CN117437108B - 一种针对图像数据的水印嵌入方法 - Google Patents
一种针对图像数据的水印嵌入方法 Download PDFInfo
- Publication number
- CN117437108B CN117437108B CN202311771714.8A CN202311771714A CN117437108B CN 117437108 B CN117437108 B CN 117437108B CN 202311771714 A CN202311771714 A CN 202311771714A CN 117437108 B CN117437108 B CN 117437108B
- Authority
- CN
- China
- Prior art keywords
- watermark
- image
- initial
- network
- carrier
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 115
- 238000012795 verification Methods 0.000 claims abstract description 32
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 13
- 230000002441 reversible effect Effects 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 15
- 238000003860 storage Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000010606 normalization Methods 0.000 description 5
- 238000013139 quantization Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect 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
- G06T1/005—Robust watermarking, e.g. average attack or collusion attack resistant
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0065—Extraction of an embedded watermark; Reliable detection
-
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种针对图像数据的水印嵌入方法,包括:获取预设个数初始图像,对每个初始图像进行分割,得到对应的载体图像和水印图像;根据训练集中每个初始图像的载体图像和水印图像对预设水印网络进行融合和可微分模拟攻击的训练,得到目标水印网络;将验证集中每个初始图像的载体图像和水印图像输入至目标水印网络中,得到验证集中初始图像的整体损失数据集;当整体损失数据集中数值的和小于预设损失阈值时,确定目标水印网络训练完成。本发明通过初始图像对预设水印网络进行融合和可微分的模拟攻击的训练,得到目标水印网络,提高了深度学习水印的鲁棒性。
Description
技术领域
本发明涉及水印嵌入技术领域,具体涉及一种针对图像数据的水印嵌入方法。
背景技术
随着网络和多媒体技术的飞速演进以及社交网络的成熟,数字数据的共享和传播变得极为便利,为人们的工作和娱乐带来了巨大便利。然而,这一便利也伴随着一系列问题,其中包括非法复制、伪造、恶意篡改以及未经授权的传播等行为,这些严重损害了数字产品所有者的合法权益。因此,数字产品的版权保护问题亟待解决。
传统的图像鲁棒水印方法通常可根据嵌入领域的不同划分为基于空域、基于变换域和基于多重变换域的方法。而基于深度学习的水印方法拥有独特的优势,因为它们将整个图像视为嵌入领域,并利用端到端的学习来实现对整个图像的最佳嵌入。然而,深度学习技术也存在一些限制,它依赖于反向传播算法,要求网络的各个组成部分都是可微分的。对于数字水印领域的一些常见攻击手段,如JPEG压缩,其中包含不可微分的步骤,这可能会对深度学习水印的鲁棒性造成影响。
因此,急需提出一种针对图像数据的水印嵌入方法,解决现有技术中存在的基于深度学习的水印嵌入网络无法抵抗住不可微分的攻击手段,导致对深度学习水印的鲁棒性造成影响的技术问题。
发明内容
有鉴于此,有必要提供一种针对图像数据的水印嵌入方法,用以解决现有技术中存在的基于深度学习的水印嵌入网络无法抵抗住不可微分的攻击手段,导致对深度学习水印的鲁棒性造成影响的技术问题。
一方面,本发明提供了一种针对图像数据的水印嵌入方法,包括:
获取预设个数初始图像,对每个初始图像进行分割,得到所述每个初始图像对应的载体图像和水印图像,并将所述预设个数初始图像分为训练集和验证集;
根据所述训练集中所述每个初始图像的所述载体图像和所述水印图像对预设水印网络进行融合和可微分模拟攻击的训练,得到目标水印网络;
将所述验证集中所述每个初始图像的所述载体图像和所述水印图像输入至所述目标水印网络中,得到所述验证集中所有初始图像的整体损失数据集;
当所述整体损失数据集中数值的和小于预设损失阈值时,确定所述目标水印网络训练完成。
在一些可能的实现方式中,所述预设水印网络包括水印嵌入网络和水印提取网络;
所述根据所述训练集中所述每个初始图像的所述载体图像和所述水印图像对预设水印网络进行融合和可微分模拟攻击的训练,得到目标水印网络,包括:
从所述训练集中确定第一初始图像;
将所述第一初始图像的所述载体图像和所述水印图像输入至所述水印嵌入网络中进行融合,得到初始水印载体图像和嵌入损失;
对所述初始水印载体图像进行模拟攻击,得到攻击后的目标水印载体图像;
根据所述嵌入损失、所述第一初始图像、所述目标水印载体图像和所述水印提取网络,得到整体损失;
根据所述整体损失对所述预设水印网络的参数进行调整,得到初始水印网络;
在所述整体损失达到预设损失阈值,或所述训练集中不存在未进行嵌入的初始图像的情况下,对训练过程中的参数进行调整,重新根据所述训练集对所述预设水印网络进行训练,得到目标水印网络。
在一些可能的实现方式中,所述根据所述嵌入损失、所述第一初始图像、所述目标水印载体图像和所述水印提取网络,得到整体损失,包括:
将所述目标水印载体图像输入至所述水印提取网络中,得到目标水印图像;
对所述第一初始图像的所述水印图像和所述目标水印图像进行比较,得到提取损失;
根据所述嵌入损失和所述提取损失,确定整体损失。
在一些可能的实现方式中,所述根据所述训练集中所述每个初始图像的所述载体图像和所述水印图像对预设水印网络进行融合和可微分模拟攻击的训练,得到目标水印网络,还包括:
在所述整体损失未达到所述预设损失阈值的情况下,判断所述训练集中是否存在未进行嵌入的初始图像;
若是,则从所述训练集中随机确定第二目标调整图像,根据所述第二目标调整图像和所述初始水印网络,得到新整体损失,并根据所述新整体损失对所述初始水印网络进行更新,对所述整体损失和所述训练集进行判断;
若否,则对训练过程中的参数进行调整,重新根据所述训练集对所述预设水印网络进行训练,得到目标水印网络。
在一些可能的实现方式中,所述将所述第一初始图像的所述载体图像和所述水印图像输入至所述水印嵌入网络中进行融合,得到初始水印载体图像和嵌入损失,包括:
对所述载体图像和所述水印图像进行格式转换,得到所述载体图像对应的载体格式数据和所述水印图像对应的水印格式数据;
将所述水印格式数据和所述载体格式数据的通道深度进行拼接,得到水印载体格式数据;
将所述水印载体格式数据输入至所述水印嵌入网络中,得到初始水印载体图像;
根据预设均方损失函数对所述载体图像和所述初始水印载体图像进行计算,得到嵌入损失。
在一些可能的实现方式中,所述对所述初始水印载体图像进行模拟攻击,得到攻击后的目标水印载体图像,包括:
在所述初始水印载体图像上添加随机白噪声和加性噪声,得到噪声水印载体图像;
对所述噪声水印载体图像抑制或者关闭阻断区域地神经元,得到裁剪水印载体图像;
对所述裁剪水印载体图像的窗口进行平滑,得到平滑水印载体图像;
对所述平滑水印载体图像进行可微分的JPEG攻击,得到目标水印载体图像。
在一些可能的实现方式中,所述对每个初始图像进行分割,得到所述每个初始图像对应的载体图像和水印图像,包括:
对所述每个初始图像进行分割,得到前半部分图像和后半部分图像;
将所述前半部分图像确定为所述载体图像;
将所述后半部分图像确定为所述水印图像。
在一些可能的实现方式中,在所述根据所述训练集中所述每个初始图像的所述载体图像和所述水印图像对预设水印网络进行融合和可微分模拟攻击的训练,得到目标水印网络之前,还包括:
对所述预设个数初始图像中的所有载体图像进行可逆线性变换,得到每个载体图像对应的变化载体图像;
根据所述变化载体图像对所述每个初始图像对应的所述载体图像进行更新。
在一些可能的实现方式中,在所述获取预设个数初始图像之后,还包括:
根据预设固定宽高对所述预设个数初始图像的宽高进行调整,得到统一宽高的预设个数初始图像。
另一方面,本发明还提供了一种针对图像数据的水印嵌入装置,包括:
图像获取模块,用于获取预设个数初始图像,对每个初始图像进行分割,得到所述每个初始图像对应的载体图像和水印图像,并将所述预设个数初始图像分为训练集和验证集;
网络训练模块,用于根据所述训练集中所述每个初始图像的所述载体图像和所述水印图像对预设水印网络进行融合和可微分模拟攻击的训练,得到目标水印网络;
损失确定模块,用于将所述验证集中所述每个初始图像的所述载体图像和所述水印图像输入至所述目标水印网络中,得到所述验证集中所有初始图像的整体损失数据集;
训练完成模块,用于当所述整体损失数据集中数值的和小于预设损失阈值时,确定所述目标水印网络训练完成。
采用上述实施例的有益效果是:本发明提供的针对图像数据的水印嵌入方法,通过对初始图像进行分割,得到载体图像和水印图像,从而可以根据预设水印网络对载体图像和水印图像进行融合,还可以对融合之后的图像进行可微分的模拟攻击,进而起到起到提高水印载体图像鲁棒性的目的,从而得到目标水印网络,然后可以通过验证集中的初始图像对目标水印网络进行验证,从而可以在验证集的整体损失数据集小于预设损失阈值时,得到可以抵抗常见攻击手段的目标水印网络,提高了深度学习水印的鲁棒性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的附图。
图1为本发明提供的针对图像数据的水印嵌入方法的一个实施例流程示意图;
图2为本发明提供的步骤S102的一个实施例流程示意图;
图3为本发明提供的针对图像数据的水印嵌入装置的一个实施例结构示意图;
图4为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其他实施例相结合。
数字图像水印技术是一种秘密嵌入和提取信息的过程,其中数据被隐藏到一个覆盖图像中,以创建一个待传输的标记图像。标记后的图像不能直观地显示水印信息,只有经过授权的接收方才能正确提取水印信息。图像水印技术可以应用于各种各样的应用场景,根据不同的目标,水印信息可以以不同的形式呈现。例如,水印可以是一些随机位元或用于图像保护和验证的电子签名,也可以用于秘密通信的隐藏消息。此外,水印还可以根据不同的目的进行编码,例如使用加密方法增加安全性,或者在遭受网络攻击时使用纠错码恢复信息的完整性。
本发明实施例提供了一种针对图像数据的水印嵌入方法,以下分别进行说明。
图1为本发明提供的针对图像数据的水印嵌入方法的一个实施例流程示意图,如图1所示,针对图像数据的水印嵌入方法包括:
S101、获取预设个数初始图像,对每个初始图像进行分割,得到每个初始图像对应的载体图像和水印图像,并将预设个数初始图像分为训练集和验证集;
S102、根据训练集中每个初始图像的载体图像和水印图像对预设水印网络进行融合和可微分模拟攻击的训练,得到目标水印网络;训练包括对水印图像和载体图像进行融合,以及进行可微分的模拟攻击;
S103、将验证集中每个初始图像的载体图像和水印图像输入至目标水印网络中,得到验证集中所有初始图像的整体损失数据集;
S104、当整体损失数据集中数值的和小于预设损失阈值时,确定目标水印网络训练完成。
