CN116308986A - 基于小波变换及注意力机制的隐蔽水印攻击算法 - Google Patents

基于小波变换及注意力机制的隐蔽水印攻击算法 Download PDF

Info

Publication number
CN116308986A
CN116308986A CN202310586984.5A CN202310586984A CN116308986A CN 116308986 A CN116308986 A CN 116308986A CN 202310586984 A CN202310586984 A CN 202310586984A CN 116308986 A CN116308986 A CN 116308986A
Authority
CN
China
Prior art keywords
watermark
image
attack
representing
network
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
Application number
CN202310586984.5A
Other languages
English (en)
Other versions
CN116308986B (zh
Inventor
王春鹏
李欣颖
夏之秋
马宾
魏子麒
周琳娜
李琦
李健
咸永锦
韩冰
王晓雨
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.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
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 Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN202310586984.5A priority Critical patent/CN116308986B/zh
Publication of CN116308986A publication Critical patent/CN116308986A/zh
Application granted granted Critical
Publication of CN116308986B publication Critical patent/CN116308986B/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
    • 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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Image Processing (AREA)

Abstract

本发明公开基于小波变换及注意力机制的隐蔽水印攻击算法，涉及数字水印技术领域，包括以下步骤：S1：获取数据集；使用DIV2K数据集，将所有图像剪裁为统一大小，使用QPHFMs水印嵌入算法得到含水印图像作为本网络的数据集；S2：构建水印攻击网络；S3：构建损失函数；S4：建立评价指标。本发明要解决的技术问题是提供基于小波变换及注意力机制的隐蔽水印攻击算法，不仅能够有效地去除水印信息，同时能保障图像的视觉质量，不会影响图像的实用价值，并且能够使得攻击具有良好的不可感知性以及隐蔽性。

