细选址偏向值越大时，说明该离散关注像素点的离群性较高，在此处嵌入水印既能够实现对图像的有效保护，又不会大幅度降低图像的观赏性，水印嵌入效果较佳。
步骤S7：根据各个关注区域对应的粗选址偏向值、各个离散关注像素点对应的细选址偏向值以及各个离散关注像素点所属的关注区域，确定各个离散关注像素点的具体选址偏向值，对应的计算公式为：
ωv＝α1βv+α2γv
其中，ωv为第v个离散关注像素点的具体选址偏向值，βv为第v个离散关注像素点所属的关注区域的粗选址偏向值，γv为第v个离散关注像素点的细选址偏向值，α1为第一权重值，α2为第二权重值。
在上述的第v个离散关注像素点的具体选址偏向值ωv的计算公式中，βv表示的是第v个离散关注像素点所属的关注区域的粗选址偏向值，该粗选址偏向值表征了归类到的该关注区域的周围适合嵌入水印的一个指标值，当该指标值越大时，则说明对应的关注区域的周围越适合嵌入水印，但是该指标值只体现了嵌入水印的模糊的位置信息，而没有具体的像素点位置信息。γv表示的是第v个离散关注像素点的细选址偏向值，该细选址偏向值表征了第v个离散关注像素点与周围像素点的离散程度，当细选址偏向值越大时，说明第v个离散关注像素点与周围像素点的离散程度越高，此时第v个离散关注像素点越适合作为嵌入水印的像素点。由于βv是一个粗选址偏向值，γv是一个细选址偏向值，两者的权重偏向需要进行区分，因此设置了第一权重值α1和第二权重值α2，而因为粗选址的泛用性更高，即在粗选址偏向值较大的情况下，在对应关注区域的周围任意位置嵌入水印都是可行的，所以前者的权重更高，由于细选址是根据离散关注像素点与周围像素点的离散程度而定，而离散关注像素点本身分布具有随机性，因此泛用性低，权重较低，但同时加密复杂度更高。在实施例中，设置第一权重值α1＝0.6，设置第二权重值α2＝0.4。
步骤S8：根据各个离散关注像素点的具体选址偏向值，确定各个目标离散关注像素点，根据各个目标离散关注像素点和嵌入水印的类型，确定嵌入水印的数目和位置。
在通过上述步骤S7确定各个离散关注像素点的具体选址偏向值之后，将各个离散关注像素点的具体选址偏向值分别与预先设置的具体选址偏向值阈值进行比较，并将大于该具体选址偏向值阈值的具体选址偏向值所对应的离散关注像素点作为目标离散关注像素点，从而可以得到各个目标离散关注像素点。其中，该具体选址偏向值阈值可以根据经验或者实验结果进行设置，以便于可以得到合适数目的目标离散关注像素点。
根据所确定的目标离散关注像素点的数目，可以分为两种情况：
情况1：只得到一个目标离散关注像素点。此时，直接确定嵌入水印的数目为1，同时根据嵌入水印的类型，即嵌入水印的形状和样式，可以将该目标离散关注像素点作为嵌入水印图案上的任意一个像素点，即将嵌入水印图案覆盖在该目标离散关注像素点即可，从而确定嵌入水印的位置。作为一种实施例，在确定嵌入水印的位置时，可以将该目标离散关注像素点作为嵌入水印图案上的所有像素点位置的均值位置。
情况2：得到至少两个目标离散关注像素点。此时，根据各个目标离散关注像素点的位置分布情况以及嵌入水印的类型，确定嵌入水印的数目和位置，以使得每一个目标离散关注像素点均被嵌入水印图案覆盖住。作为其中的一种实施例，在确定嵌入水印的数目和位置时，可以将目标离散关注像素点的数目直接作为嵌入水印的数目，即一个目标离散关注像素点对应一个嵌入水印，同时将每一个目标离散关注像素点作为其对应的嵌入水印图案上的所有像素点位置的均值位置。作为另外的一种实施例，在确定嵌入水印的数目和位置时，可以根据各个目标离散关注像素点的位置分布情况以及嵌入水印的类型，确定目标离散关注像素点均被覆盖住时的最小的嵌入水印的数目以及对应的嵌入水印的位置，即可以根据各个目标离散关注像素点的位置和嵌入水印的类型，确定能够覆盖住所有目标离散关注像素点时所对应的嵌入水印的最小数目以及嵌入水印的位置，由于其具体实现过程属于现有技术，此处不再赘述，此时对于距离较近的两个或者多个目标离散关注像素点，会存在同时被一个嵌入水印覆盖的情况。
步骤S9：根据嵌入水印的数目和位置，在原始图像中嵌入水印，以完成对原始图像的加密。
根据上述步骤S8所确定的嵌入水印的数目和位置，在原始图像中嵌入水印，即将水印文字、图像与原始图像相结合，从而生成加密后的加密图像。假设嵌入水印上某一像素点的像素值为If，原始图像上对应像素点的像素值为Ii，使加密后的加密图像上对应像素点的像素值增加或减少至If。根据加密后的加密图像上每个嵌入水印的像素点的像素值变化差值，生成相应的密钥，以对加密后的加密图像进行解密，由于生成相应的密钥的过程以及根据密钥对加密后的加密图像进行解密的过程属于本领域技术人员可实现的技术，此处不再赘述。
对于上述所生成的加密后的加密图像，若攻击者在不知晓目标离散关注像素点的确定方式时，解密了该水印的密文，由于从每张加密图像上得到的都是不完整的解密结果，其中不包含水印嵌入位置的规则，那么攻击者不可能根据不完整的密文对加密图像进行批量解密。
另外，除了上述通过在原始图像中嵌入水印以对原始图像进行名水印保护外，还可以通过频域变换插入暗水印进行加固，以大幅度提高了图像的安全性。
本发明的图像加密方法基于待加密的原始图像的注意力热图，从粗选址和细选址两方面出发，最终可以自适应确定嵌入水印的目标离散关注像素点，当攻击者试图破解水印的嵌入方式时，由于每张图像上的水印嵌入位置都不同，无法得知目标离散关注像素点的确定方式，就不可能得到水印嵌入位置的规律，那么也就不能通过神经网络对加密图像进行批量解密。本发明通过自适应确定嵌入水印的目标离散关注像素点的方式，增加了水印破解难度，有效解决了加密后的图像容易被批量破解的问题，避免了原始图像作品被大范围非法转发。
