CN117974414B - 基于融合新闻素材的数字水印签名校验方法、装置和设备 - Google Patents
基于融合新闻素材的数字水印签名校验方法、装置和设备 Download PDFInfo
- Publication number
- CN117974414B CN117974414B CN202410363275.5A CN202410363275A CN117974414B CN 117974414 B CN117974414 B CN 117974414B CN 202410363275 A CN202410363275 A CN 202410363275A CN 117974414 B CN117974414 B CN 117974414B
- Authority
- CN
- China
- Prior art keywords
- image
- watermark
- frequency domain
- channel
- domain
- 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
- 239000000463 material Substances 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012795 verification Methods 0.000 title claims abstract description 35
- 230000004927 fusion Effects 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008485 antagonism Effects 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000007634 remodeling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种基于融合新闻素材的数字水印签名校验方法、装置和设备。该方法包括:建立新闻素材视频数据库,对新闻素材视频进行逐帧提取,将视频帧转换为YUV图像,对视频帧进行特征提取,构建特征区域;对特征区域内的Y通道图像进行预处理后从空间域转换到频域;将水印图像分为两部分,将一部分嵌入到Y通道频域图像后输入对抗网络,将得到的结果从频域转换到空间域,得到第一含水印空间域图像;将另一部分水印嵌入除特征区域以外的Y通道图像,然后输入到对抗网络中,得到第二含水印空间域图像;根据两部分含水印空间域图像和U、V通道图像,还原出含水印图像;提取水印,得到最终结果。本方法可改善当下视频传输存在的安全隐患。
Description
技术领域
本申请涉及深度学习技术领域,特别是涉及一种基于融合新闻素材的数字水印签名校验方法、装置和设备。
背景技术
数字媒体发展迅速,信息传播速度加快,对于数字信息的版权问题却一直存在隐患,未经授权可被轻易篡改进行传播,随着信息化程度和版权意识的加强,人们安全性、防篡改性等要求更加注重。新闻视频素材作为传播的主要媒介,更应该注重其传输的安全性,结合数字水印签名校验方法不妨碍载体信息的传播和交流,且能避免新闻视频素材的非法使用。
现今对视频进行水印签名校验的方法大多数是简单地将水印图像嵌入视频帧中进行传输,水印稳健性差,容易被破解,视频信息传输过程安全性不高。
发明内容
基于此,有必要针对上述技术问题,提供一种基于融合新闻素材的数字水印签名校验方法、装置和设备。
一种基于融合新闻素材的数字水印签名校验方法,所述方法包括:
建立新闻素材视频数据库,对提取的新闻素材视频进行逐帧提取。
将视频帧转换为YUV图像,对视频帧进行特征提取,构建特征区域。
对Y通道图像中所述特征区域对应的图像进行预处理后从空间域转换到频域,得到Y通道频域图像。
将水印图像划分为两部分,将第一部分水印与所述Y通道频域图像进行融合后输入到对抗网络中,得到含水印频域图像。
将所述含水印频域图像从频域转换到空间域,得到第一含水印空间域图像。
将第二部分水印与所述Y通道图像中所述特征区域以外部分的图像融合,将融合结果输入到对抗网络中,得到第二含水印空间域图像。
根据所述第一含水印空间域图像、所述第二含水印空间域图像、U通道图像信息以及V通道图像信息,还原出含水印的图像。
从频域和空间域提取水印并进行组合,将组合水印与原水印图像进行比较,若满足评判标准,则水印提取成功,遍历所有视频帧后完成水印签名校验。
在其中一个实施例中,建立新闻素材视频数据库,对提取的新闻素材视频进行逐帧提取,包括:
收集不同类别的新闻素材的视频及其携带的标签内容。