Description

基于小波变换及注意力机制的隐蔽水印攻击算法
技术领域
本发明涉及数字水印技术领域，具体地讲，涉及基于小波变换及注意力机制的隐蔽水印攻击算法。
背景技术
水印攻击是指通过修改、遮挡、删除或添加水印等方式，对数字图像、音频、视频等内容进行篡改或破坏的行为。水印技术是一种在数字媒体中保护知识产权的常用技术，常用于防止盗版、抄袭和不当使用等问题。因此，水印攻击的目的往往是破坏数字媒体中的知识产权保护机制，以实现非法目的。水印攻击是一个日益严重的问题，因为随着数字媒体的广泛应用，数字媒体的知识产权保护已成为全球性的难题。数字媒体的盗版、侵权和不当使用问题已经引起了广泛关注，而水印技术则被认为是一个有效的解决方案。然而，随着水印技术的不断提高，水印攻击技术也在不断进化，给数字媒体的知识产权保护带来了更大的挑战。因此，对水印攻击技术的研究和防御已经成为数字媒体知识产权保护的重要组成部分。
传统水印攻击算法在检测到水印信息后，尽管能将水印信息从图像中完全去除，但主要缺陷是难以去除一些嵌入较为深入的水印，同时也可能会对图像的质量和内容产生不可逆的影响，可能会破坏原始图像的完整性和可读性会对图像产生较大的干扰。
发明内容
本发明要解决的技术问题是提供基于小波变换及注意力机制的隐蔽水印攻击算法，不仅能够有效地去除水印信息，同时能保障图像的视觉质量，不会影响图像的实用价值，并且能够使得攻击具有良好的不可感知性以及隐蔽性。
本发明采用如下技术方案实现发明目的：
基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于，包括以下步骤：
S1：获取数据集；
使用DIV2K数据集，将所有图像剪裁为统一大小，使用QPHFMs水印嵌入算法得到含水印图像作为本网络的数据集；
S2：构建水印攻击网络；
S3：构建损失函数；
S4：建立评价指标。
作为本技术方案的进一步限定，所述水印攻击网络主体是由L个连续的相同块组成；
每个块中包括一个多核卷积层、一个通道注意力模块和一个空间注意力模块，在每个块中，使用跳跃连接增强信息流；
还包括瓶颈结构，所述瓶颈结构包括两个卷积层和一个ReLU激活层；
还包括全局残差学习方法，即在所述水印攻击网络的末端添加一个从输入到末端的长跳跃连接。
作为本技术方案的进一步限定，所述多核卷积层为所述水印攻击网络的基本模块，所述多核卷积层包含多个卷积核，每个卷积核对输入特征图进行一次卷积操作，得到一个输出特征图，多个卷积核的输出特征图在通道维度上进行拼接或者加权组合，得到一个更加丰富的特征表示。
作为本技术方案的进一步限定，将所述S1获取的含水印图像进行二维离散小波变换，分解为四个子带图像，四个所述子带图像提供不同频率的信息，四个子带图像系数作为所述水印攻击网络的输入且在训练前被分成四个通道。
作为本技术方案的进一步限定，所述水印攻击网络的处理步骤为:
S21:使用卷积层从输入中提取浅层特征；
S22：将所有块的所有输出沿通道维连接起来，在融合多个块的特征后，利用所述瓶颈结构将这些特征映射进一步缩小；
S23：利用逆小波变换将处理后的图像重构回原始图像，完成水印去除，即可得到不含水印的图；
S24：通过所述全局残差学习方法使，使所述水印攻击网络能够学习预测残差成分，而不是直接预测不含水印的干净图像，有助于鲁棒的训练和快速融合；
S25：将重构清晰图像与输入图像进行残差连接得到干净的去水印图像。
作为本技术方案的进一步限定，使用均方误差损失以及感知损失进行组合得到的损失函数来训练所述水印攻击网络；
均方误差损失能够有效提升攻击后图像与含水印图像之间的结构相似性的优势，表达式如下：
Figure SMS_1
（1）
其中：
Figure SMS_2
是图片的高度；
Figure SMS_3
是图片的宽度；
Figure SMS_4
表示含水印头像
Figure SMS_5
表示受攻击后的图像
Figure SMS_6
表示整幅图像像素值的x轴坐标；
Figure SMS_7
表示整幅图像像素值的y轴坐标；
Figure SMS_8
表示含水印图像在对应坐标处的像素值；
Figure SMS_9
表示受攻击后的图像在对应坐标处的像素值；
感知损失用于加强有效特征提取，利用感知损失可以计算攻击后图像与含水印图像之间的特征差异，定义如下所示：
Figure SMS_10
（2）
其中：
Figure SMS_11
表示含水印头像；
Figure SMS_12
表示受攻击后的图像；
Figure SMS_13
表示训练的神经网络；
Figure SMS_14
表示该网络的第/>
Figure SMS_15
层；
Figure SMS_16
表示第/>
Figure SMS_17
层的特征图形状；
将上述两项损失函数进行线性组合得到最终完整的损失函数，其表达式如下：
Figure SMS_18
（3）
其中：
Figure SMS_19
用来调节两个损失函数之间的权重。
作为本技术方案的进一步限定，所述S4中评价指标包括使用峰值信噪比衡量图像被攻击后的质量，其结果可以表示受攻击后图像与含水印图像的失真程度，计算公式为：
Figure SMS_20
（4）
其中：
Figure SMS_21
表示图像像素的最大值。
作为本技术方案的进一步限定，所述S4中评价指标还包括误码率BER，公式为：
Figure SMS_22
（5）
其中：
Figure SMS_23
表示提取的水印中错误信息的位数；
Figure SMS_24
表示原始水印信息的总位数。
与现有技术相比，本发明的优点和积极效果是：本发明提出一种崭新的水印攻击网络。基于小波变换及注意力机制的水印攻击网络。使用小波变换，将图像分解为高频纹理细节和低频信息，利用小波变换得到了四个系数，通过这种方式，高频和低频分量被明确得分离为四个通道，能够提供一种在时间和频率域上进行信号分析的方法。小波变换可以用于定位水印信息，同时小波变换还可以用于去除由于数字水印引起的伪影和失真；多核卷积层作为网络的基本模块，使用不同大小的卷积核进行卷积，通过多条路径同时提取特征，然后进一步聚合这些路径的特征，从而融合来自不同接受域的不同模式，进一步提高模型性能；另外使用了注意力机制，注意力机制可以通过对网络中的不同部分进行加权来提高网络性能，可以在通道和空间维度上自适应地增强所需要的特征，并且能够抑制不必要的特征，在水印攻击过程时，注意力机制可以帮助网络更好地聚焦于学习特征图像中与水印相关的区域，提高水印攻击的精度和鲁棒性。能够有效的提高攻击后图像的重构质量。
附图说明
图1为本发明的原理示意图。
具体实施方式
下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
本发明包括以下步骤：
S1：获取数据集。
使用DIV2K数据集，将所有图像剪裁为统一大小，例如256×256，使用QPHFMs水印嵌入算法得到含水印图像作为本网络的数据集。
将所述S1获取的含水印图像进行二维离散小波变换，分解为四个子带图像，四个所述子带图像提供不同频率的信息，四个子带图像系数作为所述水印攻击网络的输入且在训练前被分成四个通道。
对含水印图像进行二维离散小波变换，首先对图像每一行进行一维离散小波变换，获得原始图像在水平方向上的低频分量L和高频分量H，然后对变换所得到数据的每一列进行一维离散小波变换，获得原始图像在水平和垂直方向上的低频分量LL，水平方向上的低频和垂直方向上的高频LH，水平方向上的高频和垂直方向上的低频HL，以及水平和垂直方向上的的高频分量HH。经过这一系列的变换所以就得到了四个子带图像的系数。
S2：构建水印攻击网络。
所述水印攻击网络主体是由L个连续的相同块组成；
每个块中包括一个多核卷积层、一个通道注意力模块和一个空间注意力模块，在每个块中，使用跳跃连接增强信息流；
还包括瓶颈结构，所述瓶颈结构包括两个卷积层和一个ReLU激活层；
还包括全局残差学习方法，即在所述水印攻击网络的末端添加一个从输入到末端的长跳跃连接。
所述多核卷积层为所述水印攻击网络的基本模块，所述多核卷积层包含多个卷积核，每个卷积核对输入特征图进行一次卷积操作，得到一个输出特征图，多个卷积核的输出特征图在通道维度上进行拼接或者加权组合，得到一个更加丰富的特征表示。相比于传统的单核卷积层，多核卷积层的优点在于：更加丰富的特征表示：多核卷积层可以通过多个卷积核对输入特征图进行多次卷积操作，从而得到更加丰富的特征表示，即能够得到更多水印特征信息，并且能够提高网络的性能。参数共享：在多核卷积层中，每个卷积核都共享相同的权重矩阵，这样可以减少网络的参数量，提高模型的训练效率。
所述水印攻击网络的处理步骤为:
S21:使用卷积层从输入中提取浅层特征；
S22：为了克服深度网络结构中普遍存在的梯度消失问题，将所有块的所有输出沿通道维连接起来，在融合多个块的特征后，利用所述瓶颈结构将这些特征映射进一步缩小；
S23：由于小波变换和其逆运算都是可逆的，不会造成信息损失，训练后的输出能够很好的逼近不含水印的残差图像上的小波变换的四个系数，利用逆小波变换将处理后的图像重构回原始图像，完成水印去除，即可得到不含水印的图；
S24：通过所述全局残差学习方法使，使所述水印攻击网络能够学习预测残差成分，而不是直接预测不含水印的干净图像，有助于鲁棒的训练和快速融合；
S25：将重构清晰图像与输入图像进行残差连接得到干净的去水印图像。
S3：构建损失函数。
使用均方误差损失以及感知损失进行组合得到的损失函数来训练所述水印攻击网络；
均方误差损失能够有效提升攻击后图像与含水印图像之间的结构相似性的优势，表达式如下：
Figure SMS_25
（1）
其中：
Figure SMS_26
是图片的高度；
Figure SMS_27
是图片的宽度；
Figure SMS_28
表示含水印头像
Figure SMS_29
表示受攻击后的图像
Figure SMS_30
表示整幅图像像素值的x轴坐标；
Figure SMS_31
表示整幅图像像素值的y轴坐标；
Figure SMS_32
表示含水印图像在对应坐标处的像素值；
Figure SMS_33
表示受攻击后的图像在对应坐标处的像素值；
感知损失用于加强有效特征提取，利用感知损失可以计算攻击后图像与含水印图像之间的特征差异，定义如下所示：
Figure SMS_34
（2）
其中：
Figure SMS_35
表示含水印头像；
Figure SMS_36
表示受攻击后的图像；
Figure SMS_37
表示训练的神经网络；
Figure SMS_38
表示该网络的第/>
Figure SMS_39
层；
Figure SMS_40
表示第/>
Figure SMS_41
层的特征图形状；
将上述两项损失函数进行线性组合得到最终完整的损失函数，其表达式如下：
Figure SMS_42
（3）
其中：
Figure SMS_43
用来调节两个损失函数之间的权重。
S4：建立评价指标。
为了更好地评估使用本发明攻击后的图像质量，所述S4中评价指标包括使用峰值信噪比衡量图像被攻击后的质量，其结果可以表示受攻击后图像与含水印图像的失真程度，计算公式为：
Figure SMS_44
（4）
其中：
Figure SMS_45
表示图像像素的最大值。
作为本技术方案的进一步限定，所述S4中评价指标还包括误码率BER，公式为：
Figure SMS_46
（5）
其中：
Figure SMS_47
表示提取的水印中错误信息的位数；
Figure SMS_48
表示原始水印信息的总位数。
当BER值越接近0时，说明所提取的水印信息越完整，则表明水印攻击效果较差；反之，若BER数值越大，则表明水印攻击效果越好。
以上公开的仅为本发明的具体实施例，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (8)

1.基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于，包括以下步骤：
S1：获取数据集；
使用DIV2K数据集，将所有图像剪裁为统一大小，使用QPHFMs水印嵌入算法得到含水印图像作为本网络的数据集；
S2：构建水印攻击网络；
S3：构建损失函数；
S4：建立评价指标。
2.根据权利要求1所述的基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于：所述水印攻击网络主体是由L个连续的相同块组成；
每个块中包括一个多核卷积层、一个通道注意力模块和一个空间注意力模块，在每个块中，使用跳跃连接增强信息流；
还包括瓶颈结构，所述瓶颈结构包括两个卷积层和一个ReLU激活层；
还包括全局残差学习方法，即在所述水印攻击网络的末端添加一个从输入到末端的长跳跃连接。
3.根据权利要求2所述的基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于：所述多核卷积层为所述水印攻击网络的基本模块，所述多核卷积层包含多个卷积核，每个卷积核对输入特征图进行一次卷积操作，得到一个输出特征图，多个卷积核的输出特征图在通道维度上进行拼接或者加权组合，得到一个更加丰富的特征表示。
4.根据权利要求3所述的基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于：将所述S1获取的含水印图像进行二维离散小波变换，分解为四个子带图像，四个所述子带图像提供不同频率的信息，四个子带图像的系数作为所述水印攻击网络的输入且在训练前被分成四个通道。
5.根据权利要求4所述的基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于：所述水印攻击网络的处理步骤为:
S21:使用卷积层从输入中提取浅层特征；
S22：将所有块的所有输出沿通道维连接起来，在融合多个块的特征后，利用所述瓶颈结构将这些特征映射进一步缩小；
S23：利用逆小波变换将处理后的图像重构回原始图像，完成水印去除，即可得到不含水印的图；
S24：通过所述全局残差学习方法使，使所述水印攻击网络能够学习预测残差成分，而不是直接预测不含水印的干净图像，有助于鲁棒的训练和快速融合；
S25：将重构清晰图像与输入图像进行残差连接得到干净的去水印图像。
6.根据权利要求1所述的基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于：使用均方误差损失以及感知损失进行组合得到的损失函数来训练所述水印攻击网络；
均方误差损失能够有效提升攻击后图像与含水印图像之间的结构相似性的优势，表达式如下：
Figure QLYQS_1
（1）
其中：
Figure QLYQS_2
是图片的高度；
Figure QLYQS_3
是图片的宽度；
Figure QLYQS_4
表示含水印头像
Figure QLYQS_5
表示受攻击后的图像
Figure QLYQS_6
表示整幅图像像素值的x轴坐标；
Figure QLYQS_7
表示整幅图像像素值的y轴坐标；
Figure QLYQS_8
表示含水印图像在对应坐标处的像素值；
Figure QLYQS_9
表示受攻击后的图像在对应坐标处的像素值；
感知损失用于加强有效特征提取，利用感知损失可以计算攻击后图像与含水印图像之间的特征差异，定义如下所示：
Figure QLYQS_10
（2）
其中：
Figure QLYQS_11
表示含水印头像；
Figure QLYQS_12
表示受攻击后的图像；
Figure QLYQS_13
表示训练的神经网络；
Figure QLYQS_14
表示该网络的第/>
Figure QLYQS_15
层；
Figure QLYQS_16
表示第/>
Figure QLYQS_17
层的特征图形状；
将上述两项损失函数进行线性组合得到最终完整的损失函数，其表达式如下：
Figure QLYQS_18
（3）
其中：
Figure QLYQS_19
用来调节两个损失函数之间的权重。
7.根据权利要求6所述的基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于：所述S4中评价指标包括使用峰值信噪比衡量图像被攻击后的质量，其结果可以表示受攻击后图像与含水印图像的失真程度，计算公式为：
Figure QLYQS_20
（4）
其中：
Figure QLYQS_21
表示图像像素的最大值。
8.根据权利要求1所述的基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于：所述S4中评价指标还包括误码率BER，公式为：
Figure QLYQS_22
（5）
其中：
Figure QLYQS_23
表示提取的水印中错误信息的位数；
Figure QLYQS_24
表示原始水印信息的总位数。
CN202310586984.5A 2023-05-24 2023-05-24 基于小波变换及注意力机制的隐蔽水印攻击算法 Active CN116308986B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310586984.5A CN116308986B (zh) 2023-05-24 2023-05-24 基于小波变换及注意力机制的隐蔽水印攻击算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310586984.5A CN116308986B (zh) 2023-05-24 2023-05-24 基于小波变换及注意力机制的隐蔽水印攻击算法

Publications (2)

Publication Number Publication Date
CN116308986A true CN116308986A (zh) 2023-06-23
CN116308986B CN116308986B (zh) 2023-08-04

Family

ID=86827321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310586984.5A Active CN116308986B (zh) 2023-05-24 2023-05-24 基于小波变换及注意力机制的隐蔽水印攻击算法

Country Status (1)

Country Link
CN (1) CN116308986B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117255232A (zh) * 2023-11-14 2023-12-19 南京信息工程大学 基于自注意力机制的dwt域鲁棒视频水印方法及系统

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030095682A1 (en) * 2001-11-20 2003-05-22 Sanghyun Joo Apparatus and method for embedding and extracting digital watermarks based on wavelets
WO2004003841A2 (en) * 2002-06-27 2004-01-08 University Of Bristol Image attack characterisation by double watermarking
CA2495292A1 (en) * 2005-03-01 2006-09-01 Mohamed A. Suhail An adaptive integrated watermaking system for multimedia copyright protection
US20070140524A1 (en) * 2005-12-21 2007-06-21 Sanjeev Kumar Image Watermarking Based on Sequency and Wavelet Transforms
US20070172094A1 (en) * 2003-04-04 2007-07-26 Datamark Technologies Pte Ltd Watermarking method and apparatus
CN105023237A (zh) * 2015-07-17 2015-11-04 上海理工大学 提高图像数字水印隐蔽性能的方法
KR101692220B1 (ko) * 2015-08-31 2017-01-17 광운대학교 산학협력단 이산 웨이블릿 변환을 이용한 디지털 영상의 강인성 블라인드 워터마킹 방법
WO2021042665A1 (zh) * 2019-09-04 2021-03-11 笵成科技南京有限公司 一种基于dnn用于护照抵御模糊攻击的方法
CN113034332A (zh) * 2021-03-05 2021-06-25 西北大学 不可见水印图像、后门攻击模型构建、分类方法及系统
KR102277099B1 (ko) * 2020-02-26 2021-07-15 광운대학교 산학협력단 딥 러닝을 이용한 워터마크 및 해상도 적응적 영상 워터마킹 시스템
CN113222802A (zh) * 2021-05-27 2021-08-06 西安电子科技大学 基于对抗攻击的数字图像水印方法
CN113379584A (zh) * 2021-06-10 2021-09-10 大连海事大学 一种基于残差学习的不可感知水印攻击方法、存储介质及电子装置
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
WO2022205853A1 (zh) * 2021-03-31 2022-10-06 海南大学 一种基于感知哈希和数据增强的医学图像数字水印方法
CN115272039A (zh) * 2022-06-13 2022-11-01 广东技术师范大学 一种基于gan的水印攻击方法及系统、数字水印嵌入方法
CN115345768A (zh) * 2022-08-12 2022-11-15 齐鲁工业大学 基于神经网络的鲁棒水印攻击方法及系统
CN115358909A (zh) * 2022-08-18 2022-11-18 齐鲁工业大学 一种基于sad网络的隐匿式数字水印攻击方法及系统
CN115358910A (zh) * 2022-08-18 2022-11-18 齐鲁工业大学 基于卷积神经网络去噪算法的数字水印攻击方法及系统
CN115526758A (zh) * 2022-09-30 2022-12-27 杭州电子科技大学 基于深度学习的Hadamard变换抗屏摄水印方法
CN115809953A (zh) * 2022-11-16 2023-03-17 山东大学 一种基于注意力机制的多尺寸图像鲁棒水印方法及系统
CN115908095A (zh) * 2022-11-28 2023-04-04 山东大学 一种基于分层注意力特征融合的鲁棒图像水印方法及系统

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030095682A1 (en) * 2001-11-20 2003-05-22 Sanghyun Joo Apparatus and method for embedding and extracting digital watermarks based on wavelets
WO2004003841A2 (en) * 2002-06-27 2004-01-08 University Of Bristol Image attack characterisation by double watermarking
US20070172094A1 (en) * 2003-04-04 2007-07-26 Datamark Technologies Pte Ltd Watermarking method and apparatus
CA2495292A1 (en) * 2005-03-01 2006-09-01 Mohamed A. Suhail An adaptive integrated watermaking system for multimedia copyright protection
US20070140524A1 (en) * 2005-12-21 2007-06-21 Sanjeev Kumar Image Watermarking Based on Sequency and Wavelet Transforms
CN105023237A (zh) * 2015-07-17 2015-11-04 上海理工大学 提高图像数字水印隐蔽性能的方法
KR101692220B1 (ko) * 2015-08-31 2017-01-17 광운대학교 산학협력단 이산 웨이블릿 변환을 이용한 디지털 영상의 강인성 블라인드 워터마킹 방법
WO2021042665A1 (zh) * 2019-09-04 2021-03-11 笵成科技南京有限公司 一种基于dnn用于护照抵御模糊攻击的方法
KR102277099B1 (ko) * 2020-02-26 2021-07-15 광운대학교 산학협력단 딥 러닝을 이용한 워터마크 및 해상도 적응적 영상 워터마킹 시스템
CN113034332A (zh) * 2021-03-05 2021-06-25 西北大学 不可见水印图像、后门攻击模型构建、分类方法及系统
WO2022205853A1 (zh) * 2021-03-31 2022-10-06 海南大学 一种基于感知哈希和数据增强的医学图像数字水印方法
CN113222802A (zh) * 2021-05-27 2021-08-06 西安电子科技大学 基于对抗攻击的数字图像水印方法
CN113379584A (zh) * 2021-06-10 2021-09-10 大连海事大学 一种基于残差学习的不可感知水印攻击方法、存储介质及电子装置
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
CN115272039A (zh) * 2022-06-13 2022-11-01 广东技术师范大学 一种基于gan的水印攻击方法及系统、数字水印嵌入方法
CN115345768A (zh) * 2022-08-12 2022-11-15 齐鲁工业大学 基于神经网络的鲁棒水印攻击方法及系统
CN115358909A (zh) * 2022-08-18 2022-11-18 齐鲁工业大学 一种基于sad网络的隐匿式数字水印攻击方法及系统
CN115358910A (zh) * 2022-08-18 2022-11-18 齐鲁工业大学 基于卷积神经网络去噪算法的数字水印攻击方法及系统
CN115526758A (zh) * 2022-09-30 2022-12-27 杭州电子科技大学 基于深度学习的Hadamard变换抗屏摄水印方法
CN115809953A (zh) * 2022-11-16 2023-03-17 山东大学 一种基于注意力机制的多尺寸图像鲁棒水印方法及系统
CN115908095A (zh) * 2022-11-28 2023-04-04 山东大学 一种基于分层注意力特征融合的鲁棒图像水印方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
何宗林;常郝;: "数字图像水印算法的仿真和应用研究", 计算机仿真, no. 06 *
傅德胜;黄伟;: "基于小波变换的数字水印及Matlab实现", 计算机工程与设计, no. 04 *
武兵;: "基于MATLAB的数字水印算法实现", 福建电脑, no. 11 *
肖贵元;蒋承延;马力;: "数字水印技术及其应用", 重庆电力高等专科学校学报, no. 01 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117255232A (zh) * 2023-11-14 2023-12-19 南京信息工程大学 基于自注意力机制的dwt域鲁棒视频水印方法及系统
CN117255232B (zh) * 2023-11-14 2024-01-26 南京信息工程大学 基于自注意力机制的dwt域鲁棒视频水印方法及系统

Also Published As

Publication number Publication date
CN116308986B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
Jing et al. Hinet: Deep image hiding by invertible network
Abdelwahab et al. A discrete wavelet transform based technique for image data hiding
Amirgholipour et al. Robust digital image watermarking based on joint DWT-DCT
Rajani et al. An optimized blind watermarking scheme based on principal component analysis in redundant discrete wavelet domain
Susanto et al. Hybrid method using HWT-DCT for image watermarking
Roy et al. A hybrid domain color image watermarking based on DWT–SVD
Mehta et al. A robust and efficient image watermarking scheme based on Lagrangian SVR and lifting wavelet transform
Jayashree et al. A Robust Image Watermarking Scheme Using Z-Transform, Discrete Wavelet Transform and Bidiagonal Singular Value Decomposition.
CN113379584A (zh) 一种基于残差学习的不可感知水印攻击方法、存储介质及电子装置
Malonia et al. Digital image watermarking using discrete wavelet transform and arithmetic progression technique
CN116308986B (zh) 基于小波变换及注意力机制的隐蔽水印攻击算法
CN115908095A (zh) 一种基于分层注意力特征融合的鲁棒图像水印方法及系统
Khalifa et al. A robust non-blind algorithm for watermarking color images using multi-resolution wavelet decomposition
CN115345768A (zh) 基于神经网络的鲁棒水印攻击方法及系统
CN115809953A (zh) 一种基于注意力机制的多尺寸图像鲁棒水印方法及系统
CN115170378A (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
Loukhaoukha et al. Hybrid watermarking algorithm based on SVD and lifting wavelet transform for ownership verification
CN109754358B (zh) 一种基于显著性检测和轮廓波变换的图像水印方法与系统
Mehta et al. Lagrangian support vector regression based image watermarking in wavelet domain
Heidari et al. A hybrid DCT-SVD based image watermarking algorithm
Li et al. Designing three-dimensional cellular automata based video authentication with an optical integral imaging generated memory-distributed watermark
Huang et al. Calibration based universal JPEG steganalysis
Rawat et al. A chaos-based robust watermarking algorithm for rightful ownership protection
Li et al. Smaller is bigger: Rethinking the embedding rate of deep hiding
CN115272039A (zh) 一种基于gan的水印攻击方法及系统、数字水印嵌入方法

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
GR01 Patent grant
GR01 Patent grant