CN117094871A - 图像水印处理方法、装置、电子设备及存储介质 - Google Patents
图像水印处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117094871A CN117094871A CN202311127429.2A CN202311127429A CN117094871A CN 117094871 A CN117094871 A CN 117094871A CN 202311127429 A CN202311127429 A CN 202311127429A CN 117094871 A CN117094871 A CN 117094871A
- Authority
- CN
- China
- Prior art keywords
- image
- watermark
- sample
- watermarking
- frequency characteristic
- 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
Links
- 238000003672 processing method Methods 0.000 title abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 85
- 238000011084 recovery Methods 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 19
- 230000000694 effects Effects 0.000 abstract description 12
- 239000011159 matrix material Substances 0.000 abstract description 9
- 230000008447 perception Effects 0.000 abstract description 5
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000016776 visual perception Effects 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
- G06Q50/184—Intellectual property management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种图像水印处理方法、装置、电子设备及存储介质，涉及图像处理技术领域。该方法基于预先训练的图像水印处理模型，可将待嵌入的水印图像处理为高频特性图像加入至原始封面图像中，又可基于图像水印处理模型从嵌入有水印图像的目标封面图像中高效准确的还原出水印图像。由于转换生成的高频特性图像具有点阵特征，从而实现了将水印图像以点阵图像的方式嵌入至原始封面图像中，达到水印感知不明显，隐蔽性较高的效果。同时，由于高频特性图像与以低频特性为主的原始封面图像存在明显差异，通过将图像水印处理模型训练为对高频特性敏感的模型，那么，将目标封面图像输入图像水印处理模型后，图像水印处理模型可迅速准确的还原出水印图像。
Description
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种图像水印处理方法、装置、电子设备及存储介质。
背景技术
图像数字水印是在数字图像中嵌入隐蔽信息的一种技术。它通过对图像进行微小的修改或嵌入特定的数据，来实现图像的认证、版权保护、内容追踪等目的。
目前常用的水印嵌入技术通常存在隐藏性较差、抗攻击性(图像在经过压缩、裁剪等处理后，水印恢复效果较差)较差等问题，导致水印处理效果较差。
发明内容
本申请的目的在于，针对上述现有技术中的不足，提供一种图像水印处理方法、装置、电子设备及存储介质，以便于保证水印图像嵌入的隐藏性的同时，还能提升水印图像的恢复效果。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种图像水印处理方法，包括：
采用预先训练的图像水印处理模型对待嵌入的水印图像进行处理，输出所述待嵌入的水印图像对应的高频特性图像；所述高频特性图像中每个像素点的像素信息根据所述待嵌入的水印图像中对应像素点以及对应像素点的预设邻近像素点的信息确定；
根据所述高频特性图像以及原始封面图像，生成目标封面图像；
采用所述图像水印处理模型对所述目标封面图像进行水印图像恢复处理，得到所述目标封面图像对应的水印恢复图像。
可选地，所述图像水印处理模型包括：编码网络；所述采用预先训练的图像水印处理模型对待嵌入的水印图像进行处理，输出所述待嵌入的水印图像对应的高频特性图像，包括：
将所述待嵌入的水印图像输入所述编码网络；
根据所述待嵌入的水印图像中各像素点的信息以及各像素点的预设邻近像素点的信息，生成所述待嵌入的水印图像中各像素点对应的第一像素信息；
根据各像素点对应的第一像素信息，生成所述待嵌入的水印图像对应的高频特性图像。
可选地，所述根据所述高频特性图像以及原始封面图像，生成目标封面图像，包括：
将所述高频特性图像与所述原始封面图像中对应像素点的像素信息进行叠加，生成所述目标封面图像。
可选地，所述图像水印处理模型还包括：恢复网络；所述采用所述图像水印处理模型对所述目标封面图像进行水印图像恢复处理，得到所述目标封面图像对应的水印恢复图像，包括：
将所述目标封面图像输入所述恢复网络；
识别所述目标封面图像中的高频图像特征，提取出所述目标封面图像中所包含的高频特性图像；
根据所述高频特性图像中各像素点的信息以及各像素点的所述预设邻近像素点的信息，生成所述高频特性图像中各像素点对应的第二像素信息；
根据各像素点对应的第二像素信息，生成所述目标封面图像对应的水印恢复图像。
可选地，在采用预先训练的图像水印处理模型对待嵌入的水印图像进行处理以及根据所述高频特性图像以及原始封面图像，生成目标封面图像之前，还包括：
对所述待嵌入的水印图像以及所述原始封面图像分别进行尺寸归一化处理，分别得到处理后的待嵌入的水印图像以及处理后的原始封面图像。
可选地，所述方法还包括：
采集训练样本图像集，所述训练样本图像集包括多组样本图像，各组样本图像包括：样本水印图像以及原始样本封面图像；
