CN117495649A - 一种图像的处理方法、装置及设备 - Google Patents
一种图像的处理方法、装置及设备 Download PDFInfo
- Publication number
- CN117495649A CN117495649A CN202410005892.8A CN202410005892A CN117495649A CN 117495649 A CN117495649 A CN 117495649A CN 202410005892 A CN202410005892 A CN 202410005892A CN 117495649 A CN117495649 A CN 117495649A
- Authority
- CN
- China
- Prior art keywords
- image
- watermark
- preset
- sample
- carrying
- 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 72
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims description 90
- 230000006870 function Effects 0.000 claims description 74
- 238000004422 calculation algorithm Methods 0.000 description 19
- 230000007246 mechanism Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient 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
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
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
本说明书实施例公开了一种图像的处理方法、装置及设备，该方法包括：获取待保护的目标图像和包含预设水印信息的第一图像；基于预设的编码器分别对所述目标图像和所述第一图像进行编码处理，以将预设水印信息通过隐写的方式写入所述目标图像中，得到载有所述预设水印信息的载水印图像的编码信息，所述载水印图像与所述目标图像在视觉上相同，且所述载水印图像的图像特征与所述目标图像的图像特征的相似度小于预设阈值，所述编码器是基于图像样本和包含预设水印样本的第三图像进行模型训练得到的编码器；基于所述载水印图像的编码信息生成所述载水印图像。
Description
技术领域
本文件涉及计算机技术领域，尤其涉及一种图像的处理方法、装置及设备。
背景技术
当前AIGC（Artificial Intelligence Generated Content，生成式人工智能）技术逐渐成熟，生成效果越来越逼真，同时生成工具使用起来越来越方便，生成的一些风险图像会造成不好的影响，而且，随着人们对隐私数据越来越重视，通常，需要对生成内容进行识别，从而进行更好的风险防控。
通常，可以通过水印机制提前对生成内容添加相应的水印信息，以便于后续进一步判断，同时，水印信息还可以进行溯源，从而确定请求方的相关信息。人们希望开发的水印算法具有以下能力：首先，水印不可见，用户无感知；其次，水印信息可解析、可还原；再次，水印信息具有鲁棒性；最后，水印具有区分度等，为此，本说明书实施例提供一种能够包含更丰富信息、水印更有区分度，而且水印还原有容错空间，且鲁棒性更强的图像水印处理机制。
发明内容
本说明书实施例的目的是提供一种隐私保护能力更优、通信开销更优的技术方案。
为了实现上述技术方案，本说明书实施例是这样实现的：
本说明书实施例提供的一种图像的处理方法，所述方法包括：获取待保护的目标图像和包含预设水印信息的第一图像。基于预设的编码器分别对所述目标图像和所述第一图像进行编码处理，以将预设水印信息通过隐写的方式写入所述目标图像中，得到载有所述预设水印信息的载水印图像的编码信息，所述载水印图像与所述目标图像在视觉上相同，且所述载水印图像的图像特征与所述目标图像的图像特征的相似度小于预设阈值，所述编码器是基于图像样本和包含预设水印样本的第三图像进行模型训练得到的编码器。基于所述载水印图像的编码信息生成所述载水印图像。
本说明书实施例提供的一种图像的处理装置，所述装置包括：图像获取模块，获取待保护的目标图像和包含预设水印信息的第一图像。第一编码模块，基于预设的编码器分别对所述目标图像和所述第一图像进行编码处理，以将预设水印信息通过隐写的方式写入所述目标图像中，得到载有所述预设水印信息的载水印图像的编码信息，所述载水印图像与所述目标图像在视觉上相同，且所述载水印图像的图像特征与所述目标图像的图像特征的相似度小于预设阈值，所述编码器是基于图像样本和包含预设水印样本的第三图像进行模型训练得到的编码器。图像保护模块，基于所述载水印图像的编码信息生成所述载水印图像。
本说明书实施例提供的一种图像的处理设备，所述图像的处理设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取待保护的目标图像和包含预设水印信息的第一图像。基于预设的编码器分别对所述目标图像和所述第一图像进行编码处理，以将预设水印信息通过隐写的方式写入所述目标图像中，得到载有所述预设水印信息的载水印图像的编码信息，所述载水印图像与所述目标图像在视觉上相同，且所述载水印图像的图像特征与所述目标图像的图像特征的相似度小于预设阈值，所述编码器是基于图像样本和包含预设水印样本的第三图像进行模型训练得到的编码器。基于所述载水印图像的编码信息生成所述载水印图像。
本说明书实施例还提供了一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：获取待保护的目标图像和包含预设水印信息的第一图像。基于预设的编码器分别对所述目标图像和所述第一图像进行编码处理，以将预设水印信息通过隐写的方式写入所述目标图像中，得到载有所述预设水印信息的载水印图像的编码信息，所述载水印图像与所述目标图像在视觉上相同，且所述载水印图像的图像特征与所述目标图像的图像特征的相似度小于预设阈值，所述编码器是基于图像样本和包含预设水印样本的第三图像进行模型训练得到的编码器。基于所述载水印图像的编码信息生成所述载水印图像。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；
图1为本说明书一种图像的处理方法实施例；
图2为本说明书另一种图像的处理方法实施例；
图3为本说明书一种编码器和解码器进行联合训练过程的示意图；
图4为本说明书一种图像的处理装置实施例；
图5为本说明书一种图像的处理设备实施例。
具体实施方式
本说明书实施例提供一种图像的处理方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
本说明书实施例提供一种隐私数据的保护机制，当前AIGC技术逐渐成熟，生成效果越来越逼真，同时生成工具使用起来越来越方便，生成的一些风险图像会造成不好的影响。通常，需要对生成内容进行识别，从而进行更好的风险防控。一方面，通过识别模型判断生成内容是否是生成的，另一方面，可以通过水印机制提前对生成内容添加相应的水印信息，以便于后续进一步判断，同时，水印信息还可以进行溯源，从而确定请求方的相关信息。人们希望开发的水印算法具有以下能力：首先，水印不可见，用户无感知，即在将水印信息加入数据中时，不要影响用户对该数据的使用，加入水印信息后的数据与原数据差别尽可能小，在视觉上无法分辨；其次，水印信息可解析、可还原，即对于加入水印信息的数据，需要有针对的算法准确地提取水印信息，由此可以对数据进行追述、反查等；再次，水印信息具有鲁棒性：即水印信息在传播过程中可能遇到各种攻击，向数据中加入水印信息的算法和解析水印信息的算法需要具备抵御攻击的能力；最后，水印具有区分度：通常，需要把不同水印信息加入数据中，例如，针对不同用户，引入不同的标识信息的水印算法等，为此，本说明书实施例提供一种能够包含更丰富信息、水印更有区分度，而且水印还原有容错空间，且鲁棒性更强的图像水印处理机制。具体处理可以参见下述实施例中的具体内容。
如图1所示，本说明书实施例提供一种图像的处理方法，该方法的执行主体可以为终端设备或服务器等，其中的终端设备可以如手机、平板电脑等移动终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为IoT设备（具体如智能手表、车载设备等）等，其中的服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。本实施例中以执行主体为服务器为例进行详细说明，对于执行主体为终端设备的情况，可以参见下述服务器的情况处理，在此不再赘述。该方法具体可以包括以下步骤：
在步骤S102中，获取待保护的目标图像和包含预设水印信息的第一图像。
其中，目标图像可以是待保护的任意图像，例如，可以是包含用户隐私数据的图像，具体如，可以是包含用户面部的图像，或者，可以是包含用户指纹的图像，再例如，可以是包含任意事物的图像等，目标图像可以是任意来源的图像，例如，目标图像可以是基于AIGC生成的图像，也可以是从指定的数据库中获取的图像，还可以是从指定的网络中获取的图像等，具体可以根据实际情况设定，本说明书实施例对此不做限定。水印信息可以是数字水印信息，水印信息可以是将特定的数字信号作为指定物品的保护信息以保护该物品的版权、完整性、防复制或去向追踪等，水印信息可以是将代表版权人身份的特定信息（如一段文字、标识、序列号等）按某种方式与被保护物品建立关联，在发生版权纠纷时，通过相应的算法提取出该水印信息，从而验证版权的归属，确保版权人的合法利益，避免非法盗版的威胁，水印信息也可以是当被保护物品内容发生改变时，水印信息会发生相应的改变，从而可鉴定被保护物品是否完整等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在实施中，可以通过多种不同的方式获取待保护的目标图像，例如，针对生物识别业务，可以启动摄像组件，通过摄像组件可以采集包括用户指定生物信息的图像，采集的图像可以作为待保护的目标图像，具体如，可以通过摄像组件采集包含用户面部的图像，或者，可以通过摄像组件采集包含用户指纹的图像，或者，可以通过摄像组件采集包含用户掌纹或虹膜等生物信息的图像，可以将上述采集的包含用户面部的图像、包含用户指纹的图像、包含用户掌纹的图像或包含用户虹膜的图像作为待保护的目标图像。再例如，针对AIGC，可以将通过AIGC生成的图像作为待保护的目标图像等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
此外，还可以通过多种不同的方式获取预设水印信息，在实际应用中，为了能够承载更丰富的信息、水印信息更有区分度，以及水印的还原有容错空间、鲁棒性更强，可以将预设的水印信息设置到图像中，这样，通过图像可以承载更丰富的信息，并可以使得水印信息更有区分度，而且水印的还原有容错空间、鲁棒性更强，基于此，可以获取包含预设水印信息的第一图像，例如，可以设置生成水印信息的机制，可以启动上述机制，并可以通过上述机制生成预设的水印信息，具体如，XXX机构印制等。此外，还可以生成指定背景图像，例如，紫色的背景图像或白色的背景图像等，然后，可以将上述背景图像与预设的水印信息进行融合，得到包含预设水印信息的第一图像，具体如，包含“XXX机构印制”，且背景图像为白色的第一图像（即在白色的背景下印有字符“XXX机构印制”的图像）。在实际应用中，还可以设置内容更丰富的背景图像和/或内容更丰富的水印信息等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在步骤S104中，基于预设的编码器分别对目标图像和第一图像进行编码处理，以将预设水印信息通过隐写的方式写入目标图像中，得到载有预设水印信息的载水印图像的编码信息，载水印图像与目标图像在视觉上相同，且载水印图像的图像特征与目标图像的图像特征的相似度小于预设阈值，编码器是基于图像样本和包含预设水印样本的第三图像进行模型训练得到的编码器。
其中，预设阈值可以是预先设定的图像之间相似度的阈值，具体如90%或92%等，具体数值可以根据实际情况设定。
在实施中，编码器中可以包括多种不同的处理机制，不同的处理机制可以对应有相应的算法，通过该处理机制对应的相应算法可以对指定的图像进行编码处理，例如，编码器中可以包括卷积神经网络，通过该卷积神经网络可以对图像进行编码处理，再例如，编码器中可以包括对图像进行编码处理的算法，通过该算法，可以将指定的图像转换为一个或多个不同的维度的信息，以达到对图像进行编码处理的目的，具体可以根据实际情况设定，本说明书实施例对此不做限定。
可以从指定的数据库或服务器等中获取图像样本，同时，也可以从预设的数据库或指定的服务器中获取包含预设水印样本的第三图像，具体可以根据实际情况设定。可以根据实际情况预先设定损失函数，可以将图像样本和包含预设水印样本的第三图像输入到编码器中，通过该编码器分别对图像样本和第三图像进行编码处理，得到图像样本对应的编码信息和第三图像对应的编码信息，然后，可以将第三图像对应的编码信息通过数据隐写的方式写入图像样本中，得到隐写后的图像样本，可以通过该损失函数，计算隐写后的图像样本与图像样本之间的损失信息，可以基于该损失信息调整编码器中的参数，以对编码器进行训练，直到该损失函数收敛为止，得到训练后的编码器。
通过上述方式得到编码器后，可以通过编码器分别对目标图像和第一图像进行编码处理，并将第一图像的编码信息通过隐写的方式写入到目标图像的编码信息中，从而实现将预设水印信息通过隐写的方式写入目标图像中的目的，最终可以得到载有预设水印信息的载水印图像的编码信息，这样，可以使得目标图像得到保护，从而实现对目标图像等隐私信息的保护，其中，载水印图像与目标图像在视觉上几乎没有差别（即载水印图像与目标图像在视觉上相同），但是，通过预先训练的图像识别模型对载水印图像和目标图像进行识别时，会将其识别两个不同的图像，即载水印图像的图像特征与目标图像的图像特征的相似度小于预设阈值，但载水印图像和目标图像通过图像识别模型得到的识别结果为两个不同的图像，即载水印图像无法被准确识别为与目标图像为视觉上相同的图像。
在步骤S106中，基于载水印图像的编码信息生成载水印图像。
在实施中，可以再次通过预设的卷积神经网络或解码算法对载水印图像的编码信息进行处理，得到载水印图像，通过上述方式，最终可以得到对载水印图像的编码信息进行转换处理后的载水印图像。可以将载水印图像发送给指定的服务器，指定的服务器可以接收上述信息，其中，需要说明的是，载水印图像还可以通过加密等处理后发送给指定的服务器，例如，为了防止载水印图像在传输的过程中被篡改，可以使用指定的算法（如哈希算法或加密算法等）对载水印图像进行计算，得到相应的计算结果，然后，可以将计算结果和载水印图像发送给指定的服务器等，从而使得隐私数据（即目标图像）得到保护，防止隐私数据泄露，具体可以根据实际情况设定，本说明书实施例对此不做限定。
本说明书实施例提供一种图像的处理方法，通过获取待保护的目标图像和包含预设水印信息的第一图像，然后，可以基于预设的编码器分别对目标图像和第一图像进行编码处理，以将预设水印信息通过隐写的方式写入目标图像中，得到载有预设水印信息的载水印图像的编码信息，载水印图像与目标图像在视觉上相同，且载水印图像的图像特征与目标图像的图像特征的相似度小于预设阈值，编码器是基于图像样本和包含预设水印样本的第三图像进行模型训练得到的编码器，最终，可以基于载水印图像的编码信息生成载水印图像，这样，通过水印信息提前对生成内容（即目标图像）加入水印，方便后续对生成内容真实性的判断，同时，通过水印信息还可以进行溯源，此外，由于水印信息在载水印图像中不可见，用户无感知，因此，不会影响用户对目标图像的使用，在视觉上分辨不出，而且，后续可以通过解码器对水印信息进行解析和还原，由此可对目标图像进行追述和反查，而且，承载水印信息的是图像（即第一图像），而图像包含的信息可以更加丰富，水印信息更有区分度，并且，第一图像的水印信息的还原有容错空间，鲁棒性更强，由于水印还原是一个分割任务，只要能确定是水印信息的内容，即使图像周围缺少部分内容也不会影响水印的效果。
如图2所示，还可以对获取到的载水印图像进行水印提取处理，以判断载水印图像是否为实际需要的图像，具体可以参见下述步骤S108和步骤S110的处理。
在步骤S108中，在载水印图像中加入预设的噪音数据，得到加噪载水印图像。
其中，噪音数据可以包括多种，例如，高斯噪音数据、瑞利噪音数据、伽马噪音数据等，此外，该噪音数据还可以是单噪音数据，也可以是复合噪音数据等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在实施中，可以获取待处理的载水印图像，可以通过多种不同的方式在载水印图像中加入预设的噪音数据，例如，可以在载水印图像的指定像素内加入预设的噪音数据，从而得到加噪载水印图像，或者，可以分别对载水印图像和噪音数据进行编码处理，得到载水印图像的编码信息和噪音数据的编码信息，可以将载水印图像的编码信息和噪音数据的编码信息进行融合处理，得到加噪载水印图像的编码信息，可以将加噪载水印图像的编码信息转换为加噪载水印图像等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在步骤S110中，基于与编码器相对应的解码器对加噪载水印图像进行水印解码处理，以从加噪载水印图像中还原出预设水印信息，得到包含预设水印信息的第二图像，解码器是基于图像样本、包含预设水印样本的第三图像和预设的噪音样本，并与编码器进行联合训练得到的。
在实施中，解码器中可以包括多种不同的处理机制，不同的处理机制可以对应有相应的算法，通过该处理机制对应的相应算法可以对指定的图像中包含的水印信息进行编码处理，例如，解码器中可以包括卷积神经网络，通过该卷积神经网络可以对图像中包含的水印信息进行编码处理，再例如，解码器中可以包括对图像进行解码处理的算法，通过该算法，可以将指定的图像中包含的水印信息转换为一个图像，以达到对水印信息进行解码处理的目的，具体可以根据实际情况设定，本说明书实施例对此不做限定。
可以从指定的数据库或服务器等中获取图像样本，同时，也可以从预设的数据库或指定的服务器中获取包含预设水印样本的第三图像，具体可以根据实际情况设定。可以根据实际情况预先设定损失函数，可以将图像样本和包含预设水印样本的第三图像输入到解码器中，通过该解码器分别对图像样本和第三图像进行编码处理，得到图像样本对应的编码信息和第三图像对应的编码信息，然后，可以将第三图像对应的编码信息通过数据隐写的方式写入图像样本中，得到隐写后的图像样本，可以将隐写后的图像样本加入指定的噪音样本，得到加噪隐写后的图像样本，可以将加噪隐写后的图像样本输入到解码器中，通过解码器将加噪隐写后的图像样本中包含的水印样本还原出来，得到包含水印样本的图像，可以基于包含水印样本的图像和包含预设水印样本的第三图像，通过该损失函数，计算相应的损失信息，可以基于该损失信息调整解码器和编码器中的参数，以对解码器和编码器进行联合训练，直到该损失函数收敛为止，得到训练后的解码器和训练后的编码器。
通过上述方式得到解码器后，可以通过解码器对加噪载水印图像进行水印解码处理，通过解码器从加噪载水印图像中还原出预设水印信息，得到包含预设水印信息的第二图像。服务器可以基于得到的第二图像中的水印信息与第一图像中的水印信息进行比对，如果两者匹配，则可以确定对上述载水印图像的验证通过，并可以确定载水印图像不存在风险，此时表明载水印图像没有被篡改，此时，可以获取接收到的载水印图像的数据，并可以基于该载水印图像进行后续的业务处理，例如，进行生物检测和生物识别等处理，如果两者不同，则可以确定对上述载水印图像的验证不通过，并可以确定载水印图像存在风险，此时，可以对载水印图像进行指定的风险防控处理。
上述编码器可以通过下述步骤A2~步骤A6的方式进行训练得到，如图3所示，具体如下：
在步骤A2中，获取多种不同的图像样本和包含预设水印样本的第三图像。
在实施中，可以通过多种不同的方式获取多种不同的图像样本和包含预设水印样本的第三图像，例如，可以从指定的数据库中获取多种不同的图像样本和相应的包含预设水印样本的第三图像，或者，可以从指定业务的后台服务器中获取多种不同的图像样本和相应的包含预设水印样本的第三图像等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在步骤A4中，基于编码器分别对图像样本和第三图像进行编码处理，以将预设水印样本通过隐写的方式写入图像样本中，得到载有预设水印样本的载水印图像样本的编码信息。
通过编码器将预设水印样本通过隐写的方式写入图像样本中的具体处理过程可以参见前述相关内容，在此不再赘述。
在步骤A6中，基于载水印图像样本的编码信息和预设的第一损失函数，对编码器进行模型训练，得到训练后的编码器。
上述步骤A6的具体处理过程可以参见前述相关内容，在此不再赘述。
在实际应用中，第一损失函数基于第一子损失函数和第二子损失函数构建，第一子损失函数是基于图像样本与载水印图像样本之间的均方误差构建的损失函数，第二子损失函数是基于图像样本与载水印图像样本之间的学习感知图像块相似度而构建的损失函数。
其中，学习感知图像块相似度（Learned Perceptual Image Patch Similarity，LPIPS）也可以称为感知损失，可以用于度量两张图像之间的差别，本实施例中，可以通过学习感知图像块相似度来度量图像样本与载水印图像样本之间的差别，第二子损失函数对应的损失信息越小，即学习感知图像块相似度越小，则表明图像样本与载水印图像样本越相似，第二子损失函数对应的损失信息越大，即学习感知图像块相似度越大，则表明图像样本与载水印图像样本之间的差异越大。在实际应用中，第一子损失函数与第二子损失函数，可以通过加权求和的方式得到第一损失函数，即，其中，L1为第一损失函数，LMSE为第一子损失函数，LLPIPS为第二子损失函数，/>为第一子损失函数对应的权重，/>为第二子损失函数对应的权重。
上述编码器和解码器可以通过下述步骤B2~步骤B8的方式进行联合训练得到，具体如下：
在步骤B2中，获取多种不同的图像样本和包含预设水印样本的第三图像。
在步骤B4中，基于训练后的编码器分别对图像样本和第三图像进行编码处理，以将预设水印样本通过隐写的方式写入图像样本中，得到载有预设水印样本的载水印图像样本的编码信息。
在步骤B6中，基于与编码器相对应的解码器对载水印图像样本的编码信息进行水印解码处理，以从载水印图像样本中还原出预设水印样本，得到包含预设水印样本的第四图像。
在步骤B8中，基于包含预设水印样本的第四图像和预设的第二损失函数，对编码器和解码器进行联合训练，得到训练后的编码器和训练后的解码器。
上述步骤B2~步骤B8的具体处理过程可以参见前述相关内容，在此不再赘述。
上述编码器和解码器还可以通过下述步骤C2~步骤C10的方式进行联合训练得到，如图3所示，具体如下：
在步骤C2中，获取多种不同的图像样本和包含预设水印样本的第三图像。
在步骤C4中，基于训练后的编码器分别对图像样本和第三图像进行编码处理，以将预设水印样本通过隐写的方式写入所述图像样本中，得到载有预设水印样本的载水印图像样本的编码信息。
在步骤C6中，在载水印图像样本的编码信息中加入预设的噪音样本，得到加噪载水印图像样本的编码信息。
在步骤C8中，基于与编码器相对应的解码器对加噪载水印图像样本的编码信息进行水印解码处理，以从加噪载水印图像样本中还原出预设水印样本，得到包含预设水印信息的第五图像。
在步骤C10中，基于包含预设水印样本的第五图像和预设的第三损失函数，对编码器和解码器进行联合训练，得到训练后的编码器和训练后的解码器。
上述步骤C2~步骤C10的具体处理过程可以参见前述相关内容，在此不再赘述。
基于上述处理，对编码器和解码器进行训练的过程可以包括3个过程，首先基于步骤A2~步骤A6的处理训练编码器，然后，在基于步骤B2~步骤B8的处理联合训练编码器和解码器，最后，在基于步骤C2~步骤C10的处理再次联合训练编码器和解码器，最终，可以得到训练后的编码器和训练后的解码器。在实际应用中，还可以通过独立训练的方式分别对编码器和解码器进行独立训练，或者，也可以直接基于步骤C2~步骤C10的处理联合训练编码器和解码器，或者，还可以先基于步骤A2~步骤A6的处理训练编码器，之后，基于步骤C2~步骤C10的处理联合训练编码器和解码器，或者，可以先基于步骤A2~步骤A6的处理训练编码器，之后，基于步骤B2~步骤B8的处理联合训练编码器和解码器，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在实际应用中，为了使得解码器能够判断某图像中是否载有水印信息，并能够确定某图像中不包含水印信息（即分辨无水印的图像），可以通过下述方式对编码器和解码器进行联合训练，具体可以参见下述步骤D2和步骤D4的处理。
在步骤D2中，基于训练后的编码器对图像样本进行编码处理，得到图像样本的编码信息。
在步骤D4中，基于与编码器相对应的解码器对图像样本的编码信息进行水印解码处理，得到第一解码结果。
相应的，上述步骤B8的具体处理可以包括：分别基于第一解码结果和预设的第二损失函数，以及基于包含预设水印样本的第四图像和预设的第二损失函数，对编码器和解码器进行联合训练，得到训练后的编码器和训练后的解码器。
在实施中，可以基于第一解码结果和预设的第二损失函数对编码器和解码器进行联合训练，同时，可以基于包含预设水印样本的第四图像和预设的第二损失函数，对编码器和解码器进行联合训练，具体处理过程可以参见前述相关内容，在此不再赘述。通过上述方式，最终可以得到训练后的编码器和训练后的解码器，这样，训练后的解码器可以具备分辨无水印图像的能力。
在实际应用中，为了使得解码器能够判断某图像中是否载有水印信息，并能够确定某图像中不包含水印信息（即分辨无水印的图像），还可以通过下述方式对编码器和解码器进行联合训练，具体可以参见下述步骤E2~步骤E6的处理。
在步骤E2中，基于训练后的编码器对图像样本进行编码处理，得到图像样本的编码信息。
在步骤E4中，在图像样本中加入预设的噪音样本，得到加噪图像样本的编码信息。
在步骤E6中，基于与编码器相对应的解码器对加噪图像样本的编码信息进行水印解码处理，得到第二解码结果。
相应的，上述步骤C10的具体处理可以包括：分别基于第二解码结果和预设的第三损失函数，以及基于包含预设水印样本的第五图像和预设的第三损失函数，对编码器和所述解码器进行联合训练，得到训练后的编码器和训练后的解码器。
在实施中，可以基于第二解码结果和预设的第三损失函数对编码器和解码器进行联合训练，同时，可以基于包含预设水印样本的第五图像和预设的第三损失函数，对编码器和解码器进行联合训练，具体处理过程可以参见前述相关内容，在此不再赘述。通过上述方式，最终可以得到训练后的编码器和训练后的解码器，这样，训练后的解码器可以具备分辨无水印图像的能力。
在实际应用中，第二损失函数是基于包含预设水印样本的第三图像和包含预设水印样本的第四图像的交叉熵损失函数，第三损失函数是基于包含预设水印样本的第三图像和包含预设水印样本的第五图像的交叉熵损失函数，预设水印信息包括中文字符、英文字符、数字（如5、236、789等）和预设符号（如运算符号、标点符号、特殊符号（如#、*、&、%、@等））中的一种或多种，预设水印样本包括中文字符、英文字符、数字和预设符号中的一种或多种。
本说明书实施例提供一种图像的处理方法，通过获取待保护的目标图像和包含预设水印信息的第一图像，然后，可以基于预设的编码器分别对目标图像和第一图像进行编码处理，以将预设水印信息通过隐写的方式写入目标图像中，得到载有预设水印信息的载水印图像的编码信息，载水印图像与目标图像在视觉上相同，且载水印图像的图像特征与目标图像的图像特征的相似度小于预设阈值，编码器是基于图像样本和包含预设水印样本的第三图像进行模型训练得到的编码器，最终，可以基于载水印图像的编码信息生成载水印图像，这样，通过水印信息提前对生成内容（即目标图像）加入水印，方便后续对生成内容真实性的判断，同时，通过水印信息还可以进行溯源，此外，由于水印信息在载水印图像中不可见，用户无感知，因此，不会影响用户对目标图像的使用，在视觉上分辨不出，而且，后续可以通过解码器对水印信息进行解析和还原，由此可对目标图像进行追述和反查，而且，承载水印信息的是图像（即第一图像），而图像包含的信息可以更加丰富，水印信息更有区分度，并且，第一图像的水印信息的还原有容错空间，鲁棒性更强，由于水印还原是一个分割任务，只要能确定是水印信息的内容，即使图像周围缺少部分内容也不会影响水印的效果。
以上为本说明书实施例提供的图像的处理方法，基于同样的思路，本说明书实施例还提供一种图像的处理装置，如图4所示。
该图像的处理装置包括：图像获取模块401、第一编码模块402和图像保护模块403，其中：
图像获取模块401，获取待保护的目标图像和包含预设水印信息的第一图像；
第一编码模块402，基于预设的编码器分别对所述目标图像和所述第一图像进行编码处理，以将预设水印信息通过隐写的方式写入所述目标图像中，得到载有所述预设水印信息的载水印图像的编码信息，所述载水印图像与所述目标图像在视觉上相同，且所述载水印图像的图像特征与所述目标图像的图像特征的相似度小于预设阈值，所述编码器是基于图像样本和包含预设水印样本的第三图像进行模型训练得到的编码器；
图像保护模块403，基于所述载水印图像的编码信息生成所述载水印图像。
本说明书实施例中，所述装置还包括：
第一加噪模块，在所述载水印图像中加入预设的噪音数据，得到加噪载水印图像；
第一解码模块，基于与所述编码器相对应的解码器对所述加噪载水印图像进行水印解码处理，以从所述加噪载水印图像中还原出所述预设水印信息，得到包含预设水印信息的第二图像，所述解码器是基于所述图像样本、所述包含预设水印样本的第三图像和预设的噪音样本，并与所述编码器进行联合训练得到的。
本说明书实施例中，所述装置还包括：
第一样本获取模块，获取多种不同的图像样本和包含预设水印样本的第三图像；
第二编码模块，基于所述编码器分别对所述图像样本和所述第三图像进行编码处理，以将预设水印样本通过隐写的方式写入所述图像样本中，得到载有所述预设水印样本的载水印图像样本的编码信息；
编码器训练模块，基于所述载水印图像样本的编码信息和预设的第一损失函数，对所述编码器进行模型训练，得到训练后的编码器。
本说明书实施例中，所述第一损失函数基于第一子损失函数和第二子损失函数构建，所述第一子损失函数是基于所述图像样本与所述载水印图像样本之间的均方误差构建的损失函数，所述第二子损失函数是基于所述图像样本与所述载水印图像样本之间的学习感知图像块相似度而构建的损失函数。
本说明书实施例中，所述装置还包括：
第二样本获取模块，获取多种不同的图像样本和包含预设水印样本的第三图像；
第三编码模块，基于所述训练后的编码器分别对所述图像样本和所述第三图像进行编码处理，以将预设水印样本通过隐写的方式写入所述图像样本中，得到载有所述预设水印样本的载水印图像样本的编码信息；
第二解码模块，基于与所述编码器相对应的解码器对所述载水印图像样本的编码信息进行水印解码处理，以从所述载水印图像样本中还原出所述预设水印样本，得到包含预设水印样本的第四图像；
第一联合训练模块，基于包含预设水印样本的第四图像和预设的第二损失函数，对所述编码器和所述解码器进行联合训练，得到训练后的编码器和训练后的解码器。
本说明书实施例中，所述装置还包括：
第三样本获取模块，获取多种不同的图像样本和包含预设水印样本的第三图像；
第四编码模块，基于所述训练后的编码器分别对所述图像样本和所述第三图像进行编码处理，以将预设水印样本通过隐写的方式写入所述图像样本中，得到载有所述预设水印样本的载水印图像样本的编码信息；
第二加噪模块，在所述载水印图像样本的编码信息中加入预设的噪音样本，得到加噪载水印图像样本的编码信息；
第三解码模块，基于与所述编码器相对应的解码器对所述加噪载水印图像样本的编码信息进行水印解码处理，以从所述加噪载水印图像样本中还原出所述预设水印样本，得到包含预设水印信息的第五图像；
第二联合训练模块，基于包含预设水印样本的第五图像和预设的第三损失函数，对所述编码器和所述解码器进行联合训练，得到训练后的编码器和训练后的解码器。
本说明书实施例中，所述装置还包括：
第五编码模块，基于所述训练后的编码器对所述图像样本进行编码处理，得到所述图像样本的编码信息；
第四解码模块，基于与所述编码器相对应的解码器对所述图像样本的编码信息进行水印解码处理，得到第一解码结果；
所述第一联合训练模块，分别基于所述第一解码结果和预设的第二损失函数，以及基于所述包含预设水印样本的第四图像和预设的第二损失函数，对所述编码器和所述解码器进行联合训练，得到训练后的编码器和训练后的解码器；
和/或，
第六编码模块，基于所述训练后的编码器对所述图像样本进行编码处理，得到所述图像样本的编码信息；