需要说明的是：以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种图像加密方法，其特征在于，包括以下步骤：
获取待加密的原始图像，进而获取原始图像的注意力热图；
根据注意力热图中各个像素点的亮度值，确定注意力热图中的各个关注像素点，并根据注意力热图中的各个关注像素点的位置，确定注意力热图中的各个关注区域；
根据各个关注区域，确定关注区域范围模板，并根据所述关注区域范围模板，确定各个关注区域对应的参考范围区域；
根据各个关注区域以及各个关注区域对应的参考范围区域，确定各个关注区域对应的相邻关注区域的数目，进而确定各个关注区域对应的粗选址偏向值；
根据各个关注像素点和各个关注区域，确定各个离散关注像素点，进而确定各个离散关注像素点所属的关注区域；
根据各个离散关注像素点以及各个离散关注像素点所属的关注区域，确定各个离散关注像素点对应的细选址偏向值；
根据各个关注区域对应的粗选址偏向值、各个离散关注像素点对应的细选址偏向值以及各个离散关注像素点所属的关注区域，确定各个离散关注像素点的具体选址偏向值；
根据各个离散关注像素点的具体选址偏向值，确定各个目标离散关注像素点，根据各个目标离散关注像素点和嵌入水印的类型，确定嵌入水印的数目和位置；
根据嵌入水印的数目和位置，在原始图像中嵌入水印，以完成对原始图像的加密；
确定关注区域范围模板，包括：
根据各个关注区域，确定各个关注区域的区域面积以及各个关注区域的中心关注像素点；
根据最大的区域面积所对应的关注区域的面积和形状，确定关注区域范围模板，所述关注区域范围模板的中心点为最大的区域面积所对应的关注区域的中心关注像素点。
2.根据权利要求1所述的图像加密方法，其特征在于，确定各个关注区域对应的参考范围区域，包括：
将每个关注区域对应的中心关注像素点作为关注区域范围模板的中心点，并将关注区域范围模板所覆盖的区域范围作为对应关注区域对应的参考范围区域，从而得到各个关注区域对应的参考范围区域。
3.根据权利要求1所述的图像加密方法，其特征在于，确定各个关注区域对应的相邻关注区域的数目，包括：
根据各个关注区域对应的参考范围区域，确定每个关注区域对应的参考范围区域中所包含的所有关注区域对应的中心关注像素点的数目，从而得到各个关注区域对应的相邻关注区域的数目。
4.根据权利要求1所述的图像加密方法，其特征在于，确定各个关注区域对应的粗选址偏向值对应的计算公式为：
其中，βε为第ε个关注区域对应的粗选址偏向值，Lε为第ε个关注区域对应的相邻关注区域的数目，Sε为第ε个关注区域的面积，Sτ为第τ个关注区域的面积，C为关注区域的总数目。
5.根据权利要求1所述的图像加密方法，其特征在于，确定各个离散关注像素点，包括：
根据各个关注像素点和各个关注区域，确定各个关注像素点中不属于各个关注区域的关注像素点，从而得到注意力热图中的各个离散关注像素点。
6.根据权利要求1所述的图像加密方法，其特征在于，确定各个离散关注像素点所属的关注区域，包括：
根据各个关注区域对应的中心关注像素点的位置以及各个离散关注像素点的位置，计算每个离散关注像素点分别到各个关注区域对应的中心关注像素点的距离，并将最小距离所对应的关注区域作为对应离散关注像素点所属的关注区域。
7.根据权利要求1所述的图像加密方法，其特征在于，确定各个离散关注像素点对应的细选址偏向值，包括：
根据各个离散关注像素点以及各个离散关注像素点所属的关注区域，将每个离散关注像素点归类到其所属的关注区域中，从得到每个关注区域所归类到的离散关注像素点；
根据每个关注区域所归类到的离散关注像素点以及该关注区域中的各个关注像素点，进行局部异常检测，从而得到每个关注区域所归类到的离散关注像素点对应的局部异常指标值；
根据每个关注区域所归类到的离散关注像素点对应的局部异常指标值，从而得到各个离散关注像素点对应的细选址偏向值。
8.根据权利要求1所述的图像加密方法，其特征在于，确定各个离散关注像素点的具体选址偏向值对应的计算公式为：
ωv＝α1βv+α2γv
其中，ωv为第v个离散关注像素点的具体选址偏向值，βv为第v个离散关注像素点所属的关注区域对应的粗选址偏向值，γv为第v个离散关注像素点对应的细选址偏向值，α1为第一权重值，α2为第二权重值。
9.根据权利要求1所述的图像加密方法，其特征在于，根据各个目标离散关注像素点和嵌入水印的类型，确定嵌入水印的数目和位置，包括：
根据各个目标离散关注像素点的位置和嵌入水印的类型，确定能够覆盖住所有目标离散关注像素点时所对应的嵌入水印的最小数目以及嵌入水印的位置。
CN202210832369.3A 2022-07-14 2022-07-14 一种图像加密方法 Active CN115293949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210832369.3A CN115293949B (zh) 2022-07-14 2022-07-14 一种图像加密方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210832369.3A CN115293949B (zh) 2022-07-14 2022-07-14 一种图像加密方法