与现有技术相比,本发明实施例提供的针对图像数据的水印嵌入方法,通过对初始图像进行分割,得到载体图像和水印图像,从而可以根据预设水印网络对载体图像和水印图像进行融合,还可以对融合之后的图像进行可微分的模拟攻击,进而起到起到提高水印载体图像鲁棒性的目的,从而得到目标水印网络,然后可以通过验证集中的初始图像对目标水印网络进行验证,从而可以在验证集的整体损失数据集小于预设损失阈值时,得到可以抵抗常见攻击手段的目标水印网络,提高了深度学习水印的鲁棒性。
应当理解的是:步骤S101中预设个数初始图像的方式可为根据图像获取设备获取的初始图像,也可为从存储介质中调用历史存储的初始图像。
在本发明的具体实施例中,实现一个嵌入提取水印的框架,将一个彩色图像(水印图像)嵌入到另一个彩色图像(载体图像)中,所生成的水印载体图像对常见攻击具有较好的鲁棒性,即载体水印图像在遭受攻击的情况下依旧可以提取出水印,从而实现图像版权保护的需求。这项技术引入了可微攻击层作为网络的关键组成部分,包含一种可微的JPEG压缩算法,以显著增强水印的鲁棒性。这意味着即使在面对各种攻击和变换时,水印仍然能够有效提取,从而实现了较优的水印鲁棒性。
进一步的,可以采集大量的初始图像,并将其分成训练集和验证集,通常采用7:3的比例。这些图像将用于训练和验证预设水印网络,以确保水印方案的有效性和鲁棒性,其中,预设水印网络可以根据实际情况进行设置,本发明实施例在此不加以限制。
在本发明的一些实施例中,步骤S101包括:
根据预设固定宽高对预设个数初始图像的宽高进行调整,得到统一宽高的预设个数初始图像。
在本发明的具体实施例中,可以设置预设固定宽高,从而可以对预设个数初始图像的宽高进行调整,将其调整为width×height像素的大小,使预设个数初始图像的尺寸可以统一。其中,预设固定宽高可以根据实际情况进行设置,本发明实施例在此不加以限制。
在本发明的一些实施例中,步骤S101包括:
对每个初始图像进行分割,得到前半部分图像和后半部分图像;
将前半部分图像确定为载体图像;
将后半部分图像确定为水印图像。
在本发明的具体实施例中,可以对每个初始图像进行分割,将每个图像分成两部分,前半部分作为载体图像,后半部分作为水印图像。这个分割是为了在载体图像中嵌入水印,并在提取时恢复水印图像。
在本发明的一些实施例中,在步骤S102之前,还包括:
对预设个数初始图像中的所有载体图像进行可逆线性变换,得到每个载体图像对应的变化载体图像;
根据变化载体图像对每个初始图像对应的载体图像进行更新。
在本发明的具体实施例中,还可以对所有初始图像的所有载体图像做一次可逆线性变换,得到每个载体图像对应的变化载体图像,以将图像的表示基础从空间域改变到新的空间,例如频域,可逆线性变换的可逆变换层可以固定为任何标准变换,例如DCT变换、小波变换等,以提供更高的安全性。从而可以根据变化载体图像对每个初始图像对应的载体图像进行更新。其中,可逆线性变换的过程可以根据实际情况进行设置,本发明实施例在此不加以限制。
在本发明的一些实施例中,如图2所示,预设水印网络包括水印嵌入网络和水印提取网络;步骤S102包括:
S1021、从训练集中确定第一初始图像;
S1022、将第一初始图像的载体图像和水印图像输入至水印嵌入网络中进行融合,得到初始水印载体图像和嵌入损失;
S1023、对初始水印载体图像进行模拟攻击,得到攻击后的目标水印载体图像;
S1024、根据嵌入损失、第一初始图像、目标水印载体图像和水印提取网络,得到整体损失;
S1025、根据整体损失对预设水印网络的参数进行调整,得到初始水印网络;
S1026、在整体损失达到预设损失阈值,或训练集中不存在未进行嵌入的初始图像的情况下,将初始水印网络确定为目标水印网络。
在本发明的具体实施例中,预设水印网络可以包括水印嵌入网络和水印提取网络,为了可以通过训练集中的样本数据对预设水印网络进行训练,可以从训练集中随机确定一个图像,将该图像确定为第一初始图像。
在本发明的一些实施例中,将第一初始图像的载体图像和水印图像输入至水印嵌入网络中进行融合,得到初始水印载体图像和嵌入损失,包括:
对载体图像和水印图像进行格式转换,得到载体图像对应的载体格式数据和水印图像对应的水印格式数据;
将水印格式数据和载体格式数据的通道深度进行拼接,得到水印载体格式数据;
将水印载体格式数据输入至水印嵌入网络中,得到初始水印载体图像;
根据预设均方损失函数对载体图像和初始水印载体图像进行计算,得到嵌入损失。
在本发明的具体实施例中,在随机确定第一初始图像之后,可以对第一初始图像的载体图像和水印图像进行格式转换,转换为深度学习框架所能处理的格式的数据,即batch_size×width×height×3的格式,进而得到载体图像对应的载体格式数据和水印图像对应的水印格式数据,然后可以将载体格式数据和水印格式数据的通道深度拼接起来,即拼接之后的图像的水印载体格式数据为batch_size×width×height×6,然后可以将水印载体格式数据作为水印嵌入网络的输入,水印嵌入网络可以对载体图像和水印图像进行融合,得到初始水印载体图像,水印嵌入网络是一种基于U-Net的自编码器;水印提取网络是一种卷积神经网络,该网络由6层卷积神经网络组成;本发明实施例可以采样MSE均方损失函数,通过MSE均方损失函数计算第一初始图像的载体图像与初始水印载体图像之间的损失大小,作为水印嵌入网络的H-net的损失,即嵌入损失,以此训练H-net,使该损失值最小。MSE均方损失函数用于指导水印嵌入网络学习如何嵌入水印,以最小化信息丢失。
MSE均方损失函数如公式(1)所示:
(1)
式中,表示载体图像/>在位置/>的像素值,/>表示初始水印载体图像/>在位置/>的像素值,/>表示图像的高度(行数),/>表示图像的宽度(列数)。
需要说明的是,为了训练水印的鲁棒性,在本发明的一些实施例中,对初始水印载体图像进行模拟攻击,得到攻击后的目标水印载体图像,包括:
在初始水印载体图像上添加随机白噪声和加性噪声,得到噪声水印载体图像;
对噪声水印载体图像抑制或者关闭阻断区域地神经元,得到裁剪水印载体图像;
对裁剪水印载体图像的窗口进行平滑,得到平滑水印载体图像;
对平滑水印载体图像进行可微分的JPEG攻击,得到目标水印载体图像。
在本发明的具体实施例中,为了训练水印的鲁棒性,可以引入一个模拟已知攻击的攻击层,可以模拟初始水印载体图像在面对各种攻击时的情况,可微攻击层的设计如下:
噪声攻击:在每次训练的迭代中在水印图像上添加随机白噪声。反向传播的损耗信号通过每次迭代固定的加性噪声。可以应用各种类型的噪声,如均匀噪声和高斯噪声。此外,例如椒盐噪声也是遵循相同的遵循,即值0或255以特定的概率分配给随机图像像素。
随机裁剪攻击:通过抑制或者关闭随机阻断区域的神经元实现随机裁剪攻击。
平滑攻击:使用标准化的单位掩码(全1矩阵)来平滑窗口,如公式(2)所示,因此,在这种情况下,攻击层是一个权值恒定地简单卷积神经元。可以对各种有限脉冲响应(FIR)滤波器使用任何卷积掩模,来模拟任何频带滤波攻击。例如,图层蒙版可以设置为高斯滤波器或锐化滤波器。
(2)
式中,mask表示掩码;a表示平滑窗口的大小,表示一个正方形的平滑窗口的边长或者是宽度即窗口在水平和垂直方向上的大小。这个平滑窗口的设计是一个a*a的矩阵,其中所有的元素都是一这构成了一个归一化的单位掩膜,用于平滑攻击。
JPEG(网页图片病毒)攻击:以上攻击都是固有的可区分的,可以直接实现到网络层。由于JPEG编码涉及一些不可微的操作。因此使用一个可微的近似过程来模拟网络层的JPEG攻击。一个完整的JPEG攻击仿真,包含了上述的所有阶段:DCT(离散余弦)变换、量化矩阵除法、舍入、量化矩阵乘法、DCT逆变换。其中舍入运算是不可微的,需要用可微的运算逼近,以便于训练梯度的反向传播。所属方案通过在[-0.5,0.5]范围内的均匀噪声来模拟舍入运算。以下公式(3)给出了提出的舍入模拟方法。
(3)
式中,是DCT域中的水印图像;/>是它的近似量化版本;Q是所需质量因子的量化矩阵;/>是均匀噪声[-0.5,0.5]。这个方程意味着量化矩阵的元素越大,其四舍五入效应越强,量化矩阵的元素越趋于高频。这使得网络在变换域的高频部分逐渐降低嵌入强度。
本发明实施例不是简单的对单个图像进行编码,而是对两个图像进行编码,以便初始水印载体图像与载体图像尽可能相似。通过减小公式(4)如下所示的误差对系统进行训练。
(4)
式中,C和S分别为载体图像和水印图像,β为如何衡量其重构误差;其中,损失项不适用于接收容器图像并提取水印图像的提取网络的权值更新。另一方面,所有网络都能接收损失信息/>用于重建水印图像。这确保了水印图像的生成的表示也编码了关于水印图像的信息。JPEG攻击完成之后,得到了目标水印载体图像。
在本发明的一些实施例中,根据嵌入损失、第一初始图像、目标水印载体图像和水印提取网络,得到整体损失,包括:
将目标水印载体图像输入至水印提取网络中,得到目标水印图像;
对第一初始图像的水印图像和目标水印图像进行比较,得到提取损失;
根据嵌入损失和提取损失,确定整体损失。
在本发明的具体实施例中,可以将目标水印载体图像输入至水印提取网络中,水印提取网络中用于从攻击后的目标水印载体图像中提取出嵌入的水印图像,其中,水印提取网络的输入通道数初始为3,表示彩色图像的三个通道(红、绿、蓝),即第一层卷积以batch_size×width×height×3大小的格式作为输入,输出格式为batch_size×width×height×64,卷积核大小为3×3,步幅为1,填充为1;之后对该卷积层的输出进行批归一化,再对批归一化的输出进行非线性ReLU激活。
第二层卷积以batch_size×width×height×64的格式作为输入,以batch_size×width×height×128的格式作为输出,卷积核大小为3×3,步幅为1,填充为1;之后对该卷积层的输出进行批归一化,再对批归一化的输出进行非线性ReLU激活。
第三层卷积以batch_size×width×height×128的格式作为输入,以batch_size×width×height×256的格式作为输出,卷积核大小为3×3,步幅为1,填充为1;之后对该卷积层的输出进行批归一化,再对批归一化的输出进行非线性ReLU激活。
第四层卷积以batch_size×width×height×256的格式作为输入,以batch_size×width×height×128的格式作为输出,卷积核大小为3×3,步幅为1,填充为1;之后对该卷积层的输出进行批归一化,再对批归一化的输出进行非线性ReLU激活。
第五层卷积以batch_size×width×height×128的格式作为输入,以batch_size×width×height×64的格式作为输出,卷积核大小为3×3,步幅为1,填充为1;之后对该卷积层的输出进行批归一化,再对批归一化的输出进行非线性ReLU激活。
即五层卷积层、批归一层和ReLU激活函数层结构类似,但输出通道数逐渐增加,然后再逐渐减小。
最后一个卷积层以batch_size×width×height×64的格式作为输入,以batch_size×width×height×3的格式作为输出,用于生成与输入目标水印载体图像相同的通道数的输出。
在最后的输出层之前,应用Sigmoid激活函数,以确保生成的图像像素值在[0, 1]范围内。在提取水印图像时,目标水印载体图像被输入至以上的神经网络顺序容器中,然后返回生成的输出,即揭示或还原后的图像,得到目标水印图像。
进一步的,在得到目标水印图像之后,可以对第一初始图像的水印图像和目标水印图像进行比较,进而可以使用MSE均方损失函数来计算水印图像与目标水印图像之间的差异的均方误差,即提取损失,作为水印提取网络R-Net的损失,以此训练R-Net,使该损失值最小;进而可以根据嵌入损失和提取损失,计算整体损失,其中,计算整体损失的过程可以为加减乘除或其他计算的任一方法,具体的本发明实施例在此不加以限制。
进一步的,还可以整体损失对预设水印网络的参数进行调整,对预设水印网络的参数进行调整表现为对水印嵌入网络和水印提取网络的参数进行调整,得到初始水印网络,初始水印网络包括调整参数之后的水印嵌入网络和水印提取网络。
进一步的,可以对整体损失和训练集中的初始图像进行判断,从而可以在整体损失达到预设损失阈值,或训练集中不存在未进行嵌入的初始图像的情况下,将初始水印网络确定为目标水印网络,当整体损失达到预设损失阈值时,表示初始水印网络已经满足要求了,从而不需要再进行训练了,则不用再对训练集中的初始图像进行判断;在训练集中不存在未进行嵌入的初始图像的情况下,表示训练集中的初始图像全部训练完成了,则可以进行下一步了。其中,预设损失阈值可以根据实际情况进行设置,本发明实施例在此不加以限制。
在本发明的一些实施例中,步骤S102还包括:
在整体损失未达到预设损失阈值的情况下,判断训练集中是否存在未进行嵌入的初始图像;
若是,则从训练集中随机确定第二目标调整图像,根据第二目标调整图像和初始水印网络,得到新整体损失,并根据新整体损失对初始水印网络进行更新,对整体损失和训练集进行判断;
若否,则对训练过程中的参数进行调整,重新根据训练集对预设水印网络进行训练,得到目标水印网络。
在本发明的具体实施例中,在整体损失未达到预设损失阈值的情况下,如果训练集中存在未进行嵌入的初始图像,重新在训练集中随机确定第二初始图像,将第二初始图像确定为第一初始图像,然后返回执行“将第一初始图像的载体图像和水印图像输入至水印嵌入网络中,得到初始水印载体图像和嵌入损失”,重新执行上述的所有步骤,从而进行循环,达到迭代训练的效果,直到“将初始水印网络确定为目标水印网络”。当整体损失未达到预设损失阈值,并且训练集中不存在未进行嵌入的初始图像时,表示训练集中的初始图像所有初始图像均训练完成了,则可以考虑调整训练过程的参数和超参数,调整策略包括:
(1)调整学习率:学习率是梯度下降优化算法的关键超参数。如果学习率过大,可能导致模型发散;如果学习率过小,可能导致模型收敛缓慢。尝试减小或增大学习率,并观察模型性能的变化。
(2)增加训练数据量:更多的训练数据有助于模型更好地学习数据分布,提高泛化性能。考虑收集更多的训练数据。
(3)调整批次大小:批次大小是指每次更新模型参数时使用的样本数量。较小的批次大小可能导致噪声较大,而较大的批次大小可能导致内存不足。调整批次大小并观察损失值的变化。
(4)使用不同的优化器:尝试使用其他优化算法,如Adam、Adagrad等,以及不同的优化器参数。
(5)调整模型复杂度:适当增加水印模型的复杂度,例如增加层数或使用更复杂的网络结构。
(6)加入正则化:正则化项可以帮助控制模型的复杂度,防止过拟合。考虑使用L1正则化、L2正则化等方法。
(7)尝试不同的损失函数:尝试使用其他损失函数,或者根自定义损失函数。
在对训练过程中的上述参数进行调整之后,可以重新对训练集中的初始图像进行训练,重新进行步骤S102,直到得到目标水印网络。
进一步的,可以将验证集中每个初始图像的载体图像和水印图像输入至目标水印网络,过程与将训练集中每个初始图像的载体图像和水印图像输入至预设水印网络一致,本发明实施例在此不进行重复说明;从而可以得到验证集中每个初始图像对应的整体损失,进而可以得到验证集中所有初始图像的整体损失数据集。
进一步的,可以将整体损失数据集中的所有整体损失进行相加,得到整体损失总数,进而可以判断整体损失总数是否小于预设损失阈值,如果是,则表示目标水印网络符合要求,水印网络训练完成;如果不是,则表示目标水印网络不符合要求,则可以根据实际情况进行后续步骤,比如重新获取初始图像,重新分配训练集和验证集,重复本发明实施例中的过程等,具体的后续步骤本发明实施例在此不加以限制。
为了更好实施本发明实施例中的针对图像数据的水印嵌入方法,在针对图像数据的水印嵌入方法基础之上,对应地,本发明实施例还提供了一种针对图像数据的水印嵌入装置,如图3所示,针对图像数据的水印嵌入装置包括:
图像获取模块301,用于获取预设个数初始图像,对每个初始图像进行分割,得到每个初始图像对应的载体图像和水印图像,并将预设个数初始图像分为训练集和验证集;
网络训练模块302,用于根据训练集中每个初始图像的载体图像和水印图像对预设水印网络进行融合和可微分模拟攻击的训练,得到目标水印网络;训练包括对水印图像和载体图像进行融合和模拟攻击的过程;
损失确定模块303,用于将验证集中每个初始图像的载体图像和水印图像输入至目标水印网络中,得到验证集中所有初始图像的整体损失数据集;
训练完成模块304,用于当整体损失数据集中数值的和小于预设损失阈值时,确定目标水印网络训练完成。
上述实施例提供的针对图像数据的水印嵌入装置可实现上述针对图像数据的水印嵌入方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述针对图像数据的水印嵌入方法实施例中的相应内容,此处不再赘述。
如图4所示,本发明还相应提供了一种电子设备400。该电子设备400包括处理器401、存储器402及显示器403。图4仅示出了电子设备400的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器402在一些实施例中可以是电子设备400的内部存储单元,例如电子设备400的硬盘或内存。存储器402在另一些实施例中也可以是电子设备400的外部存储设备,例如电子设备400上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
进一步地,存储器402还可既包括电子设备400的内部储存单元也包括外部存储设备。存储器402用于存储安装电子设备400的应用软件及各类数据。
处理器401在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器402中存储的程序代码或处理数据,例如本发明中的针对图像数据的水印嵌入方法。
显示器403在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器403用于显示在电子设备400的信息以及用于显示可视化的用户界面。电子设备400的部件401-403通过系统总线相互通信。
在本发明的一些实施例中,当处理器401执行存储器402中的针对图像数据的水印嵌入程序时,可实现以下步骤:
获取预设个数初始图像,对每个初始图像进行分割,得到每个初始图像对应的载体图像和水印图像,并将预设个数初始图像分为训练集和验证集;
根据训练集中每个初始图像的载体图像和水印图像对预设水印网络进行融合和可微分模拟攻击的训练,得到目标水印网络;训练包括对水印图像和载体图像进行融合和模拟攻击的过程;