根据新闻素材的所述标签内容,定义新闻素材视频的属性信息,并登记存储所述属性信息,建立新闻素材视频数据库;所述属性信息包括:视频的名称、操作日期、所属类型以及存放路径。
根据新闻素材的属性信息在所述新闻素材视频数据库中进行检索,得到新闻素材视频。
对所述新闻素材视频进行逐帧分解并获取帧,按预设频率获取视频帧。
在其中一个实施例中,将视频帧转换为YUV图像,对视频帧进行特征提取,构建特征区域,包括:
将视频帧从RGB图像转换为YUV图像,提取出Y通道图像。
采用AKAZE算法对视频帧进行特征提取,并构建特征区域,所述特征区域为特征矩形区域。
在其中一个实施例中,对Y通道图像中所述特征区域对应的图像进行预处理后从空间域转换到频域,得到Y通道频域图像,包括:
根据所述特征区域对Y通道图像进行选取,并对选取结果中的每个像素点进行张量重塑。
将得到的每个像素点对应的张量进行非下采样 Contourlet变换;得到Y通道频域图像。
在其中一个实施例中,所述对抗网络包括生成器和判决器。
将水印图像划分为两部分,将第一部分水印与所述Y通道频域图像进行融合后输入到对抗网络中,得到含水印频域图像,包括:
将水印图像划分为两部分。
将第一部分水印图像和所述Y通道频域图像进行特征融合,得到Y通道频域融合特征图像。
将所述Y通道频域融合特征图像输入到的生成器中,并采用预设攻击类型进行图像攻击,得到生成图像。
将所述Y通道频域融合特征图像和所述生成图像输入到判决器中,得到含水印频域图像。
在其中一个实施例中,所述生成器包括:嵌入层和攻击层。
所述嵌入层包括:三个特征提取层一个卷积层;所述特征提取层包括一个卷积层、一个归一化层(BatchNorm层)与ReLu层。
所述攻击层用于加入噪声攻击、裁剪攻击或旋转攻击,在每一个训练的batch中,选择一种攻击类型。
在其中一个实施例中,所述判决器由三个特征提取层、一个池化层以及一个全连接层组成;所述特征提取层由一个卷积层、一个归一化层以及一个ReLU层组成。
在其中一个实施例中,将所述含水印频域图像从频域转换到空间域,得到第一含水印空间域图像,包括:
将所述含水印频域图像进行逆非下采样Contourlet变换,得到第一含水印空间域图像。
一种基于融合新闻素材的数字水印签名校验装置,所述装置包括:
新闻素材视频数据帧提取模块,用于建立新闻素材视频数据库,对提取的新闻素材视频进行逐帧提取。
特征区域构建模块,用于将视频帧转换为YUV图像,对视频帧进行特征提取,构建特征区域。
Y通道频域图像确定模块,用于对Y通道图像中所述特征区域对应的图像进行预处理后从空间域转换到频域,得到Y通道频域图像。
含水印频域图像确定模块,用于将水印图像划分为两部分,将第一部分水印与所述Y通道频域图像进行融合后输入到对抗网络中,得到含水印频域图像。
含水印空间域图像确定模块,用于将所述含水印频域图像从频域转换到空间域,得到第一含水印空间域图像;将第二部分水印与所述Y通道图像中所述特征区域以外部分的图像融合,将融合结果输入到对抗网络中,得到第二含水印空间域图像。
含水印的图像还原模块,用于根据所述第一含水印空间域图像、所述第二含水印空间域图像、U通道图像信息以及V通道图像信息,还原出含水印的图像。
水印签名校验模块,用于从频域和空间域提取水印并进行组合,将组合水印与原水印图像进行比较,若满足评判标准,则水印提取成功,遍历所有视频帧后完成水印签名校验。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一方法的步骤。
上述基于融合新闻素材的数字水印签名校验方法、装置和设备,所述方法包括:建立新闻素材视频数据库,对提取的新闻素材视频进行逐帧提取;将视频帧转换为YUV图像,对视频帧进行特征提取,构建特征区域;对Y通道图像中特征区域对应的图像进行预处理后从空间域转换到频域,得到Y通道频域图像;将水印图像划分为两部分,将第一部分水印与Y通道频域图像进行融合后输入到对抗网络中,得到含水印频域图像;将含水印频域图像从频域转换到空间域,得到第一含水印空间域图像;将第二部分水印与Y通道图像中特征区域以外部分的图像融合,将融合结果输入到对抗网络中,得到第二含水印空间域图像;根据第一含水印空间域图像、第二含水印空间域图像、U通道图像信息以及V通道图像信息,还原出含水印的图像;从频域和空间域提取水印并进行组合,将组合水印与原水印图像进行比较,若满足评判标准,则水印提取成功,遍历所有视频帧后完成水印签名校验。本方法提供了一种科学、合理的解决方案,改善当下视频传输存在的安全隐患。
附图说明
图1为一个实施例中基于融合新闻素材的数字水印签名校验方法的流程示意图;
图2为另一个实施例中基于融合新闻素材的数字水印签名校验方法的总流程;
图3为另一个实施例中对抗网络中生成器的结构示意图;
图4为另一个实施例中对抗网络中判决器的结构示意图;
图5为一个实施例中基于融合新闻素材的数字水印签名校验装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种基于融合新闻素材的数字水印签名校验方法,该方法包括以下步骤:
步骤100:建立新闻素材视频数据库,对提取的新闻素材视频进行逐帧提取。
具体的,新闻素材视频数据库是根据不同类别的新闻素材的视频及其携带的标签内容构建的。
根据新闻素材的属性在新闻素材视频数据库中进行检索,得到新闻素材视频,对新闻素材视频进行逐帧提取。
步骤102:将视频帧转换为YUV图像,对视频帧进行特征提取,构建特征区域。
具体的,YUV图像是一种亮度和色度分离的色彩空间,其中Y分量代表亮度,U和V分量代表色度,YUV图像允许对色度信息进行一定程度的采样降低,可以大大减少数据量,增加带宽效率;YUV将色彩信息与亮度信息分开,有利于去除色彩间的冗余,并且更容易适应人类视觉系统的特性;大多数现代视频编码标准都是基于YUV色彩空间设计的,因为它们可以直接利用YUV格式中的特性进行有效的熵编码和预测编码,从而达到更高的压缩比。因此在本申请中将视频帧从RGB图像转为YUV图像,然后再进行处理。
将视频帧从RGB图像转为YUV图像,将该图像记作,其转换的公式为:
其中,Y为亮度信号,U、V代表色度信号,然后提取出Y通道图像,R、G、B为三个色度值。
对视频帧进行特征提取可以选用但不限于AKAZE算法,还可以选用SIFT算法或SURF算法。
根据对视频帧进行特征提取的特征点,以其为中心构建特征区域。
步骤104:对Y通道图像中特征区域对应的图像进行预处理后从空间域转换到频域,得到Y通道频域图像。
具体的,将预处理图像从空间域转换到频域可以选用但不限于非下采样Contourlet变换,还可以选用离散傅里叶变换或离散余弦转换(DCT)。
非下采样轮廓波变换(nonsubsampled contourlet,NSCT)是一种新型平移不变、多尺度、多方向性等多种优点的快速变换。非下采样轮廓波变换基于Nonsubsampled金字塔(NSP)和Nonsubsampled方向滤波器(NSDFB)的一种变换。首先由NSP对输入图像进行塔形分解,分解为高通和低通两个部分,然后由NSDFB将高频子带分解为多个方向子带,低频部分继续进行如上分解。
离散傅里叶变换(Discrete Fourier Transform,DFT)是将图像从空间域转换到频域的变换方法。离散傅里叶变换描述的是离散信号的一维时域或二维空间域表示与频域表示之间的关系,是信号处理和图像处理中的一种最有效的数学工具之一,在频谱分析、数字滤波器设计、功率谱分析、传递函数建模、图像处理等方面具有广泛的应用。
离散余弦转换(DCT)主要运用于数据或图像的压缩。由于DCT能够将空间域的图像转换到频域上,因此具有良好的去相关性的性能。DCT变换本身是无损的且具有对称性。对原始图像进行离散余弦变换,变换后DCT系数能量主要集中在左上角,其余大部分系数接近于零。
步骤106:将水印图像划分为两部分,将第一部分水印与Y通道频域图像进行融合后输入到对抗网络中,得到含水印频域图像。
具体的,作为优选,将水印图像分为两部分,其大小分别为1/4和3/4。
步骤108:将含水印频域图像从频域转换到空间域,得到第一含水印空间域图像。
具体的,将图像从频域转换到空间域采用的算法是与从空间域到频域转换对应的逆变换算法。
步骤110:将第二部分水印与Y通道图像中特征区域以外部分的图像融合,将融合结果输入到对抗网络中,得到第二含水印空间域图像。
具体的,将第二部分水印与Y通道图像中特征区域以外部分的图像融合后输入到对抗网络的生成器当中,并进行图像攻击,训练直至生成对抗网络中的判别器识别不出来为止,得到第二含水印空间域图像。
步骤112:根据第一含水印空间域图像、第二含水印空间域图像、U通道图像信息以及V通道图像信息,还原出含水印的图像。
步骤114:从频域和空间域提取水印并进行组合,将组合水印与原水印图像进行比较,若满足评判标准,则水印提取成功,遍历所有视频帧后完成水印签名校验。
具体的,从频域和空间域提取水印并进行组合,将组合水印与原水印图像比较,计算其之间的loss值,若满足在评判标准范围内,则水印提取成功。