Publications (2)

Publication Number Publication Date
CN115293949A CN115293949A (zh) 2022-11-04
CN115293949B true CN115293949B (zh) 2024-01-02

Family

ID=83822038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210832369.3A Active CN115293949B (zh) 2022-07-14 2022-07-14 一种图像加密方法

Country Status (1)

Country Link
CN (1) CN115293949B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037109A (zh) * 2020-07-15 2020-12-04 北京神鹰城讯科技股份有限公司 一种改进的基于显著性目标检测的图像水印添加方法和系统
CN113962838A (zh) * 2020-07-21 2022-01-21 阿里巴巴集团控股有限公司 水印图像嵌入/增强方法、装置及计算机系统
CN113989096A (zh) * 2021-12-27 2022-01-28 山东大学 基于深度学习和注意力网络的鲁棒图像水印方法及系统
WO2022033485A1 (zh) * 2020-08-13 2022-02-17 北京达佳互联信息技术有限公司 视频处理方法及电子设备
CN114529441A (zh) * 2022-01-19 2022-05-24 华南理工大学 一种图像频域数字水印方法、系统、装置及介质
CN114626967A (zh) * 2022-03-17 2022-06-14 阳光电源股份有限公司 一种数字水印嵌入与提取方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8090141B2 (en) * 2006-01-31 2012-01-03 Xerox Corporation System and method to automatically establish preferred area for image-wise watermark