将每组样本图像中的样本水印图像输入初始的图像水印处理模型中的编码网络中，得到所述编码网络输出的每组样本图像中所述样本水印图像对应的高频特性图像；
根据每组样本图像中的原始样本封面图像以及样本水印图像对应的高频特性图像，生成每组样本图像对应的目标样本封面图像；
将每组样本图像对应的目标样本封面图像输入初始的图像水印处理模型中的恢复网络中，得到所述恢复网络输出的每组样本图像中所述目标样本封面图像对应的样本水印恢复图像；
根据每组样本图像中的原始样本封面图像、目标样本封面图像、样本水印图像以及样本水印恢复图像，计算所述初始的图像水印处理模型的损失值，并根据所述损失值对所述初始的图像水印处理模型进行迭代优化，得到所述图像水印处理模型。
可选地，所述根据每组样本图像中的原始样本封面图像、目标样本封面图像、样本水印图像以及样本水印恢复图像，计算所述初始的图像水印处理模型的损失值，并根据所述损失值对所述初始的图像水印处理模型进行迭代优化，得到所述图像水印处理模型，包括：
根据当前迭代中所述目标样本封面图像以及所述原始样本封面图像的像素差值，得到第一数值；
根据当前迭代中所述样本水印恢复图像以及所述样本水印图像的像素差值，得到第二数值；
根据所述第一数值、所述第二数值以及预设权重参数，计算得到当前迭代的损失值；
若所述当前迭代的损失值满足预设的损失阈值，则停止迭代，将当前的图像水印处理模型作为所述图像水印处理模型；
若所述当前迭代的损失值不满足所述损失阈值，则迭代训练，直至所述当前迭代的损失值满足所述损失阈值。
第二方面，本申请实施例还提供了一种图像水印处理装置，包括：处理模块、生成模块；
所述处理模块，用于采用预先训练的图像水印处理模型对待嵌入的水印图像进行处理，输出所述待嵌入的水印图像对应的高频特性图像；所述高频特性图像中每个像素点的像素信息根据所述待嵌入的水印图像中对应像素点以及对应像素点的预设邻近像素点的信息确定；
所述生成模块，用于根据所述高频特性图像以及原始封面图像，生成目标封面图像；
所述处理模块，用于采用所述图像水印处理模型对所述目标封面图像进行水印图像恢复处理，得到所述目标封面图像对应的水印恢复图像。
可选地，所述图像水印处理模型包括：编码网络；所述处理模块，具体用于将所述待嵌入的水印图像输入所述编码网络；
根据所述待嵌入的水印图像中各像素点的信息以及各像素点的预设邻近像素点的信息，生成所述待嵌入的水印图像中各像素点对应的第一像素信息；
根据各像素点对应的第一像素信息，生成所述待嵌入的水印图像对应的高频特性图像。
可选地，所述生成模块，具体用于将所述高频特性图像与所述原始封面图像中对应像素点的像素信息进行叠加，生成所述目标封面图像。
可选地，所述图像水印处理模型还包括：恢复网络；所述处理模块，具体用于将所述目标封面图像输入所述恢复网络；
识别所述目标封面图像中的高频图像特征，提取出所述目标封面图像中所包含的高频特性图像；
根据所述高频特性图像中各像素点的信息以及各像素点的所述预设邻近像素点的信息，生成所述高频特性图像中各像素点对应的第二像素信息；
根据各像素点对应的第二像素信息，生成所述目标封面图像对应的水印恢复图像。
可选地，所述装置还包括：归一化模块；
所述归一化模块，用于对所述待嵌入的水印图像以及所述原始封面图像分别进行尺寸归一化处理，分别得到处理后的待嵌入的水印图像以及处理后的原始封面图像。
可选地，所述装置还包括：训练模块；
所述训练模块，用于采集训练样本图像集，所述训练样本图像集包括多组样本图像，各组样本图像包括：样本水印图像以及原始样本封面图像；
将每组样本图像中的样本水印图像输入初始的图像水印处理模型中的编码网络中，得到所述编码网络输出的每组样本图像中所述样本水印图像对应的高频特性图像；
根据每组样本图像中的原始样本封面图像以及样本水印图像对应的高频特性图像，生成每组样本图像对应的目标样本封面图像；
将每组样本图像对应的目标样本封面图像输入初始的图像水印处理模型中的恢复网络中，得到所述恢复网络输出的每组样本图像中所述目标样本封面图像对应的样本水印恢复图像；
根据每组样本图像中的原始样本封面图像、目标样本封面图像、样本水印图像以及样本水印恢复图像，计算所述初始的图像水印处理模型的损失值，并根据所述损失值对所述初始的图像水印处理模型进行迭代优化，得到所述图像水印处理模型。
可选地，所述训练模块，具体用于
根据当前迭代中所述目标样本封面图像以及所述原始样本封面图像的像素差值，得到第一数值；
根据当前迭代中所述样本水印恢复图像以及所述样本水印图像的像素差值，得到第二数值；
根据所述第一数值、所述第二数值以及预设权重参数，计算得到当前迭代的损失值；
若所述当前迭代的损失值满足预设的损失阈值，则停止迭代，将当前的图像水印处理模型作为所述图像水印处理模型；
若所述当前迭代的损失值不满足所述损失阈值，则迭代训练，直至所述当前迭代的损失值满足所述损失阈值。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以实现如第一方面中提供的图像水印处理方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如第一方面提供的图像水印处理方法。
本申请的有益效果是：
本申请提供一种图像水印处理方法、装置、电子设备及存储介质，基于预先训练的图像水印处理模型，可将待嵌入的水印图像处理为高频特性图像加入至原始封面图像中，又可基于图像水印处理模型从嵌入有水印图像的目标封面图像中高效准确的还原出水印图像。由于转换生成的高频特性图像具有点阵特征，从而实现了将水印图像以点阵图像的方式嵌入至原始封面图像中，达到水印感知不明显，隐蔽性较高的效果。同时，由于高频特性图像与以低频特性为主的原始封面图像存在明显差异，通过将图像水印处理模型训练为对高频特性敏感的模型，那么，将目标封面图像输入图像水印处理模型后，图像水印处理模型可迅速感知目标封面图像中的高频特性图像，并由高频特性图像恢复出所嵌入的水印图像。从而既能实现水印图像的完美隐藏，又能够迅速准确的还原出水印图像，具有较好的信息还原鲁棒性，在水印图像的嵌入和提取之间实现了视觉质量的权衡。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本申请实施例提供的一种图像水印处理系统的架构示意图；
图2为本申请实施例提供的一种图像水印处理方法的流程示意图；
图3为本申请实施例提供的另一种图像水印处理方法的流程示意图；
图4为本申请实施例提供的又一种图像水印处理方法的流程示意图；
图5为本申请实施例提供的又一种图像水印处理方法的流程示意图；
图6为本申请实施例提供的另一种图像水印处理方法的流程示意图；
图7为本申请实施例提供的一种图像水印处理装置的示意图；
图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
首先，对本方案的相关背景技术进行说明：
图像数字水印是在数字图像中嵌入隐蔽信息的一种技术。它通过对图像进行微小的修改或嵌入特定的数据，信息可以隐藏在图像的最低有效位、细微的颜色变化和细微的亮度变化中，来实现图像的认证、版权保护、内容追踪等目的。从以下几个方面对图像数字水印进行详细说明：
1.嵌入技术：图像数字水印的嵌入通常涉及将隐蔽信息嵌入到图像的像素值中。这可以通过修改图像的像素值或在图像的特定区域嵌入信息来实现。嵌入的信息可以是数字码、文本、图标、标识符等。
2.隐蔽性：图像数字水印应该对图像的视觉感知影响较小，即难以察觉。好的图像水印技术应该能够在保护图像内容的同时，不引起明显的视觉变化或质量下降。
3.鲁棒性：图像数字水印应该具有一定的抗攻击性，能够在图像经过压缩、裁剪、旋转、滤波等操作后，仍能保持水印的可读性和可提取性。鲁棒性是图像水印技术抵御恶意篡改和攻击的重要特性。
4.提取和验证：图像数字水印需要提供有效的水印提取和验证方法，以便在需要时能够准确地检测和识别嵌入的水印信息。提取和验证过程通常依赖于特定的算法和密钥，确保正确性和安全性。
5.应用领域：图像数字水印技术在版权保护、图像认证、内容追踪等方面具有广泛的应用。它可以用于追踪和识别盗版图像、验证图像的真实性和完整性，以及确认图像的来源和版权信息等。
在图像数字水印的研究和应用中，研究人员和技术专家不断改进和创新水印算法，以提高水印的隐蔽性、鲁棒性和安全性。同时，图像数字水印技术也需要考虑到隐私保护、安全性和法律合规等方面的因素，确保在实践中得到适当的应用和平衡。
目前常用的数字水印技术包括以下几种：
基于空域的数字水印：这种技术直接在图像的像素域中嵌入水印信息。常见的方法包括最低有效位(LSB)替换和扩频技术。LSB替换将水印信息嵌入到图像像素的最低有效位中，以在视觉上不明显的方式实现水印的嵌入。扩频技术则通过在像素中增加微小的变化来嵌入水印信息。
基于频域的数字水印：这种技术将水印信息嵌入到图像的频域表示中，通常使用离散余弦变换(DCT)或小波变换。频域方法能够提供更好的鲁棒性，因为对频域进行的操作在图像经过压缩和其他变换后仍然保持稳定。
基于可见水印的数字水印：可见水印是一种在图像中嵌入可视化的水印信息的技术。这种水印通常具有艺术性和透明度，以防止盗版和提供版权信息。可见水印技术可以包括图像融合、特定纹理的添加、图像变形等。
基于变换域的数字水印：这种技术将水印信息嵌入到图像的特定变换域中，如离散余弦变换(DCT)域、小波变换域、奇异值分解(SVD)域等。这些变换域具有一些特殊的性质，可以提供更好的鲁棒性和安全性。
基于深度学习的数字水印：基于深度学习的数字水印方法利用神经网络进行水印的嵌入和提取，可以提供更高的鲁棒性和安全性。
这些数字水印技术在实际应用中都有各自的优缺点和适用场景。选择适合特定需求的数字水印技术需要考虑到应用的目的、媒体类型、安全性要求和嵌入容量等因素。同时，还需要注意数字水印的设计和实施应考虑到隐私保护、法律合规和伦理问题等方面的考虑。
也就是说，上述的各种传统数字水印技术通常很难做到既隐蔽又鲁棒性较强，很难做到各场景的通用。
基于此，本方案提供的图像水印处理方法，通过预先训练的图像水印处理模型进行水印图像的嵌入以及提取，其中，通过编码网络可对待嵌入的水印图像进行处理，以生成高频特性图像作为水印图像添加至原始封面图像中，生成含有水印的封面图像。而通过恢复网络可对含有水印的封面图像进行水印提取，以从中恢复出水印图像。由于图像水印处理模型的优化目标为使得原始封面图像与含有水印的封面图像之间差异最小化，且恢复出水印图像与待嵌入的水印图像的差异最小化，从而既保证了水印图像隐藏性较好，也提高了水印图像恢复能力。
图1为本申请实施例提供的一种图像水印处理系统的架构示意图，如图1所示，该图像水印处理系统可包括：编码网络、叠加模块及恢复网络，待嵌入的水印图像作为编码网络的输入数据，经过编码网络处理，可输出待嵌入的水印图像对应的高频特性图像，高频特性图像和原始封面图像输入叠加模块进行叠加，生成目标封面图像，目标封面图像也即指嵌入了水印图像的封面图像，而目标封面图像又作为恢复网络的输入数据，经过恢复网络进行水印图像恢复处理后，可从目标封面图像中恢复出水印图像，从而实现了水印图像的嵌入与提取等流程。
其中，编码网络采用一个基于U-Net网络架构的生成器模型，并堆叠了多个卷积层，编码网络通过U-Net结构的编码器和解码器部分以及跳跃连接实现了高频特性图像的生成。恢复网络通过多个卷积层和非线性变换来实现图像的恢复。
图像水印处理系统的目标是同时最小化目标封面图像与原始封面图像之间的差异以及待嵌入的水印图像与恢复出的水印图像之间的差异。目标封面图像与原始封面图像之间的差异非常小表示在嵌入水印图像前后，封面图像差异很小保持自然外观，水印嵌入的隐蔽性较好。待嵌入的水印图像与恢复出的水印图像之间的差异非常小表示恢复网络可以从目标封面图像中几乎完美地解码出待嵌入的水印图像，即恢复出来的水印图像和待嵌入的水印图像差异很小。从而达到既保证水印图像嵌入的隐蔽性又保证了水印图像提取的准确性。
图2为本申请实施例提供的一种图像水印处理方法的流程示意图；本方法的执行主体可以为计算机或者服务器等设备，计算机或者服务器设备上部署有上述图1所示的图像水印处理系统，以用于执行本方法的步骤。
如图2所示，该方法可包括：
S201、采用预先训练的图像水印处理模型对待嵌入的水印图像进行处理，输出待嵌入的水印图像对应的高频特性图像；高频特性图像中每个像素点的像素信息根据待嵌入的水印图像中对应像素点以及对应像素点的预设邻近像素点的信息确定。
通常，一副自然图像均是由高频分量和低频分量构成的，举个例子，一帧图像的背景或者变化缓慢的区域，也就是灰度值分布比较平坦，那么，低频分量就比较强。图像的边缘、细节以及噪声的像素灰度在空间的变化非常剧烈，因此为高频分量。图像理论认为任何一张图像都是由许多频率不同、振幅不同的x-y方向的空间频率波相叠加而成。图像的频率属于图像的一种属性。
本实施例中，可采用预先训练的图像水印处理模型对待嵌入的水印图像进行处理，待嵌入的水印图像也即指所要添加至另一图像中的隐秘图像，那么，另一图像则可以作为封面图像。
经过图像水印处理模型的处理，可以输出待嵌入的水印图像对应的高频特性图像，高频特性图像也即指图像中各像素之间的频率变化较大，其与以低频特性为主的封面图像之间存在明显差异。
S202、根据高频特性图像以及原始封面图像，生成目标封面图像。
可选地，待嵌入的水印图像与其对应的高频特性图像在图像内容上几乎是一致的，这里忽略了极小的图像信息损失，高频特性图像也即是对待嵌入的水印图像的另一种表达，实现了将待嵌入的水印图像以具有不同颜色的点阵来表示，从而将点阵式的水印图像嵌入到原始封面图像中，其水印感知不明显，即使有所察觉也很难通过肉眼将这些点阵还原成具体的信息，隐蔽性强。
S203、采用图像水印处理模型对目标封面图像进行水印图像恢复处理，得到目标封面图像对应的水印恢复图像。
本实施例中，则是基于图像水印处理模型从目标封面图像中恢复水印图像，也即水印图像的提取过程。同样是基于图像水印处理模型进行处理。
可选地，由于嵌入原始封面图像中的为高频特性图像，其与以低频特性为主的原始封面图像存在明显差异，那么，在模型训练的过程中，可将图像水印处理模型训练为对高频特性敏感的模型，那么，将目标封面图像输入图像水印处理模型后，图像水印处理模型可迅速感知目标封面图像中的高频特性图像，并由高频特性图像恢复出所嵌入的水印图像，这里称其为水印恢复图像。从而基于本方案的图像水印处理模型，既能实现水印图像的完美隐藏，又能够迅速的还原出水印图像，具有较好的信息还原鲁棒性，在水印图像的嵌入和提取之间实现了视觉质量的权衡。
综上，本实施例提供的图像水印处理方法，基于预先训练的图像水印处理模型，可将待嵌入的水印图像处理为高频特性图像加入至原始封面图像中，又可基于图像水印处理模型从嵌入有水印图像的目标封面图像中高效准确的还原出水印图像。由于转换生成的高频特性图像具有点阵特征，从而实现了将水印图像以点阵图像的方式嵌入至原始封面图像中，达到水印感知不明显，隐蔽性较高的效果。同时，由于高频特性图像与以低频特性为主的原始封面图像存在明显差异，通过将图像水印处理模型训练为对高频特性敏感的模型，那么，将目标封面图像输入图像水印处理模型后，图像水印处理模型可迅速感知目标封面图像中的高频特性图像，并由高频特性图像恢复出所嵌入的水印图像。从而既能实现水印图像的完美隐藏，又能够迅速准确的还原出水印图像，具有较好的信息还原鲁棒性，在水印图像的嵌入和提取之间实现了视觉质量的权衡。
图3为本申请实施例提供的另一种图像水印处理方法的流程示意图；可选地，图像水印处理模型可包括：编码网络；步骤S201中，采用预先训练的图像水印处理模型对待嵌入的水印图像进行处理，输出待嵌入的水印图像对应的高频特性图像，可以包括：
S301、将待嵌入的水印图像输入编码网络。
可选地，可将待嵌入的水印图像作为输入数据，输入至编码网络中，由编码网络对待嵌入的水印图像进行处理。
值得说明的是，在方法执行之前，可先对待嵌入的水印图像以及原始封面图像分别进行尺寸归一化处理，分别得到处理后的待嵌入的水印图像以及处理后的原始封面图像。本实施例中可设置将待嵌入的水印图像以及原始封面图像均归一化为128×128的大小，当然，尺寸大小可以自由设置，后面统一规范化即可。
那么，可将处理后的待嵌入的水印图像作为输入数据，输入至编码网络中。
S302、根据待嵌入的水印图像中各像素点的信息以及各像素点的预设邻近像素点的信息，生成待嵌入的水印图像中各像素点对应的第一像素信息。
在一些实施例中，编码网络可对处理后的待嵌入的水印图像中各像素点进行逐一处理，以得到各像素点对应的第一像素信息。
可选地，针对待嵌入的水印图像中每个像素点而言，可根据该像素点的信息以及该像素点对应的预设邻近像素点的信息，生成该像素点对应的第一像素信息。
其中，像素点对应的预设邻近像素点可以根据网络自身定义的处理规则来确定，例如：预设邻近像素点可以为以该像素点为中心的上下左右四个邻近像素，或者也可以是邻近的八个像素等，当该像素点处于图像边缘时，其邻近像素点可能存在缺省的情况，那么缺省的情况下，则可将缺省像素点的信息默认为0。
本实施例中像素点的信息可以指像素点的像素值，在根据待嵌入的水印图像中各像素点的信息以及各像素点的预设邻近像素点的信息计算各像素点对应的第一像素信息时，可以是计算该像素点与其预设邻近像素点的像素平均值，也可以是进行加权平均或者加权求和等，其目的是使得生成的像素点对应的第一像素信息是由该像素点及其像素点周围的邻近像素点共同影响，共同决定的。
S303、根据各像素点对应的第一像素信息，生成待嵌入的水印图像对应的高频特性图像。
那么，根据各像素点对应的第一像素信息，则可生成待嵌入的水印图像对应的高频特性图像，高频特性图像中每个像素点的像素值都为该像素点对应的第一像素信息，且高频特性图像中各像素点之间的频率变化较大，呈点阵图像。
可选地，步骤S202中，根据高频特性图像以及原始封面图像，生成目标封面图像，可以包括：将高频特性图像与原始封面图像中对应像素点的像素信息进行叠加，生成目标封面图像。
本实施例中对两个图像进行叠加也即对两个图像中的相应像素点的像素值进行叠加。值得注意的是，输入编码网络中的处理后的待嵌入的水印图像为128×128尺寸，而编码网络处理后输出的高频特性图像同样为128×128尺寸。而原始封面图像在归一化后得到的处理后的原始封面图像同样为128×128，高频特性图像与处理后的原始封面图像具有相同的尺寸，像素点的数量也一一对应，也直接进行对应叠加，得到目标封面图像。
图4为本申请实施例提供的又一种图像水印处理方法的流程示意图；可选地，图像水印处理模型还包括：恢复网络；步骤S203中，采用图像水印处理模型对目标封面图像进行水印图像恢复处理，得到目标封面图像对应的水印恢复图像，可以包括：
S401、将目标封面图像输入恢复网络。
可将目标封面图像作为输入数据输入至恢复网络中，经由恢复网络进行处理后，从目标封面图像中恢复出水印图像。
S402、识别目标封面图像中的高频图像特征，提取出目标封面图像中所包含的高频特性图像。
在一些实施例中，恢复网络被训练为对高频特征较为敏感，而由于原始封面图像通常以低频特性为主，那么，恢复网络可以迅速准确的从隐藏了高频特性图像的原始封面图像(也即目标封面图像)中准确的识别出高频图像特征，从而提取出目标封面图像中所包含的高频特性图像。
S403、根据高频特性图像中各像素点的信息以及各像素点的预设邻近像素点的信息，生成高频特性图像中各像素点对应的第二像素信息。
这里与编码网络的处理过程恰好相反，这里是已知高频特性图像中各像素点的信息，然后进行反推，还原出高频特性图像对应的水印图像的过程。
同样也是根据频特性图像中各像素点的信息以及各像素点的预设邻近像素点的信息，来生成高频特性图像中各像素点对应的第二像素信息。第二像素信息则可以指所要恢复出的水印恢复图像中各像素点的信息。
S404、根据各像素点对应的第二像素信息，生成目标封面图像对应的水印恢复图像。
那么，根据各像素点对应的第二像素信息，则可生成目标封面图像对应的水印恢复图像。而水印恢复图像与待嵌入的水印图像的差异几乎达到了最小化。
图5为本申请实施例提供的又一种图像水印处理方法的流程示意图；可选地，本申请的方法还可包括：
S501、采集训练样本图像集，训练样本图像集包括多组样本图像，各组样本图像包括：样本水印图像以及原始样本封面图像。
本实施例对于图像水印处理模型的训练过程进行说明。可以采用ImageNet数据集作为训练样本图像集，从中随机获取多组样本图像，每组样本图像包括：样本水印图像以及原始样本封面图像。每组样本图像中的两张图像可以是从ImageNet数据集中随机抽取的两张图像。
S502、将每组样本图像中的样本水印图像输入初始的图像水印处理模型中的编码网络中，得到编码网络输出的每组样本图像中样本水印图像对应的高频特性图像。
将每组样本图像中的样本水印图像作为初始的图像水印处理模型中的编码网络的输入数据，从而获取编码网络输出的每组样本图像中样本水印图像对应的高频特性图像。这里之所以称之为初始的图像水印处理模型，是因为模型的参数还未训练完成，在模型参数训练结束后，得到的则为上述所使用的训练好的图像水印处理模型。
S503、根据每组样本图像中的原始样本封面图像以及样本水印图像对应的高频特性图像，生成每组样本图像对应的目标样本封面图像。
与前面的图像叠加处理相同，可以将每组样本图像中的原始样本封面图像以及样本水印图像对应的高频特性图像，生成每组样本图像对应的目标样本封面图像。
S504、将每组样本图像对应的目标样本封面图像输入初始的图像水印处理模型中的恢复网络中，得到恢复网络输出的每组样本图像中目标样本封面图像对应的样本水印恢复图像。
与模型的使用过程类似，在模型训练的过程中，同样也是将每组样本图像对应的目标样本封面图像输入初始的图像水印处理模型中的恢复网络中，得到恢复网络输出的每组样本图像中目标样本封面图像对应的样本水印恢复图像。
S505、根据每组样本图像中的原始样本封面图像、目标样本封面图像、样本水印图像以及样本水印恢复图像，计算初始的图像水印处理模型的损失值，并根据损失值对初始的图像水印处理模型进行迭代优化，得到图像水印处理模型。
那么，在每一轮的训练过程中，均可基于每组样本图像中的原始样本封面图像、目标样本封面图像、样本水印图像以及样本水印恢复图像，计算初始的图像水印处理模型的损失值，并基于损失值进行模型迭代优化。
图6为本申请实施例提供的另一种图像水印处理方法的流程示意图；可选地，步骤S505中，根据每组样本图像中的原始样本封面图像、目标样本封面图像、样本水印图像以及样本水印恢复图像，计算初始的图像水印处理模型的损失值，并根据损失值对初始的图像水印处理模型进行迭代优化，得到图像水印处理模型，可以包括：
S601、根据当前迭代中目标样本封面图像以及原始样本封面图像的像素差值，得到第一数值。
假设目标样本封面图像用C′表示，原始样本封面图像用C表示，样本水印恢复图像用S′表示，样本水印图像用S表示，那么，整个图像水印处理模型的优化目标则是最小化损失值L＝||Se||+β||S′-S||，其中Se＝C′-C。
||C′-C||非常小表示原始样本封面图像C在嵌入水印图像前后变化很小并保持自然外观，人类难以察觉原始样本封面图像和嵌入了样本水印图中之后得到的目标样本封面图像之间的差异。||S′-S||非常小表示恢复网络可以从目标样本封面图像中几乎完美地解码出所嵌入的水印图像，即恢复出来的水印图像和待嵌入的水印图像差异很小。
β为一个权重参数，可设置为0.75、0.5或者其他合理的数值，依此来平衡图像隐藏性和信息恢复能力。
可选地，这里根据当前迭代中目标样本封面图像C′以及原始样本封面图像C的像素差值，可得到第一数值||C′-C||。
S602、根据当前迭代中样本水印恢复图像以及样本水印图像的像素差值，得到第二数值。
根据当前迭代中样本水印恢复图像S′以及样本水印图像S的像素差值，可得到第二数值||S′-S||。
S603、根据第一数值、第二数值以及预设权重参数，计算得到当前迭代的损失值。
那么，当前迭代的损失值L＝||C′-C||+β||S′-S||。
S604、若当前迭代的损失值满足预设的损失阈值，则停止迭代，将当前的图像水印处理模型作为图像水印处理模型。
可选地，当当前迭代的损失值L满足预设的损失阈值时，也即L达到了规定的最小化，则可认为模型达到了最优，那么可以停止迭代，此时的网络参数则可作为目标网络参数，而此时的图像水印处理模型则被确定为训练好的图像水印处理模型。
S605、若当前迭代的损失值不满足损失阈值，则迭代训练，直至当前迭代的损失值满足损失阈值。
而若当前轮计算得到的损失值不满足损失阈值，则认为模型的网络参数还不达标，则可继续下一轮的迭代训练，而训练过程则如上述S501-S505，此处不再赘述，直到损失值满足条件则停止。
综上，本实施例提供的图像水印处理方法，基于预先训练的图像水印处理模型，可将待嵌入的水印图像处理为高频特性图像加入至原始封面图像中，又可基于图像水印处理模型从嵌入有水印图像的目标封面图像中高效准确的还原出水印图像。由于转换生成的高频特性图像具有点阵特征，从而实现了将水印图像以点阵图像的方式嵌入至原始封面图像中，达到水印感知不明显，隐蔽性较高的效果。同时，由于高频特性图像与以低频特性为主的原始封面图像存在明显差异，通过将图像水印处理模型训练为对高频特性敏感的模型，那么，将目标封面图像输入图像水印处理模型后，图像水印处理模型可迅速感知目标封面图像中的高频特性图像，并由高频特性图像恢复出所嵌入的水印图像。从而既能实现水印图像的完美隐藏，又能够迅速准确的还原出水印图像，具有较好的信息还原鲁棒性，在水印图像的嵌入和提取之间实现了视觉质量的权衡。
下述对用以执行本申请所提供的图像水印处理方法的装置、设备及存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。
图7为本申请实施例提供的一种图像水印处理装置的示意图，该图像水印处理装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述服务器，或服务器的处理器，也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件，如图7所示，该装置可包括：处理模块710、生成模块720；
处理模块710，用于采用预先训练的图像水印处理模型对待嵌入的水印图像进行处理，输出待嵌入的水印图像对应的高频特性图像；高频特性图像中每个像素点的像素信息根据待嵌入的水印图像中对应像素点以及对应像素点的预设邻近像素点的信息确定；
生成模块720，用于根据高频特性图像以及原始封面图像，生成目标封面图像；
处理模块710，用于采用图像水印处理模型对目标封面图像进行水印图像恢复处理，得到目标封面图像对应的水印恢复图像。
可选地，图像水印处理模型包括：编码网络；处理模块710，具体用于将待嵌入的水印图像输入编码网络；
根据待嵌入的水印图像中各像素点的信息以及各像素点的预设邻近像素点的信息，生成待嵌入的水印图像中各像素点对应的第一像素信息；
根据各像素点对应的第一像素信息，生成待嵌入的水印图像对应的高频特性图像。
可选地，生成模块720，具体用于将高频特性图像与原始封面图像中对应像素点的像素信息进行叠加，生成目标封面图像。
可选地，图像水印处理模型还包括：恢复网络；处理模块710，具体用于将目标封面图像输入恢复网络；
识别目标封面图像中的高频图像特征，提取出目标封面图像中所包含的高频特性图像；
根据高频特性图像中各像素点的信息以及各像素点的预设邻近像素点的信息，生成高频特性图像中各像素点对应的第二像素信息；
根据各像素点对应的第二像素信息，生成目标封面图像对应的水印恢复图像。
可选地，装置还包括：归一化模块；
归一化模块，用于对待嵌入的水印图像以及原始封面图像分别进行尺寸归一化处理，分别得到处理后的待嵌入的水印图像以及处理后的原始封面图像。
可选地，装置还包括：训练模块；
训练模块，用于采集训练样本图像集，训练样本图像集包括多组样本图像，各组样本图像包括：样本水印图像以及原始样本封面图像；
将每组样本图像中的样本水印图像输入初始的图像水印处理模型中的编码网络中，得到编码网络输出的每组样本图像中样本水印图像对应的高频特性图像；
根据每组样本图像中的原始样本封面图像以及样本水印图像对应的高频特性图像，生成每组样本图像对应的目标样本封面图像；
将每组样本图像对应的目标样本封面图像输入初始的图像水印处理模型中的恢复网络中，得到恢复网络输出的每组样本图像中目标样本封面图像对应的样本水印恢复图像；
根据每组样本图像中的原始样本封面图像、目标样本封面图像、样本水印图像以及样本水印恢复图像，计算初始的图像水印处理模型的损失值，并根据损失值对初始的图像水印处理模型进行迭代优化，得到图像水印处理模型。
可选地，训练模块，具体用于
根据当前迭代中目标样本封面图像以及原始样本封面图像的像素差值，得到第一数值；
根据当前迭代中样本水印恢复图像以及样本水印图像的像素差值，得到第二数值；
根据第一数值、第二数值以及预设权重参数，计算得到当前迭代的损失值；
若当前迭代的损失值满足预设的损失阈值，则停止迭代，将当前的图像水印处理模型作为图像水印处理模型；
若当前迭代的损失值不满足损失阈值，则迭代训练，直至当前迭代的损失值满足损失阈值。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。
图8为本申请实施例提供的一种电子设备的结构示意图，该设备可以是具备数据处理功能的计算设备。
该设备可包括：处理器801、存储介质802。
存储介质802用于存储程序，处理器801调用存储介质802存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
其中，存储介质802存储有程序代码，当程序代码被处理器801执行时，使得处理器801执行本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的图像水印处理方法中的各种步骤。
处理器801可以是通用处理器，例如中央处理器(CPU)、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储介质802作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储介质可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储介质、随机访问存储介质(Random AccessMemory，RAM)、静态随机访问存储介质(Static Random Access Memory，SRAM)、可编程只读存储介质(Programmable Read Only Memory，PROM)、只读存储介质(Read Only Memory，ROM)、带电可擦除可编程只读存储介质(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储介质、磁盘、光盘等等。存储介质是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储介质802还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
可选地，本申请还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储介质(英文：Read-Only Memory，简称：ROM)、随机存取存储介质(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种图像水印处理方法，其特征在于，包括：
采用预先训练的图像水印处理模型对待嵌入的水印图像进行处理，输出所述待嵌入的水印图像对应的高频特性图像；所述高频特性图像中每个像素点的像素信息根据所述待嵌入的水印图像中对应像素点以及对应像素点的预设邻近像素点的信息确定；
根据所述高频特性图像以及原始封面图像，生成目标封面图像；
采用所述图像水印处理模型对所述目标封面图像进行水印图像恢复处理，得到所述目标封面图像对应的水印恢复图像。
2.根据权利要求1所述的方法，其特征在于，所述图像水印处理模型包括：编码网络；所述采用预先训练的图像水印处理模型对待嵌入的水印图像进行处理，输出所述待嵌入的水印图像对应的高频特性图像，包括：
将所述待嵌入的水印图像输入所述编码网络；
根据所述待嵌入的水印图像中各像素点的信息以及各像素点的预设邻近像素点的信息，生成所述待嵌入的水印图像中各像素点对应的第一像素信息；
根据各像素点对应的第一像素信息，生成所述待嵌入的水印图像对应的高频特性图像。
3.根据权利要求1所述的方法，其特征在于，所述根据所述高频特性图像以及原始封面图像，生成目标封面图像，包括：
将所述高频特性图像与所述原始封面图像中对应像素点的像素信息进行叠加，生成所述目标封面图像。
4.根据权利要求2所述的方法，其特征在于，所述图像水印处理模型还包括：恢复网络；所述采用所述图像水印处理模型对所述目标封面图像进行水印图像恢复处理，得到所述目标封面图像对应的水印恢复图像，包括：
将所述目标封面图像输入所述恢复网络；
识别所述目标封面图像中的高频图像特征，提取出所述目标封面图像中所包含的高频特性图像；
根据所述高频特性图像中各像素点的信息以及各像素点的所述预设邻近像素点的信息，生成所述高频特性图像中各像素点对应的第二像素信息；
根据各像素点对应的第二像素信息，生成所述目标封面图像对应的水印恢复图像。
5.根据权利要求1-4任一所述的方法，其特征在于，在采用预先训练的图像水印处理模型对待嵌入的水印图像进行处理以及根据所述高频特性图像以及原始封面图像，生成目标封面图像之前，还包括：
对所述待嵌入的水印图像以及所述原始封面图像分别进行尺寸归一化处理，分别得到处理后的待嵌入的水印图像以及处理后的原始封面图像。
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
采集训练样本图像集，所述训练样本图像集包括多组样本图像，各组样本图像包括：样本水印图像以及原始样本封面图像；
将每组样本图像中的样本水印图像输入初始的图像水印处理模型中的编码网络中，得到所述编码网络输出的每组样本图像中所述样本水印图像对应的高频特性图像；
根据每组样本图像中的原始样本封面图像以及样本水印图像对应的高频特性图像，生成每组样本图像对应的目标样本封面图像；
将每组样本图像对应的目标样本封面图像输入初始的图像水印处理模型中的恢复网络中，得到所述恢复网络输出的每组样本图像中所述目标样本封面图像对应的样本水印恢复图像；
根据每组样本图像中的原始样本封面图像、目标样本封面图像、样本水印图像以及样本水印恢复图像，计算所述初始的图像水印处理模型的损失值，并根据所述损失值对所述初始的图像水印处理模型进行迭代优化，得到所述图像水印处理模型。
7.根据权利要求6所述的方法，其特征在于，所述根据每组样本图像中的原始样本封面图像、目标样本封面图像、样本水印图像以及样本水印恢复图像，计算所述初始的图像水印处理模型的损失值，并根据所述损失值对所述初始的图像水印处理模型进行迭代优化，得到所述图像水印处理模型，包括：
根据当前迭代中所述目标样本封面图像以及所述原始样本封面图像的像素差值，得到第一数值；
根据当前迭代中所述样本水印恢复图像以及所述样本水印图像的像素差值，得到第二数值；
根据所述第一数值、所述第二数值以及预设权重参数，计算得到当前迭代的损失值；
若所述当前迭代的损失值满足预设的损失阈值，则停止迭代，将当前的图像水印处理模型作为所述图像水印处理模型；
若所述当前迭代的损失值不满足所述损失阈值，则迭代训练，直至所述当前迭代的损失值满足所述损失阈值。
8.一种图像水印处理装置，其特征在于，包括：处理模块、生成模块；
所述处理模块，用于采用预先训练的图像水印处理模型对待嵌入的水印图像进行处理，输出所述待嵌入的水印图像对应的高频特性图像；所述高频特性图像中每个像素点的像素信息根据所述待嵌入的水印图像中对应像素点以及对应像素点的预设邻近像素点的信息确定；
所述生成模块，用于根据所述高频特性图像以及原始封面图像，生成目标封面图像；
所述处理模块，用于采用所述图像水印处理模型对所述目标封面图像进行水印图像恢复处理，得到所述目标封面图像对应的水印恢复图像。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以实现如权利要求1至7任一所述的图像水印处理方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时以实现如权利要求1至7任一所述的图像水印处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311127429.2A CN117094871A (zh) | 2023-09-01 | 2023-09-01 | 图像水印处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311127429.2A CN117094871A (zh) | 2023-09-01 | 2023-09-01 | 图像水印处理方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117094871A true CN117094871A (zh) | 2023-11-21 |
Family
ID=88782794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311127429.2A Pending CN117094871A (zh) | 2023-09-01 | 2023-09-01 | 图像水印处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117094871A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111768327A (zh) * | 2020-06-30 | 2020-10-13 | 苏州科达科技股份有限公司 | 基于深度学习的水印添加、提取方法、设备及存储介质 |
| CN114445256A (zh) * | 2022-01-27 | 2022-05-06 | 腾讯科技（深圳）有限公司 | 一种数字水印的训练方法、装置、设备及存储介质 |
| CN115272044A (zh) * | 2022-08-10 | 2022-11-01 | 大连大学 | 基于混合频域通道注意力的深度图像水印方法 |
-
2023
- 2023-09-01 CN CN202311127429.2A patent/CN117094871A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111768327A (zh) * | 2020-06-30 | 2020-10-13 | 苏州科达科技股份有限公司 | 基于深度学习的水印添加、提取方法、设备及存储介质 |
| CN114445256A (zh) * | 2022-01-27 | 2022-05-06 | 腾讯科技（深圳）有限公司 | 一种数字水印的训练方法、装置、设备及存储介质 |
| CN115272044A (zh) * | 2022-08-10 | 2022-11-01 | 大连大学 | 基于混合频域通道注意力的深度图像水印方法 |
Non-Patent Citations (1)
| Title |
|---|
| 贾凯: "基于深度神经网络的大容量可逆图像隐写研究", 《中国优秀硕士学位论文全文数据库》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ansari et al. | Multipurpose image watermarking in the domain of DWT based on SVD and ABC | |
| Wan et al. | A comprehensive survey on robust image watermarking | |
| Singh et al. | Effective self-embedding watermarking scheme for image tampered detection and localization with recovery capability | |
| Ernawan et al. | An improved image watermarking by modifying selected DWT-DCT coefficients | |
| Su et al. | Color image blind watermarking scheme based on QR decomposition | |
| Haghighi et al. | TRLH: Fragile and blind dual watermarking for image tamper detection and self-recovery based on lifting wavelet transform and halftoning technique | |
| Memon et al. | Hybrid watermarking of medical images for ROI authentication and recovery | |
| Su et al. | Embedding color watermarks in color images based on Schur decomposition | |
| Shen et al. | From single watermark to dual watermark: a new approach for image watermarking | |
| Rajput et al. | Image tamper detection and self-recovery using multiple median watermarking | |
| CN111784556A (zh) | 在图像中添加数字水印的方法、装置、终端及存储介质 | |
| Liu et al. | Robust blind image watermarking based on chaotic mixtures | |
| Kiani et al. | A multi-purpose digital image watermarking using fractal block coding | |
| Zhang et al. | Robust and reliable image copyright protection scheme using downsampling and block transform in integer wavelet domain | |
| Chang et al. | An effective image self-recovery based fragile watermarking using self-adaptive weight-based compressed AMBTC | |
| CN109886856A (zh) | 对屏幕拍摄过程鲁棒的数字水印方法 | |
| CN113538197A (zh) | 水印提取方法、装置、存储介质以及电子设备 | |
| CN115018688A (zh) | 一种基于dct系数的生成网络模型水印方法及应用 | |
| Su | Color image watermarking: algorithms and technologies | |
| Liu et al. | Adaptive feature calculation and diagonal mapping for successive recovery of tampered regions | |
| Singh et al. | Roi-fuzzy based medical data authentication scheme for smart healthcare system | |
| Yang | Information analysis for steganography and steganalysis in 3D polygonal meshes | |
| Fei et al. | A reversible watermark scheme for 2D vector map based on reversible contrast mapping | |
| CN115222575B (zh) | 利用频率域系数比值的矢量数据水印嵌入和提取方法 | |
| CN110766597A (zh) | 一种图片伪装方法、装置、电子设备和存储介质 |
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 |