将验证集中每个初始图像的载体图像和水印图像输入至目标水印网络中,得到验证集中所有初始图像的整体损失数据集;
当整体损失数据集中数值的和小于预设损失阈值时,确定目标水印网络训练完成。
应当理解的是:处理器401在执行存储器402中的针对图像数据的水印嵌入程序时,除了上面的功能之外,还可实现其他功能,具体可参见前面相应方法实施例的描述。
进一步地,本发明实施例对提及的电子设备400的类型不做具体限定,电子设备400可以为手机、平板电脑、个人数字助理(personal digitalassistant,PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备,诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是,在本发明其他一些实施例中,电子设备400也可以不是便携式电子设备,而是具有触敏表面(例如触控面板)的台式计算机。
相应地,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质用于存储计算机可读取的程序或指令,程序或指令被处理器执行时,能够实现上述各方法实施例提供的针对图像数据的水印嵌入方法步骤或功能。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件(如处理器,控制器等)来完成,计算机程序可存储于计算机可读存储介质中。其中,计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的针对图像数据的水印嵌入方法及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种针对图像数据的水印嵌入方法,其特征在于,包括:
获取预设个数初始图像,对每个初始图像进行分割,得到所述每个初始图像对应的载体图像和水印图像,并将所述预设个数初始图像分为训练集和验证集;
根据所述训练集中所述每个初始图像的所述载体图像和所述水印图像对预设水印网络进行融合和可微分模拟攻击的训练,得到目标水印网络;
将所述验证集中所述每个初始图像的所述载体图像和所述水印图像输入至所述目标水印网络中,得到所述验证集中所有初始图像的整体损失数据集;
当所述整体损失数据集中数值的和小于预设损失阈值时,确定所述目标水印网络训练完成;
所述预设水印网络包括水印嵌入网络和水印提取网络;
所述根据所述训练集中所述每个初始图像的所述载体图像和所述水印图像对预设水印网络进行融合和可微分模拟攻击的训练,得到目标水印网络,包括:
从所述训练集中确定第一初始图像;
将所述第一初始图像的所述载体图像和所述水印图像输入至所述水印嵌入网络中进行融合,得到初始水印载体图像和嵌入损失;
对所述初始水印载体图像进行模拟攻击,得到攻击后的目标水印载体图像;
根据所述嵌入损失、所述第一初始图像、所述目标水印载体图像和所述水印提取网络,得到整体损失;
根据所述整体损失对所述预设水印网络的参数进行调整,得到初始水印网络;
在所述整体损失达到预设损失阈值,或所述训练集中不存在未进行嵌入的初始图像的情况下,对训练过程中的参数进行调整,重新根据所述训练集对所述预设水印网络进行训练,得到目标水印网络。
2.根据权利要求1所述的针对图像数据的水印嵌入方法,其特征在于,所述根据所述嵌入损失、所述第一初始图像、所述目标水印载体图像和所述水印提取网络,得到整体损失,包括:
将所述目标水印载体图像输入至所述水印提取网络中,得到目标水印图像;
对所述第一初始图像的所述水印图像和所述目标水印图像进行比较,得到提取损失;
根据所述嵌入损失和所述提取损失,确定整体损失。
3.根据权利要求1所述的针对图像数据的水印嵌入方法,其特征在于,所述根据所述训练集中所述每个初始图像的所述载体图像和所述水印图像对预设水印网络进行融合和可微分模拟攻击的训练,得到目标水印网络,还包括:
在所述整体损失未达到所述预设损失阈值的情况下,判断所述训练集中是否存在未进行嵌入的初始图像;
若是,则从所述训练集中随机确定第二目标调整图像,根据所述第二目标调整图像和所述初始水印网络,得到新整体损失,并根据所述新整体损失对所述初始水印网络进行更新,对所述整体损失和所述训练集进行判断;
若否,则对训练过程中的参数进行调整,重新根据所述训练集对所述预设水印网络进行训练,得到目标水印网络。
4.根据权利要求1所述的针对图像数据的水印嵌入方法,其特征在于,所述将所述第一初始图像的所述载体图像和所述水印图像输入至所述水印嵌入网络中进行融合,得到初始水印载体图像和嵌入损失,包括:
对所述载体图像和所述水印图像进行格式转换,得到所述载体图像对应的载体格式数据和所述水印图像对应的水印格式数据;
将所述水印格式数据和所述载体格式数据的通道深度进行拼接,得到水印载体格式数据;
将所述水印载体格式数据输入至所述水印嵌入网络中,得到初始水印载体图像;
根据预设均方损失函数对所述载体图像和所述初始水印载体图像进行计算,得到嵌入损失。
5.根据权利要求1所述的针对图像数据的水印嵌入方法,其特征在于,所述对所述初始水印载体图像进行模拟攻击,得到攻击后的目标水印载体图像,包括:
在所述初始水印载体图像上添加随机白噪声和加性噪声,得到噪声水印载体图像;
对所述噪声水印载体图像抑制或者关闭阻断区域地神经元,得到裁剪水印载体图像;
对所述裁剪水印载体图像的窗口进行平滑,得到平滑水印载体图像;
对所述平滑水印载体图像进行可微分的JPEG攻击,得到目标水印载体图像。
6.根据权利要求1所述的针对图像数据的水印嵌入方法,其特征在于,所述对每个初始图像进行分割,得到所述每个初始图像对应的载体图像和水印图像,包括:
对所述每个初始图像进行分割,得到前半部分图像和后半部分图像;
将所述前半部分图像确定为所述载体图像;
将所述后半部分图像确定为所述水印图像。
7.根据权利要求1所述的针对图像数据的水印嵌入方法,其特征在于,在所述根据所述训练集中所述每个初始图像的所述载体图像和所述水印图像对预设水印网络进行融合和可微分模拟攻击的训练,得到目标水印网络之前,还包括:
对所述预设个数初始图像中的所有载体图像进行可逆线性变换,得到每个载体图像对应的变化载体图像;
根据所述变化载体图像对所述每个初始图像对应的所述载体图像进行更新。
8.根据权利要求1所述的针对图像数据的水印嵌入方法,其特征在于,在所述获取预设个数初始图像之后,还包括:
根据预设固定宽高对所述预设个数初始图像的宽高进行调整,得到统一宽高的预设个数初始图像。
9.一种针对图像数据的水印嵌入装置,其特征在于,包括:
图像获取模块,用于获取预设个数初始图像,对每个初始图像进行分割,得到所述每个初始图像对应的载体图像和水印图像,并将所述预设个数初始图像分为训练集和验证集;
网络训练模块,用于根据所述训练集中所述每个初始图像的所述载体图像和所述水印图像对预设水印网络进行融合和可微分模拟攻击的训练,得到目标水印网络;
损失确定模块,用于将所述验证集中所述每个初始图像的所述载体图像和所述水印图像输入至所述目标水印网络中,得到所述验证集中所有初始图像的整体损失数据集;
训练完成模块,用于当所述整体损失数据集中数值的和小于预设损失阈值时,确定所述目标水印网络训练完成;
所述预设水印网络包括水印嵌入网络和水印提取网络;
所述网络训练模块还用于从所述训练集中确定第一初始图像;将所述第一初始图像的所述载体图像和所述水印图像输入至所述水印嵌入网络中进行融合,得到初始水印载体图像和嵌入损失;对所述初始水印载体图像进行模拟攻击,得到攻击后的目标水印载体图像;根据所述嵌入损失、所述第一初始图像、所述目标水印载体图像和所述水印提取网络,得到整体损失;根据所述整体损失对所述预设水印网络的参数进行调整,得到初始水印网络;在所述整体损失达到预设损失阈值,或所述训练集中不存在未进行嵌入的初始图像的情况下,对训练过程中的参数进行调整,重新根据所述训练集对所述预设水印网络进行训练,得到目标水印网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311771714.8A CN117437108B (zh) | 2023-12-21 | 2023-12-21 | 一种针对图像数据的水印嵌入方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311771714.8A CN117437108B (zh) | 2023-12-21 | 2023-12-21 | 一种针对图像数据的水印嵌入方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117437108A CN117437108A (zh) | 2024-01-23 |
CN117437108B true CN117437108B (zh) | 2024-03-08 |
Family
ID=89550247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311771714.8A Active CN117437108B (zh) | 2023-12-21 | 2023-12-21 | 一种针对图像数据的水印嵌入方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117437108B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598761A (zh) * | 2020-04-17 | 2020-08-28 | 中山大学 | 一种基于图像降噪的抗打印拍摄图像数字水印方法 |
CN113222800A (zh) * | 2021-04-12 | 2021-08-06 | 国网江苏省电力有限公司营销服务中心 | 一种基于深度学习的鲁棒图像水印嵌入与提取方法及系统 |
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 |
CN113379833A (zh) * | 2021-06-25 | 2021-09-10 | 合肥工业大学 | 一种基于神经网络的图像可见水印的定位和分割方法 |
US11164046B1 (en) * | 2020-12-07 | 2021-11-02 | Deeping Source Inc. | Method for producing labeled image from original image while preventing private information leakage of original image and server using the same |
CN115131188A (zh) * | 2022-05-30 | 2022-09-30 | 南京信息工程大学 | 一种基于生成对抗网络的鲁棒图像水印方法 |
CN115829819A (zh) * | 2022-12-15 | 2023-03-21 | 江苏水印科技有限公司 | 基于神经网络的图像鲁棒可逆信息隐藏方法、设备及介质 |
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 |
CN116503277A (zh) * | 2023-04-20 | 2023-07-28 | 宁波大学科学技术学院 | 基于注意力机制的低光图像增强和水印嵌入协作网络 |
-
2023
- 2023-12-21 CN CN202311771714.8A patent/CN117437108B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598761A (zh) * | 2020-04-17 | 2020-08-28 | 中山大学 | 一种基于图像降噪的抗打印拍摄图像数字水印方法 |
US11164046B1 (en) * | 2020-12-07 | 2021-11-02 | Deeping Source Inc. | Method for producing labeled image from original image while preventing private information leakage of original image and server using the same |
CN113222800A (zh) * | 2021-04-12 | 2021-08-06 | 国网江苏省电力有限公司营销服务中心 | 一种基于深度学习的鲁棒图像水印嵌入与提取方法及系统 |
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 |
CN113379833A (zh) * | 2021-06-25 | 2021-09-10 | 合肥工业大学 | 一种基于神经网络的图像可见水印的定位和分割方法 |
CN115131188A (zh) * | 2022-05-30 | 2022-09-30 | 南京信息工程大学 | 一种基于生成对抗网络的鲁棒图像水印方法 |
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 |
CN115829819A (zh) * | 2022-12-15 | 2023-03-21 | 江苏水印科技有限公司 | 基于神经网络的图像鲁棒可逆信息隐藏方法、设备及介质 |
CN116503277A (zh) * | 2023-04-20 | 2023-07-28 | 宁波大学科学技术学院 | 基于注意力机制的低光图像增强和水印嵌入协作网络 |
Also Published As
Publication number | Publication date |
---|---|
CN117437108A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ernawan et al. | An improved image watermarking by modifying selected DWT-DCT coefficients | |
Lei et al. | Reversible watermarking scheme for medical image based on differential evolution | |
Huynh-The et al. | Selective bit embedding scheme for robust blind color image watermarking | |
CN111491170B (zh) | 嵌入水印的方法及水印嵌入装置 | |
Tsougenis et al. | Adaptive color image watermarking by the use of quaternion image moments | |
Pakdaman et al. | A prediction based reversible image watermarking in Hadamard domain | |
WO2022241307A1 (en) | Image steganography utilizing adversarial perturbations | |
CN109886856A (zh) | 对屏幕拍摄过程鲁棒的数字水印方法 | |
Mehraj et al. | RBWCI: Robust and blind watermarking framework for cultural images | |
CN115018688A (zh) | 一种基于dct系数的生成网络模型水印方法及应用 | |
US20220156873A1 (en) | Image synthesis device and method for embedding watermark | |
CN114998080A (zh) | 人脸防篡改水印生成方法、篡改检测方法及属性检测方法 | |
Islam et al. | An imperceptible & robust digital image watermarking scheme based on DWT, entropy and neural network | |
CN110765843A (zh) | 人脸验证方法、装置、计算机设备及存储介质 | |
Su et al. | A robust color image watermarking scheme in the fusion domain based on LU factorization | |
CN117437108B (zh) | 一种针对图像数据的水印嵌入方法 | |
CN109920014B (zh) | 3d网格模型隐写方法 | |
Soualmi et al. | A blind watermarking approach based on hybrid Imperialistic Competitive Algorithm and SURF points for color Images’ authentication | |
Huynh-The et al. | Robust image watermarking framework powered by convolutional encoder-decoder network | |
CN114170060A (zh) | 基于深度学习的零水印鲁棒算法 | |
Sinha Roy et al. | Hardware execution of a saliency map based digital image watermarking framework | |
CN113763225A (zh) | 一种图像感知哈希方法、系统、设备及信息数据处理终端 | |
CN117473469B (zh) | 一种模型水印嵌入方法、装置、电子设备及存储介质 | |
CN107545548B (zh) | 基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统 | |
CN112966230A (zh) | 信息隐写及提取方法、装置及设备 |
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 |