CN116308986B - 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 PDFInfo
- Publication number
- CN116308986B CN116308986B CN202310586984.5A CN202310586984A CN116308986B CN 116308986 B CN116308986 B CN 116308986B CN 202310586984 A CN202310586984 A CN 202310586984A CN 116308986 B CN116308986 B CN 116308986B
- 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.)
- Active
Links
- 230000009466 transformation Effects 0.000 title claims abstract description 16
- 230000007246 mechanism Effects 0.000 title claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
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
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；
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；
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；
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；
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：
（1）
其中：是图片的高度；
是图片的宽度；
表示含水印头像；
表示受攻击后的图像；
表示整幅图像像素值的x轴坐标；
表示整幅图像像素值的y轴坐标；
表示含水印图像在对应坐标处的像素值；
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：
（2）
其中：表示含水印头像；
表示受攻击后的图像；
表示训练的神经网络；
表示该网络的第/>层；
表示第/>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：
（3）
其中：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：
(4)
其中：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：
（5）
其中：表示提取的水印中错误信息的位数；
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：
（1）
其中：是图片的高度；
是图片的宽度；
表示含水印头像；
表示受攻击后的图像；
表示整幅图像像素值的x轴坐标；
表示整幅图像像素值的y轴坐标；
表示含水印图像在对应坐标处的像素值；
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：
（2）
其中：表示含水印头像；
表示受攻击后的图像；
表示训练的神经网络；
表示该网络的第/>层；
表示第/>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：
（3）
其中：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：
（4）
其中：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：
（3）
其中：表示提取的水印中错误信息的位数；
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 (3)
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；
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；
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；
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；
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：
（1）
其中：是图片的高度；
是图片的宽度；
表示含水印头像；
表示受攻击后的图像；
表示整幅图像像素值的x轴坐标；
表示整幅图像像素值的y轴坐标；
表示含水印图像在对应坐标处的像素值；
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：
（2）
其中：表示含水印头像；
表示受攻击后的图像；
表示训练的神经网络；
表示该网络的第/>层；
表示第/>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：
（3）
其中：用来调节两个损失函数之间的权重。
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：
（4）
其中：表示图像像素的最大值。
3.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：
（5）
其中：表示提取的水印中错误信息的位数；
表示原始水印信息的总位数。
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 CN116308986A (zh) | 2023-06-23 |
| CN116308986B true 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) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100456629B1 (ko) * | 2001-11-20 | 2004-11-10 | 한국전자통신연구원 | 웨이블릿 기반에서 디지털 워터마크 삽입/추출장치 및 방법 |
| JP2006522498A (ja) * | 2003-04-04 | 2006-09-28 | データマーク テクノロジーズ プライベート リミテッド | 透し入れ方法と装置 |
| US7742619B2 (en) * | 2005-12-21 | 2010-06-22 | Texas Instruments Incorporated | Image watermarking based on sequency and wavelet transforms |
-
2023
- 2023-05-24 CN CN202310586984.5A patent/CN116308986B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 (1)
| Title |
|---|
| 数字图像水印算法的仿真和应用研究;何宗林;常郝;;计算机仿真(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116308986A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jing et al. | Hinet: Deep image hiding by invertible network | |
| Rajani et al. | An optimized blind watermarking scheme based on principal component analysis in redundant discrete wavelet domain | |
| CN110599401A (zh) | 遥感图像超分辨率重建方法、处理装置及可读存储介质 | |
| JP4718609B2 (ja) | 多次元デジタル信号のフィルタリング方法及び装置、並びに、関連する符号化／復号化方法及び装置 | |
| Luo et al. | DVMark: a deep multiscale framework for video watermarking | |
| CN116308986B (zh) | 基于小波变换及注意力机制的隐蔽水印攻击算法 | |
| CN113362225B (zh) | 基于残差递归补偿和特征融合的多描述压缩图像增强方法 | |
| CN107633476B (zh) | 一种基于lwt-svd-dct算法的水印嵌入和提取方法 | |
| 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 | |
| CN112073593A (zh) | 基于小波、阈值滤波及压缩感知的信息增强与传输方法 | |
| Hsu et al. | Detail-enhanced wavelet residual network for single image super-resolution | |
| CN114549273A (zh) | 基于深度神经网络的自适应鲁棒水印嵌入方法及系统 | |
| 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 | |
| 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 | |
| Heidari et al. | A hybrid DCT-SVD based image watermarking algorithm | |
| CN111311508A (zh) | 一种带噪路面裂缝图像的降噪方法 | |
| CN116029887A (zh) | 一种基于小波神经网络的图像大容量鲁棒水印方法 | |
| CN116205776A (zh) | 一种基于半脆弱可逆水印的篡改定位方法 | |
| Li et al. | Smaller Is Bigger: Rethinking the Embedding Rate of Deep Hiding | |
| CN115358910A (zh) | 基于卷积神经网络去噪算法的数字水印攻击方法及系统 | |
| Chinnarao et al. | Improved image de noising algorithm using dual tree complex wavelet transform | |
| CN114363719A (zh) | 一种基于Bessel-Fourier矩的内容自适应鲁棒性视频水印方法 | |
| Fang et al. | Priors guided extreme underwater image compression for machine vision and human vision | |
| CN117255232B (zh) | 基于自注意力机制的dwt域鲁棒视频水印方法及系统 |
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 |