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037109A (zh) * 2020-07-15 2020-12-04 北京神鹰城讯科技股份有限公司 一种改进的基于显著性目标检测的图像水印添加方法和系统
CN113962838A (zh) * 2020-07-21 2022-01-21 阿里巴巴集团控股有限公司 水印图像嵌入/增强方法、装置及计算机系统
WO2022033485A1 (zh) * 2020-08-13 2022-02-17 北京达佳互联信息技术有限公司 视频处理方法及电子设备
CN113989096A (zh) * 2021-12-27 2022-01-28 山东大学 基于深度学习和注意力网络的鲁棒图像水印方法及系统
CN114529441A (zh) * 2022-01-19 2022-05-24 华南理工大学 一种图像频域数字水印方法、系统、装置及介质
CN114626967A (zh) * 2022-03-17 2022-06-14 阳光电源股份有限公司 一种数字水印嵌入与提取方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
杨秀菊 ; .面向互联网的隐私保护关键算法.长春工业大学学报.2018,(01),86-90. *
陈梦泽 ; .基于视觉注意力的视频水印算法.长春师范学院学报.2012,31(12),15-19. *
黄娜 ; 侯刚 ; 王国祥 ; 孙大鑫 ; 陈贺新 ; .基于图像内容敏感度分析数字水印算法.计算机应用研究.2010,27(05),1898-1901. *

Also Published As

Publication number Publication date
CN115293949A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
Wan et al. A comprehensive survey on robust image watermarking
JP4009655B2 (ja) デジタル像符牒の処理方法及びシステム
Al-Afandy et al. High security data hiding using image cropping and LSB least significant bit steganography
US7499565B2 (en) Method of watermarking for binary images
JP2000092312A (ja) ビデオモニタに表示されるデジタル画像の認証方法、及び第１デジタル画像と第２デジタル画像とを１つの複合デジタル画像へと複合する方法
JPH10191017A (ja) ウォータマークを付与、および検出するための方法
WO2008143768A1 (en) Deriving video signatures that are insensitive to picture modification and frame-rate conversion
CN115378574B (zh) 一种轻量级动态图像数据加密方法及系统
Ng et al. Discrimination of computer synthesized or recaptured images from real images
Lu et al. Lossless information hiding in images
JP2005192001A (ja) 電子透かし埋め込み方法および電子透かし埋め込み装置
CN109829890B (zh) 一种jpeg图像载体安全性评价方法
CN115293949B (zh) 一种图像加密方法
Alghamdi Computerized steganographic technique using fuzzy logic
CN111476865B (zh) 一种面向深度学习神经网络进行图像识别的图像保护方法
Qi et al. An adaptive visible watermark embedding method based on region selection
Albdour et al. A steganographic method based on roberts operator
Pund-Dange Steganography: a survey
JP6937010B2 (ja) 電子透かし装置および方法
US7269271B2 (en) Method for digital image alteration detection and original digital image recovery
Wang An efficient multiple-bit reversible data hiding scheme without shifting
Jahromi et al. Deep learning semantic image synthesis: a novel method for unlimited capacity, high noise resistance coverless video steganography
Haref et al. Categorization of spatial domain techniques in image steganography: A revisit
Bavrina et al. Parameterizable lsb watermarking method with adaptive key generation
Alghamdi Computerised Information Security Using Texture Based Fuzzy Cryptosystem

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
TA01 Transfer of patent application right

Effective date of registration: 20231130

Address after: 12th Floor, CBD Financial Center, No. 2 Tuanjie Road, Yuehaiwan Business District, Jinfeng District, Yinchuan City, Ningxia Hui Autonomous Region, 750000

Applicant after: Zhongji Safety Technology Co.,Ltd.

Address before: 450199 No. 3003, Floor 30, Building 15, Asia Pacific Garden, No.1 Chaofeng Road, Zhengzhou District (Economic Development Zone), Henan Pilot Free Trade Zone, Zhengzhou City, Henan Province

Applicant before: Henan Hechangli Information Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant