CN116226804A - 一种基于水印嵌入的神经网络模型的版权验证方法 - Google Patents

一种基于水印嵌入的神经网络模型的版权验证方法 Download PDF

Info

Publication number
CN116226804A
CN116226804A CN202310014264.1A CN202310014264A CN116226804A CN 116226804 A CN116226804 A CN 116226804A CN 202310014264 A CN202310014264 A CN 202310014264A CN 116226804 A CN116226804 A CN 116226804A
Authority
CN
China
Prior art keywords
watermark
neural network
group
dictionary
data
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
Application number
CN202310014264.1A
Other languages
English (en)
Inventor
黄梓杰
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.)
Xiamen University Tan Kah Kee College
Original Assignee
Xiamen University Tan Kah Kee College
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 Xiamen University Tan Kah Kee College filed Critical Xiamen University Tan Kah Kee College
Priority to CN202310014264.1A priority Critical patent/CN116226804A/zh
Publication of CN116226804A publication Critical patent/CN116226804A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/08—Learning methods
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/513—Sparse representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Technology Law (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Editing Of Facsimile Originals (AREA)

Abstract

本发明公开了一种基于水印嵌入的神经网络模型的版权验证方法，属于数字水印嵌入领域，该验证方法具体步骤如下：(1)收集水印数据以建立水印字典；(2)对获取的水印字典进行记录；(3)构建一组嵌入神经网络并进行优化；(4)嵌入神经网络接收图像并进行验证；本发明能够省略了下采样环节，实现了水印的高度压缩，改善了水印的不可感知性，能够自行寻找模型最优参数，无需工作人员手动设置参数，提高神经网络验证精度，方便工作人员操作。

Description

一种基于水印嵌入的神经网络模型的版权验证方法
技术领域
本发明涉及数字水印嵌入领域，尤其涉及一种基于水印嵌入的神经网络模型的版权验证方法。
背景技术
随着互联网的快速发展以及打印机、扫描仪等信息存储传输技术越来越普遍的使用，愈来愈多的数字多媒体作品通过互联网得到了大量快速的传播,导致多媒体作品变得越来越容易取得并被非法恣意修改和复制传播,因此数字化信息产品的所有权极其迫切地需要获得保护。如今密码学和信息安全技术在各领域都得到了飞速发展，由此为多媒体作品内容的安全和版权保护提供了有效的支持。作为信息安全的一种关键技术，数字水印在数字信息产品所有权保护方面无疑是一个强有力的解决方案；因此，发明出一种基于水印嵌入的神经网络模型的版权验证方法变得尤为重要；
经检索，中国专利号CN113987429A公开了基于水印嵌入的神经网络模型的版权验证方法，该发明虽然提高了水印嵌入的效率，同时减少水印对神经网络模型本身的影响，同时减少水印对神经网络模型本身功能的影响，而且嵌入效果更加稳固，水印不易被抹除或者伪造，提高了水印的通用性以及鲁棒性，但是需要进行下采样处理，无法实现水印的高度压缩；此外，现有的基于水印嵌入的神经网络模型的版权验证方法需工作人员手动设置参数，神经网络验证精度低；为此，我们提出一种基于水印嵌入的神经网络模型的版权验证方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于水印嵌入的神经网络模型的版权验证方法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于水印嵌入的神经网络模型的版权验证方法，该验证方法具体步骤如下：
(1)收集水印数据以建立水印字典；
(2)对获取的水印字典进行记录；
(3)构建一组嵌入神经网络并进行优化；
(4)嵌入神经网络接收图像并进行验证。
作为本发明的进一步方案，步骤(1)中所述水印字典具体建立步骤如下：
步骤一：计算机获取各组原始图像，之后对各组原始图像进行一级冗余离散小波变换处理以获取四组子带LL、LH、HL以及HH，并选择LL作为主子带产生字典；
步骤二：通过Arnold变换算法对主子带LL进行置乱处理，之后对处理后的主子带LL进行奇异值分解以获得正交矩阵U、V以及奇异值矩阵S，依据正交矩阵V生成水印字典，之后通过水印字典生成对应稀疏字典。
作为本发明的进一步方案，步骤二中所述置乱处理具体步骤如下：
步骤Ⅰ：给定变换次数K以及大小为N×N的图像，之后重复对给定图像的每组像素坐标进行变换以获取当前新坐标顺序，其中，具体变换公式如下：
Figure BDA0004039498360000031
其中，x以及y代表变换前像素的横、纵坐标；x'以及y'代表变换后像素的横、纵坐标；mod代表模运算；
步骤Ⅱ：当变换次数达到指定次数K后停止继续变换，并获取当前坐标位置，将原图像各组坐标位置上的像素一一映射到新的坐标位置上以获得置乱后的图像。
作为本发明的进一步方案，步骤(3)中所述嵌入神经网络具体优化步骤如下：
步骤①：嵌入神经网络从云服务器提取多组水印数据，并从中选择一组作为观测数据，之后使用剩下的水印数据拟合一组测试模型，并用观测数据来验证测试模型的精度，并重复n次利用均方根误差对该测试模型的预测能力进行计算；
步骤②：对生成的参数进行参数优化处理，之后初始化参数范围，并建立数据样本，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，通过训练集训练完模型后，对测试集进行预测，统计测试结果的均方根误差；
步骤③：求取最优参数组合，同时将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对各组数据都进行一次预测，通过选取均方根误差最小时对应的组合参数做为最优的参数。
作为本发明的进一步方案，步骤①中所述均方根误差具体计算公式如下：
Figure BDA0004039498360000041
其中，E(yi)表示第i个实际观测值；yi为模型反演出的第i个预测值；n是观测样本总数。
作为本发明的进一步方案，步骤(4)中所述嵌入神经网络具体水印验证步骤如下：
第一步：嵌入神经网络对各组水印标记图像执行冗余离散小波变换、Anorld置乱以及SVD处理提取该图像的奇异值矩阵，并通过解码函数提取相关稀疏表示；
第二步：使用获取的水印字典重构稀疏编码水印，再计算各组稀疏编码水印方差系数，并筛选出能够表示版权信息的特征参数，并筛除对于表征能力差的特征参数，之后将各组稀疏编码水印分为测试集以及训练集，并通过标准化处理将训练集处理成训练样本；
第三步：将训练样本输送到嵌入神经网络中，将最优参数设置为模型参数，采用长期迭代法训练该嵌入神经网络，并将测试集输入到训练好的模型中，并输出验证结果。
作为本发明的进一步方案，第二步中所述标准化处理具体计算公式如下：
Figure BDA0004039498360000042
其中，x表示提出的特征参数；mean(x)表示对所提特征参数进行平均处理；std(x)表示对特征参数求标准差。
相比于现有技术，本发明的有益效果在于：
1、该基于水印嵌入的神经网络模型的版权验证方法相较于以往验证方法，本发明通过计算机获取各组原始图像，之后对各组原始图像进行一级冗余离散小波变换处理以获取四组子带LL、LH、HL以及HH，并选择LL作为主子带产生字典，之后给定变换次数以及大小为N×N的图像，之后重复对给定图像的每组像素坐标进行变换，当变换次数达到指定次数后停止继续变换，并获取当前坐标位置，将原图像各组坐标位置上的像素一一映射到新的坐标位置上以获得置乱后的图像，之后对处理后的主子带LL进行奇异值分解以获得正交矩阵U、V以及奇异值矩阵S，依据正交矩阵V生成水印字典，之后通过水印字典生成对应稀疏字典，能够省略了下采样环节，实现了水印的高度压缩，改善了水印的不可感知性；
2、该基于水印嵌入的神经网络模型的版权验证方法通过嵌入神经网络从云服务器提取多组水印数据，并拟合一组测试模型，验证测试模型的精度，再利用均方根误差对该测试模型的预测能力进行计算，对生成的参数进行参数优化处理，之后通过选取均方根误差最小时对应的组合参数做为最优的参数，然后嵌入神经网络对各组水印标记图像进行相应处理，之后计算各组图像方差系数并进行数据筛选，最后将各组稀疏编码水印分为测试集以及训练集，将最优参数设置为模型参数，采用长期迭代法训练该嵌入神经网络，并将测试集输入到训练好的模型中，并输出验证结果，能够自行寻找模型最优参数，无需工作人员手动设置参数，提高神经网络验证精度，方便工作人员操作。
附图说明
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。
图1为本发明提出的一种基于水印嵌入的神经网络模型的版权验证方法的流程框图。
具体实施方式
实施例1
参照图1，一种基于水印嵌入的神经网络模型的版权验证方法，该验证方法具体步骤如下：
收集水印数据以建立水印字典。
具体的，计算机获取各组原始图像，之后对各组原始图像进行一级冗余离散小波变换处理以获取四组子带LL、LH、HL以及HH，并选择LL作为主子带产生字典，通过Arnold变换算法对主子带LL进行置乱处理，之后对处理后的主子带LL进行奇异值分解以获得正交矩阵U、V以及奇异值矩阵S，依据正交矩阵V生成水印字典，之后通过水印字典生成对应稀疏字典。
本实施例中，置乱处理具体步骤如下：给定变换次数K以及大小为N×N的图像，之后重复对给定图像的每组像素坐标进行变换以获取当前新坐标顺序，当变换次数达到指定次数K后停止继续变换，并获取当前坐标位置，将原图像各组坐标位置上的像素一一映射到新的坐标位置上以获得置乱后的图像。
需要进一步说明的是，变换公式如下：
Figure BDA0004039498360000071
其中，x以及y代表变换前像素的横、纵坐标；x'以及y'代表变换后像素的横、纵坐标；mod代表模运算。
对获取的水印字典进行记录。
实施例2
参照图1，一种基于水印嵌入的神经网络模型的版权验证方法，该验证方法具体步骤如下：
构建一组嵌入神经网络并进行优化。
具体的，嵌入神经网络从云服务器提取多组水印数据，并从中选择一组作为观测数据，之后使用剩下的水印数据拟合一组测试模型，并用观测数据来验证测试模型的精度，并重复n次利用均方根误差对该测试模型的预测能力进行计算，对生成的参数进行参数优化处理，之后初始化参数范围，并建立数据样本，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，通过训练集训练完模型后，对测试集进行预测，统计测试结果的均方根误差，求取最优参数组合，同时将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对各组数据都进行一次预测，通过选取均方根误差最小时对应的组合参数做为最优的参数。
本实施例中，均方根误差具体计算公式如下：
Figure BDA0004039498360000081
其中，E(yi)表示第i个实际观测值；yi为模型反演出的第i个预测值；n是观测样本总数。
嵌入神经网络接收图像并进行验证。
具体的，嵌入神经网络对各组水印标记图像执行冗余离散小波变换、Anorld置乱以及SVD处理提取该图像的奇异值矩阵，并通过解码函数提取相关稀疏表示，使用获取的水印字典重构稀疏编码水印，再计算各组稀疏编码水印方差系数，并筛选出能够表示版权信息的特征参数，并筛除对于表征能力差的特征参数，之后将各组稀疏编码水印分为测试集以及训练集，并通过标准化处理将训练集处理成训练样本，再将训练样本输送到嵌入神经网络中，将最优参数设置为模型参数，采用长期迭代法训练该嵌入神经网络，并将测试集输入到训练好的模型中，并输出验证结果。
需要进一步说明的是，标准化处理具体计算公式如下：
Figure BDA0004039498360000082
其中，x表示提出的特征参数；mean(x)表示对所提特征参数进行平均处理；std(x)表示对特征参数求标准差。