第三加噪模块，在所述图像样本中加入预设的噪音样本，得到加噪图像样本的编码信息；
第五解码模块，基于与所述编码器相对应的解码器对所述加噪图像样本的编码信息进行水印解码处理，得到第二解码结果；
所述第二联合训练模块，分别基于所述第二解码结果和预设的第三损失函数，以及基于包含预设水印样本的第五图像和预设的第三损失函数，对所述编码器和所述解码器进行联合训练，得到训练后的编码器和训练后的解码器。
本说明书实施例中，所述第二损失函数是基于所述包含预设水印样本的第三图像和所述包含预设水印样本的第四图像的交叉熵损失函数，所述第三损失函数是基于所述包含预设水印样本的第三图像和所述包含预设水印样本的第五图像的交叉熵损失函数，所述预设水印信息包括中文字符、英文字符、数字和预设符号中的一种或多种，预设水印样本包括中文字符、英文字符、数字和预设符号中的一种或多种。
本说明书实施例提供一种图像的处理装置，通过获取待保护的目标图像和包含预设水印信息的第一图像，然后，可以基于预设的编码器分别对目标图像和第一图像进行编码处理，以将预设水印信息通过隐写的方式写入目标图像中，得到载有预设水印信息的载水印图像的编码信息，载水印图像与目标图像在视觉上相同，且载水印图像的图像特征与目标图像的图像特征的相似度小于预设阈值，编码器是基于图像样本和包含预设水印样本的第三图像进行模型训练得到的编码器，最终，可以基于载水印图像的编码信息生成载水印图像，这样，通过水印信息提前对生成内容（即目标图像）加入水印，方便后续对生成内容真实性的判断，同时，通过水印信息还可以进行溯源，此外，由于水印信息在载水印图像中不可见，用户无感知，因此，不会影响用户对目标图像的使用，在视觉上分辨不出，而且，后续可以通过解码器对水印信息进行解析和还原，由此可对目标图像进行追述和反查，而且，承载水印信息的是图像（即第一图像），而图像包含的信息可以更加丰富，水印信息更有区分度，并且，第一图像的水印信息的还原有容错空间，鲁棒性更强，由于水印还原是一个分割任务，只要能确定是水印信息的内容，即使图像周围缺少部分内容也不会影响水印的效果。
以上为本说明书实施例提供的图像的处理装置，基于同样的思路，本说明书实施例还提供一种图像的处理设备，如图5所示。
所述图像的处理设备可以为上述实施例提供终端设备或服务器等。
图像的处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器501和存储器502，存储器502中可以存储有一个或一个以上存储应用程序或数据。其中，存储器502可以是短暂存储或持久存储。存储在存储器502的应用程序可以包括一个或一个以上模块（图示未示出），每个模块可以包括对图像的处理设备中的一系列计算机可执行指令。更进一步地，处理器501可以设置为与存储器502通信，在图像的处理设备上执行存储器502中的一系列计算机可执行指令。图像的处理设备还可以包括一个或一个以上电源503，一个或一个以上有线或无线网络接口504，一个或一个以上输入输出接口505，一个或一个以上键盘506。
具体在本实施例中，图像的处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对图像的处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
获取待保护的目标图像和包含预设水印信息的第一图像；
基于预设的编码器分别对所述目标图像和所述第一图像进行编码处理，以将预设水印信息通过隐写的方式写入所述目标图像中，得到载有所述预设水印信息的载水印图像的编码信息，所述载水印图像与所述目标图像在视觉上相同，且所述载水印图像的图像特征与所述目标图像的图像特征的相似度小于预设阈值，所述编码器是基于图像样本和包含预设水印样本的第三图像进行模型训练得到的编码器；
基于所述载水印图像的编码信息生成所述载水印图像。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于图像的处理设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供一种图像的处理设备，通过获取待保护的目标图像和包含预设水印信息的第一图像，然后，可以基于预设的编码器分别对目标图像和第一图像进行编码处理，以将预设水印信息通过隐写的方式写入目标图像中，得到载有预设水印信息的载水印图像的编码信息，载水印图像与目标图像在视觉上相同，且载水印图像的图像特征与目标图像的图像特征的相似度小于预设阈值，编码器是基于图像样本和包含预设水印样本的第三图像进行模型训练得到的编码器，最终，可以基于载水印图像的编码信息生成载水印图像，这样，通过水印信息提前对生成内容（即目标图像）加入水印，方便后续对生成内容真实性的判断，同时，通过水印信息还可以进行溯源，此外，由于水印信息在载水印图像中不可见，用户无感知，因此，不会影响用户对目标图像的使用，在视觉上分辨不出，而且，后续可以通过解码器对水印信息进行解析和还原，由此可对目标图像进行追述和反查，而且，承载水印信息的是图像（即第一图像），而图像包含的信息可以更加丰富，水印信息更有区分度，并且，第一图像的水印信息的还原有容错空间，鲁棒性更强，由于水印还原是一个分割任务，只要能确定是水印信息的内容，即使图像周围缺少部分内容也不会影响水印的效果。
进一步地，基于上述图1到图3所示的方法，本说明书一个或多个实施例还提供了一种存储介质，用于存储计算机可执行指令信息，一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：
获取待保护的目标图像和包含预设水印信息的第一图像；
基于预设的编码器分别对所述目标图像和所述第一图像进行编码处理，以将预设水印信息通过隐写的方式写入所述目标图像中，得到载有所述预设水印信息的载水印图像的编码信息，所述载水印图像与所述目标图像在视觉上相同，且所述载水印图像的图像特征与所述目标图像的图像特征的相似度小于预设阈值，所述编码器是基于图像样本和包含预设水印样本的第三图像进行模型训练得到的编码器；
基于所述载水印图像的编码信息生成所述载水印图像。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于上述一种存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供一种存储介质，通过获取待保护的目标图像和包含预设水印信息的第一图像，然后，可以基于预设的编码器分别对目标图像和第一图像进行编码处理，以将预设水印信息通过隐写的方式写入目标图像中，得到载有预设水印信息的载水印图像的编码信息，载水印图像与目标图像在视觉上相同，且载水印图像的图像特征与目标图像的图像特征的相似度小于预设阈值，编码器是基于图像样本和包含预设水印样本的第三图像进行模型训练得到的编码器，最终，可以基于载水印图像的编码信息生成载水印图像，这样，通过水印信息提前对生成内容（即目标图像）加入水印，方便后续对生成内容真实性的判断，同时，通过水印信息还可以进行溯源，此外，由于水印信息在载水印图像中不可见，用户无感知，因此，不会影响用户对目标图像的使用，在视觉上分辨不出，而且，后续可以通过解码器对水印信息进行解析和还原，由此可对目标图像进行追述和反查，而且，承载水印信息的是图像（即第一图像），而图像包含的信息可以更加丰富，水印信息更有区分度，并且，第一图像的水印信息的还原有容错空间，鲁棒性更强，由于水印还原是一个分割任务，只要能确定是水印信息的内容，即使图像周围缺少部分内容也不会影响水印的效果。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device，PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书的实施例是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程欺诈案例的串并设备的处理器以产生一个机器，使得通过计算机或其他可编程欺诈案例的串并设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程欺诈案例的串并设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程欺诈案例的串并设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器（CPU）、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器（RAM）和/或非易失性内存等形式，如只读存储器（ROM）或闪存（flash RAM）。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体（transitory media），如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种图像的处理方法，所述方法包括：
获取待保护的目标图像和包含预设水印信息的第一图像；
基于预设的编码器分别对所述目标图像和所述第一图像进行编码处理，以将预设水印信息通过隐写的方式写入所述目标图像中，得到载有所述预设水印信息的载水印图像的编码信息，所述载水印图像与所述目标图像在视觉上相同，且所述载水印图像的图像特征与所述目标图像的图像特征的相似度小于预设阈值，所述编码器是基于图像样本和包含预设水印样本的第三图像进行模型训练得到的编码器；
基于所述载水印图像的编码信息生成所述载水印图像。
2.根据权利要求1所述的方法，所述方法还包括：
在所述载水印图像中加入预设的噪音数据，得到加噪载水印图像；
基于与所述编码器相对应的解码器对所述加噪载水印图像进行水印解码处理，以从所述加噪载水印图像中还原出所述预设水印信息，得到包含预设水印信息的第二图像，所述解码器是基于所述图像样本、所述包含预设水印样本的第三图像和预设的噪音样本，并与所述编码器进行联合训练得到的。
3.根据权利要求2所述的方法，所述方法还包括：
获取多种不同的图像样本和包含预设水印样本的第三图像；
基于所述编码器分别对所述图像样本和所述第三图像进行编码处理，以将预设水印样本通过隐写的方式写入所述图像样本中，得到载有所述预设水印样本的载水印图像样本的编码信息；
基于所述载水印图像样本的编码信息和预设的第一损失函数，对所述编码器进行模型训练，得到训练后的编码器。
4.根据权利要求3所述的方法，所述第一损失函数基于第一子损失函数和第二子损失函数构建，所述第一子损失函数是基于所述图像样本与所述载水印图像样本之间的均方误差构建的损失函数，所述第二子损失函数是基于所述图像样本与所述载水印图像样本之间的学习感知图像块相似度而构建的损失函数。
5.根据权利要求3所述的方法，所述方法还包括：
获取多种不同的图像样本和包含预设水印样本的第三图像；
基于所述训练后的编码器分别对所述图像样本和所述第三图像进行编码处理，以将预设水印样本通过隐写的方式写入所述图像样本中，得到载有所述预设水印样本的载水印图像样本的编码信息；
基于与所述编码器相对应的解码器对所述载水印图像样本的编码信息进行水印解码处理，以从所述载水印图像样本中还原出所述预设水印样本，得到包含预设水印样本的第四图像；
基于包含预设水印样本的第四图像和预设的第二损失函数，对所述编码器和所述解码器进行联合训练，得到训练后的编码器和训练后的解码器。
6.根据权利要求5所述的方法，所述方法还包括：
获取多种不同的图像样本和包含预设水印样本的第三图像；
基于所述训练后的编码器分别对所述图像样本和所述第三图像进行编码处理，以将预设水印样本通过隐写的方式写入所述图像样本中，得到载有所述预设水印样本的载水印图像样本的编码信息；
在所述载水印图像样本的编码信息中加入预设的噪音样本，得到加噪载水印图像样本的编码信息；
基于与所述编码器相对应的解码器对所述加噪载水印图像样本的编码信息进行水印解码处理，以从所述加噪载水印图像样本中还原出所述预设水印样本，得到包含预设水印信息的第五图像；
基于包含预设水印样本的第五图像和预设的第三损失函数，对所述编码器和所述解码器进行联合训练，得到训练后的编码器和训练后的解码器。
7.根据权利要求6所述的方法，所述方法还包括：
基于所述训练后的编码器对所述图像样本进行编码处理，得到所述图像样本的编码信息；
基于与所述编码器相对应的解码器对所述图像样本的编码信息进行水印解码处理，得到第一解码结果；
所述基于包含预设水印样本的第四图像和预设的第二损失函数，对所述编码器和所述解码器进行联合训练，得到训练后的编码器和训练后的解码器，包括：
分别基于所述第一解码结果和预设的第二损失函数，以及基于所述包含预设水印样本的第四图像和预设的第二损失函数，对所述编码器和所述解码器进行联合训练，得到训练后的编码器和训练后的解码器；
和/或，
基于所述训练后的编码器对所述图像样本进行编码处理，得到所述图像样本的编码信息；
在所述图像样本中加入预设的噪音样本，得到加噪图像样本的编码信息；
基于与所述编码器相对应的解码器对所述加噪图像样本的编码信息进行水印解码处理，得到第二解码结果；
所述基于包含预设水印样本的第五图像和预设的第三损失函数，对所述编码器和所述解码器进行联合训练，得到训练后的编码器和训练后的解码器，包括：
分别基于所述第二解码结果和预设的第三损失函数，以及基于包含预设水印样本的第五图像和预设的第三损失函数，对所述编码器和所述解码器进行联合训练，得到训练后的编码器和训练后的解码器。
8.根据权利要求6所述的方法，所述第二损失函数是基于所述包含预设水印样本的第三图像和所述包含预设水印样本的第四图像的交叉熵损失函数，所述第三损失函数是基于所述包含预设水印样本的第三图像和所述包含预设水印样本的第五图像的交叉熵损失函数，所述预设水印信息包括中文字符、英文字符、数字和预设符号中的一种或多种，预设水印样本包括中文字符、英文字符、数字和预设符号中的一种或多种。
9.一种图像的处理装置，所述装置包括：
图像获取模块，获取待保护的目标图像和包含预设水印信息的第一图像；
第一编码模块，基于预设的编码器分别对所述目标图像和所述第一图像进行编码处理，以将预设水印信息通过隐写的方式写入所述目标图像中，得到载有所述预设水印信息的载水印图像的编码信息，所述载水印图像与所述目标图像在视觉上相同，且所述载水印图像的图像特征与所述目标图像的图像特征的相似度小于预设阈值，所述编码器是基于图像样本和包含预设水印样本的第三图像进行模型训练得到的编码器；
图像保护模块，基于所述载水印图像的编码信息生成所述载水印图像。
10.一种图像的处理设备，所述图像的处理设备包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取待保护的目标图像和包含预设水印信息的第一图像；
基于预设的编码器分别对所述目标图像和所述第一图像进行编码处理，以将预设水印信息通过隐写的方式写入所述目标图像中，得到载有所述预设水印信息的载水印图像的编码信息，所述载水印图像与所述目标图像在视觉上相同，且所述载水印图像的图像特征与所述目标图像的图像特征的相似度小于预设阈值，所述编码器是基于图像样本和包含预设水印样本的第三图像进行模型训练得到的编码器；
基于所述载水印图像的编码信息生成所述载水印图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410005892.8A CN117495649A (zh) | 2024-01-02 | 2024-01-02 | 一种图像的处理方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410005892.8A CN117495649A (zh) | 2024-01-02 | 2024-01-02 | 一种图像的处理方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117495649A true CN117495649A (zh) | 2024-02-02 |
Family
ID=89669478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410005892.8A Pending CN117495649A (zh) | 2024-01-02 | 2024-01-02 | 一种图像的处理方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117495649A (zh) |
Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101166260A (zh) * | 2007-09-12 | 2008-04-23 | 华为技术有限公司 | 图像编码和移除水印的方法及装置 |
| CN111028308A (zh) * | 2019-11-19 | 2020-04-17 | 珠海涵辰科技有限公司 | 一种图像中信息的隐写及读取方法 |
| US20200250513A1 (en) * | 2019-02-04 | 2020-08-06 | Bank Of America Corporation | Neural network image recognition with watermark protection |
| US20210124837A1 (en) * | 2019-10-24 | 2021-04-29 | At&T Intellectual Property I, L.P. | Encoding and concealing information using deep learning |
| CN113052745A (zh) * | 2021-04-25 | 2021-06-29 | 景德镇陶瓷大学 | 数字水印模型训练方法、陶瓷水印图像的制作方法及陶瓷 |
| 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 |
| CN114529441A (zh) * | 2022-01-19 | 2022-05-24 | 华南理工大学 | 一种图像频域数字水印方法、系统、装置及介质 |
| US20220237729A1 (en) * | 2019-10-29 | 2022-07-28 | Alibaba Group Holding Limited | Watermark Information Embedding Method and Apparatus |
| WO2022174578A1 (zh) * | 2021-02-20 | 2022-08-25 | 百度在线网络技术（北京）有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
| US20220277492A1 (en) * | 2020-12-10 | 2022-09-01 | Deep Render Ltd | Method and data processing system for lossy image or video encoding, transmission and decoding |
| CN115238250A (zh) * | 2022-09-15 | 2022-10-25 | 支付宝(杭州)信息技术有限公司 | 一种模型的处理方法、装置及设备 |
| CN115330912A (zh) * | 2022-10-12 | 2022-11-11 | 中国科学技术大学 | 基于音频和图像驱动的用于生成人脸说话视频的训练方法 |
| CN115660931A (zh) * | 2022-11-01 | 2023-01-31 | 南京信息工程大学 | 基于Transformer和去噪扩散模型的鲁棒水印方法 |
| CN115829816A (zh) * | 2022-11-03 | 2023-03-21 | 上海交通大学 | 一种图像的处理方法、装置及设备 |
| US20230111326A1 (en) * | 2020-01-13 | 2023-04-13 | Google Llc | Image watermarking |
| CN116630131A (zh) * | 2023-07-25 | 2023-08-22 | 北京和人广智科技有限公司 | 屏幕隐形水印的编码、解码系统及方法 |
| CN116739874A (zh) * | 2023-05-29 | 2023-09-12 | 支付宝(杭州)信息技术有限公司 | 一种对抗噪声生成模型的训练方法及装置 |
| WO2023183531A1 (en) * | 2022-03-24 | 2023-09-28 | The Regents Of The University Of California | Semi-fragile neural watermarks for media authentication and countering deepfakes |
| US20230325961A1 (en) * | 2021-06-21 | 2023-10-12 | Google Llc | Zoom agnostic watermark extraction |
| US20230325959A1 (en) * | 2021-06-21 | 2023-10-12 | Google Llc | Zoom agnostic watermark extraction |
| CN116996751A (zh) * | 2023-08-10 | 2023-11-03 | 上海哔哩哔哩科技有限公司 | 编解码器的训练方法和装置 |
| US20230362399A1 (en) * | 2022-01-11 | 2023-11-09 | Google Llc | End-to-end watermarking system |
| CN117156152A (zh) * | 2022-05-18 | 2023-12-01 | 腾讯科技（深圳）有限公司 | 模型训练方法、编码方法、解码方法及设备 |
| CN117173002A (zh) * | 2023-09-19 | 2023-12-05 | 支付宝(杭州)信息技术有限公司 | 模型训练、图像生成、信息提取方法、装置及电子设备 |
-
2024
- 2024-01-02 CN CN202410005892.8A patent/CN117495649A/zh active Pending
Patent Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101166260A (zh) * | 2007-09-12 | 2008-04-23 | 华为技术有限公司 | 图像编码和移除水印的方法及装置 |
| US20200250513A1 (en) * | 2019-02-04 | 2020-08-06 | Bank Of America Corporation | Neural network image recognition with watermark protection |
| US20210124837A1 (en) * | 2019-10-24 | 2021-04-29 | At&T Intellectual Property I, L.P. | Encoding and concealing information using deep learning |
| US20220237729A1 (en) * | 2019-10-29 | 2022-07-28 | Alibaba Group Holding Limited | Watermark Information Embedding Method and Apparatus |
| CN111028308A (zh) * | 2019-11-19 | 2020-04-17 | 珠海涵辰科技有限公司 | 一种图像中信息的隐写及读取方法 |
| US20230111326A1 (en) * | 2020-01-13 | 2023-04-13 | Google Llc | Image watermarking |
| US20220277492A1 (en) * | 2020-12-10 | 2022-09-01 | Deep Render Ltd | Method and data processing system for lossy image or video encoding, transmission and decoding |
| WO2022174578A1 (zh) * | 2021-02-20 | 2022-08-25 | 百度在线网络技术（北京）有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
| CN113052745A (zh) * | 2021-04-25 | 2021-06-29 | 景德镇陶瓷大学 | 数字水印模型训练方法、陶瓷水印图像的制作方法及陶瓷 |
| US20230325959A1 (en) * | 2021-06-21 | 2023-10-12 | Google Llc | Zoom agnostic watermark extraction |
| US20230325961A1 (en) * | 2021-06-21 | 2023-10-12 | Google Llc | Zoom agnostic watermark extraction |
| US20230362399A1 (en) * | 2022-01-11 | 2023-11-09 | Google Llc | End-to-end watermarking system |
| CN114529441A (zh) * | 2022-01-19 | 2022-05-24 | 华南理工大学 | 一种图像频域数字水印方法、系统、装置及介质 |
| 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 |
| WO2023183531A1 (en) * | 2022-03-24 | 2023-09-28 | The Regents Of The University Of California | Semi-fragile neural watermarks for media authentication and countering deepfakes |
| CN117156152A (zh) * | 2022-05-18 | 2023-12-01 | 腾讯科技（深圳）有限公司 | 模型训练方法、编码方法、解码方法及设备 |
| CN115238250A (zh) * | 2022-09-15 | 2022-10-25 | 支付宝(杭州)信息技术有限公司 | 一种模型的处理方法、装置及设备 |
| CN115330912A (zh) * | 2022-10-12 | 2022-11-11 | 中国科学技术大学 | 基于音频和图像驱动的用于生成人脸说话视频的训练方法 |
| CN115660931A (zh) * | 2022-11-01 | 2023-01-31 | 南京信息工程大学 | 基于Transformer和去噪扩散模型的鲁棒水印方法 |
| CN115829816A (zh) * | 2022-11-03 | 2023-03-21 | 上海交通大学 | 一种图像的处理方法、装置及设备 |
| CN116739874A (zh) * | 2023-05-29 | 2023-09-12 | 支付宝(杭州)信息技术有限公司 | 一种对抗噪声生成模型的训练方法及装置 |
| CN116630131A (zh) * | 2023-07-25 | 2023-08-22 | 北京和人广智科技有限公司 | 屏幕隐形水印的编码、解码系统及方法 |
| CN116996751A (zh) * | 2023-08-10 | 2023-11-03 | 上海哔哩哔哩科技有限公司 | 编解码器的训练方法和装置 |
| CN117173002A (zh) * | 2023-09-19 | 2023-12-05 | 支付宝(杭州)信息技术有限公司 | 模型训练、图像生成、信息提取方法、装置及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| SINGH, HIMANSHU KUMAR等: "Digital image watermarking using deep learning", MULTIMEDIA TOOLS AND APPLICATIONS, 31 May 2023 (2023-05-31) * |
| 冯祥斌;陈永红;: "基于纠错编码和RBF神经网络的盲水印新算法", 微型机与应用, no. 07, 10 April 2013 (2013-04-10) * |
| 顾建锦: "基于CNN的抗屏摄鲁棒水印算法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, 15 February 2023 (2023-02-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111401272B (zh) | 一种人脸特征提取方法、装置及设备 | |
| US20230008085A1 (en) | Method for embedding watermark in video data and apparatus, method for extracting watermark in video data and apparatus, device, and storage medium | |
| CN112398838B (zh) | 一种基于隐私保护的认证方法、装置、设备及存储介质 | |
| Dhargupta et al. | Fuzzy edge detection based steganography using modified Gaussian distribution | |
| Fu et al. | Chartem: reviving chart images with data embedding | |
| Li et al. | Data hiding in iris image for privacy protection | |
| CN112200796A (zh) | 一种基于隐私保护的图像处理方法、装置及设备 | |
| JP2024505766A (ja) | エンドツーエンドウォーターマーキングシステム | |
| CN111368795A (zh) | 一种人脸特征提取方法、装置及设备 | |
| CN118313007A (zh) | 一种基于隐私保护的文件处理方法、装置及设备 | |
| CN116824339A (zh) | 图像处理方法及装置 | |
| CN112837202B (zh) | 基于隐私保护的水印图像的生成、攻击溯源方法及装置 | |
| CN116391200A (zh) | 缩放不可知水印提取 | |
| CN111931148A (zh) | 图像处理方法、装置和电子设备 | |
| CN117612269A (zh) | 一种生物攻击检测方法、装置及设备 | |
| CN113239852B (zh) | 一种基于隐私保护的隐私图像处理方法、装置及设备 | |
| CN117495649A (zh) | 一种图像的处理方法、装置及设备 | |
| Ding et al. | AGIM-net based subject-sensitive hashing algorithm for integrity authentication of HRRS images | |
| CN112199731A (zh) | 一种数据处理方法、装置及设备 | |
| CN117597702A (zh) | 缩放无关的水印提取 | |
| Nadgauda et al. | StegaNet: A Deep Learning Model for Image Steganography Using Customized CNN and Autoencoders | |
| CN113537484B (zh) | 用于数字水印的网络训练、编码和解码方法、装置及介质 | |
| CN118134740B (zh) | 一种基于非决策域方法的模型水印方法及装置 | |
| CN113239851B (zh) | 一种基于隐私保护的隐私图像处理方法、装置及设备 | |
| CN116309274B (zh) | 图像中小目标检测方法、装置、计算机设备及存储介质 |
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 |