Claims (7)

1.一种基于水印嵌入的神经网络模型的版权验证方法，其特征在于，该验证方法具体步骤如下：
(1)收集水印数据以建立水印字典；
(2)对获取的水印字典进行记录；
(3)构建一组嵌入神经网络并进行优化；
(4)嵌入神经网络接收图像并进行验证。
2.根据权利要求1所述的一种基于水印嵌入的神经网络模型的版权验证方法，其特征在于，步骤(1)中所述水印字典具体建立步骤如下：
步骤一：计算机获取各组原始图像，之后对各组原始图像进行一级冗余离散小波变换处理以获取四组子带LL、LH、HL以及HH，并选择LL作为主子带产生字典；
步骤二：通过Arnold变换算法对主子带LL进行置乱处理，之后对处理后的主子带LL进行奇异值分解以获得正交矩阵U、V以及奇异值矩阵S，依据正交矩阵V生成水印字典，之后通过水印字典生成对应稀疏字典。
3.根据权利要求2所述的一种基于水印嵌入的神经网络模型的版权验证方法，其特征在于，步骤二中所述置乱处理具体步骤如下：
步骤Ⅰ：给定变换次数K以及大小为N×N的图像，之后重复对给定图像的每组像素坐标进行变换以获取当前新坐标顺序，其中，具体变换公式如下：
Figure FDA0004039498350000021
其中，x以及y代表变换前像素的横、纵坐标；x'以及y'代表变换后像素的横、纵坐标；mod代表模运算；
步骤Ⅱ：当变换次数达到指定次数K后停止继续变换，并获取当前坐标位置，将原图像各组坐标位置上的像素一一映射到新的坐标位置上以获得置乱后的图像。
4.根据权利要求1所述的一种基于水印嵌入的神经网络模型的版权验证方法，其特征在于，步骤(3)中所述嵌入神经网络具体优化步骤如下：
步骤①：嵌入神经网络从云服务器提取多组水印数据，并从中选择一组作为观测数据，之后使用剩下的水印数据拟合一组测试模型，并用观测数据来验证测试模型的精度，并重复n次利用均方根误差对该测试模型的预测能力进行计算；
步骤②：对生成的参数进行参数优化处理，之后初始化参数范围，并建立数据样本，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，通过训练集训练完模型后，对测试集进行预测，统计测试结果的均方根误差；
步骤③：求取最优参数组合，同时将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对各组数据都进行一次预测，通过选取均方根误差最小时对应的组合参数做为最优的参数。
5.根据权利要求4所述的一种基于水印嵌入的神经网络模型的版权验证方法，其特征在于，步骤①中所述均方根误差具体计算公式如下：
Figure FDA0004039498350000031
其中，E(yi)表示第i个实际观测值；yi为模型反演出的第i个预测值；n是观测样本总数。
6.根据权利要求4所述的一种基于水印嵌入的神经网络模型的版权验证方法，其特征在于，步骤(4)中所述嵌入神经网络具体水印验证步骤如下：
第一步：嵌入神经网络对各组水印标记图像执行冗余离散小波变换、Anorld置乱以及SVD处理提取该图像的奇异值矩阵，并通过解码函数提取相关稀疏表示；
第二步：使用获取的水印字典重构稀疏编码水印，再计算各组稀疏编码水印方差系数，并筛选出能够表示版权信息的特征参数，并筛除对于表征能力差的特征参数，之后将各组稀疏编码水印分为测试集以及训练集，并通过标准化处理将训练集处理成训练样本；
第三步：将训练样本输送到嵌入神经网络中，将最优参数设置为模型参数，采用长期迭代法训练该嵌入神经网络，并将测试集输入到训练好的模型中，并输出验证结果。
7.根据权利要求6所述的一种基于水印嵌入的神经网络模型的版权验证方法，其特征在于，第二步中所述标准化处理具体计算公式如下：
Figure FDA0004039498350000041
其中，x表示提出的特征参数；mean(x)表示对所提特征参数进行平均处理；std(x)表示对特征参数求标准差。
CN202310014264.1A 2023-01-05 2023-01-05 一种基于水印嵌入的神经网络模型的版权验证方法 Pending CN116226804A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310014264.1A CN116226804A (zh) 2023-01-05 2023-01-05 一种基于水印嵌入的神经网络模型的版权验证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310014264.1A CN116226804A (zh) 2023-01-05 2023-01-05 一种基于水印嵌入的神经网络模型的版权验证方法

Publications (1)

Publication Number Publication Date
CN116226804A true CN116226804A (zh) 2023-06-06

Family

ID=86588427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310014264.1A Pending CN116226804A (zh) 2023-01-05 2023-01-05 一种基于水印嵌入的神经网络模型的版权验证方法

Country Status (1)

Country Link
CN (1) CN116226804A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881871A (zh) * 2023-09-06 2023-10-13 腾讯科技（深圳）有限公司 模型水印嵌入方法、装置、计算机设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881871A (zh) * 2023-09-06 2023-10-13 腾讯科技（深圳）有限公司 模型水印嵌入方法、装置、计算机设备和存储介质
CN116881871B (zh) * 2023-09-06 2023-11-24 腾讯科技（深圳）有限公司 模型水印嵌入方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
Huan et al. Exploring stable coefficients on joint sub-bands for robust video watermarking in DT CWT domain
Naheed et al. Intelligent reversible watermarking technique in medical images using GA and PSO
CN113077377B (zh) 一种基于生成对抗网络的彩色图像隐写方法
CN111968027B (zh) 基于surf和dct特征的鲁棒彩色图像零水印方法
CN111711821B (zh) 基于深度学习的信息隐藏方法
CN112561766B (zh) 图像隐写及提取方法、装置及电子设备
CN115131188A (zh) 一种基于生成对抗网络的鲁棒图像水印方法
CN116226804A (zh) 一种基于水印嵌入的神经网络模型的版权验证方法
CN112132158A (zh) 一种基于自编码网络的可视化图片信息嵌入方法
CN109829475B (zh) 一种基于深度学习的图像暗水印处理方法及装置
Zhu et al. Generative high-capacity image hiding based on residual CNN in wavelet domain
Ye et al. InvVis: Large-Scale Data Embedding for Invertible Visualization
Lai et al. Generative focused feedback residual networks for image steganalysis and hidden information reconstruction
Chen et al. A GA-based nearly optimal image authentication approach
CN114390154B (zh) 基于信道匹配网络选择嵌入通道的鲁棒隐写方法及系统
CN116363309A (zh) 基于点云投影采样的三维信息隐藏方法与装置
CN114493971A (zh) 媒体数据转换模型训练、数字水印嵌入方法和装置
Song et al. A New Watermarking Frame Based on the Genetic Algorithms and Wavelet Packet Decomposition.
Bhatnagar et al. Robust reference-watermarking scheme using wavelet packet transform and bidiagonal-singular value decomposition
CN111325653A (zh) 一种彩色图像数字水印实现方法
CN104244001A (zh) 数字媒体文件中的水印处理方法和装置
Lu et al. Image retrieval and content integrity verification based on multipurpose image watermarking scheme
Tan et al. Visual information evaluation with entropy of primitive
CN109410115A (zh) 基于sift特征点的自适应容量图像盲水印嵌入与提取方法
Saleh et al. A Novel Multiplicative Steganography Technique in Contourlet Domain

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