上述基于融合新闻素材的数字水印签名校验方法中,所述方法包括:建立新闻素材视频数据库,对提取的新闻素材视频进行逐帧提取;将视频帧转换为YUV图像,对视频帧进行特征提取,构建特征区域;对Y通道图像中特征区域对应的图像进行预处理后从空间域转换到频域,得到Y通道频域图像;将水印图像划分为两部分,将第一部分水印与Y通道频域图像进行融合后输入到对抗网络中,得到含水印频域图像;将含水印频域图像从频域转换到空间域,得到第一含水印空间域图像;将第二部分水印与Y通道图像中特征区域以外部分的图像融合,将融合结果输入到对抗网络中,得到第二含水印空间域图像;根据第一含水印空间域图像、第二含水印空间域图像、U通道图像信息以及V通道图像信息,还原出含水印的图像;从频域和空间域提取水印并进行组合,将组合水印与原水印图像进行比较,若满足评判标准,则水印提取成功,遍历所有视频帧后完成水印签名校验。本方法提供了一种科学、合理的解决方案,改善当下视频传输存在的安全隐患。
在其中一个实施例中,步骤100包括:收集不同类别的新闻素材的视频及其携带的标签内容;根据新闻素材的标签内容,定义新闻素材视频的属性信息,并登记存储属性信息,建立新闻素材视频数据库;属性信息包括:视频的名称、操作日期、所属类型以及存放路径;根据新闻素材的属性信息在新闻素材视频数据库中进行检索,得到新闻素材视频;对新闻素材视频进行逐帧分解并获取帧,按预设频率获取视频帧(视频帧作为特征提取的对象)。
具体的,常见的帧率有24、25、30、50、60 FPS等。如果要完整无损地从视频中抽取单帧图片,理想的预设频率就是视频源本身的帧率,这样才能确保不遗漏任何帧。例如:如果原视频帧是30fps,那么最佳预设频率就以30fps来分解最为合适。
在其中一个实施例中,步骤102包括:将视频帧从RGB图像转换为YUV图像,提取出Y通道图像;采用AKAZE算法对视频帧进行特征提取,并构建特征区域,特征区域为特征矩形区域。
具体的,采用AKAZE算法对视频帧进行特征提取,并构建特征区域,特征区域为特征矩形区域,具体包括如下步骤:
步骤S1、构建非线性制度空间。
将非线性扩散滤波器用于尺度空间的构造,非线性扩散滤波可以用非线性偏分微分方程表示:
其中,L为图像亮度,div为散度,为梯度,c为传导函数,x,y为坐标,t为尺度,传导函数c为:
其中,g为传导核函数,为图像经过搞死平滑后的梯度图像,传导核函数g可表示为:
其中,为控制扩散程度的参数。
通过求解得到图像的非线性尺度空间表达式为:
,/>
其中,为单位长度,/>为时间长度,/>为图像/>在维度i的传导函数,n为显示扩散脚步。
步骤S2:检测特征点。
首先对每层尺度空间的像素点进行Hesse矩阵计算,其公式为:
其中,为尺度参数,/>和/>分别为二阶横向微分和二阶纵向微分,/>为二阶交叉微分。
步骤S3:定特征点主方向。
以特征点为中心,以尺度参数的6倍为半径确定圆形区域,将特征点领域的一阶微分值和/>进行高斯赋权运算,并以角度为/>的扇形窗口旋转,计算该窗口内的向量和,向量和最大的方向即为特征点的主方向。
步骤S4:计算特征描述符。
使用M-LDB描述符,其主要针对LDB描述符进行了旋转和缩放性能的改进,该描述符为使用所有的网格像素,而是通过网格像素采样完成尺度自适应,这样离散采样获得的描述符是由0和1构成的二值描述符,可提高算法的实时性能。
步骤S5:特征点匹配。
通过计算特征点与描述符之间的Hamming距离判断特征点之间的匹配程度进行特征点的匹配。
然后将该像素点的响应值与同层及上下相邻层的区域内的26个像素点进行比较,若该像素点比这26个像素点都大,则该点为特征点。
步骤S6:以特征点为中心,构建256*256的矩形区域,且该矩形区域不能超过原始图像,否则按次特征点为中心进行构建,以此类推。
在其中一个实施例中,步骤104包括:根据特征区域对Y通道图像进行选取,并对选取结果中的每个像素点进行张量重塑;将得到的每个像素点对应的张量进行非下采样Contourlet变换;得到Y通道频域图像。
在其中一个实施例中,对抗网络包括生成器和判决器;步骤106包括:将水印图像划分为两部分;将第一部分水印图像和Y通道频域图像进行特征融合,得到Y通道频域融合特征图像;将Y通道频域融合特征图像输入到的生成器中,并采用预设攻击类型进行图像攻击,得到生成图像;将Y通道频域融合特征图像和生成图像输入到判决器中,得到含水印频域图像。
在其中一个实施例中如图3所示,生成器包括:嵌入层和攻击层;嵌入层包括:三个特征提取层一个卷积层;特征提取层包括一个卷积层、一个归一化层(BatchNorm层)与ReLu层;攻击层用于加入噪声攻击、裁剪攻击或旋转攻击,在每一个训练的batch中,选择一种攻击类型。
在其中一个实施例中,如图4所示,判决器由三个特征提取层、一个池化层以及一个全连接层组成;特征提取层由一个卷积层、一个归一化层以及一个ReLU层组成。
在其中一个实施例中,步骤108包括:将含水印频域图像进行逆非下采样Contourlet变换,得到第一含水印空间域图像。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个具体的实施例中,如图2所示,提供了一种基于融合新闻素材的数字水印签名校验方法,具体步骤为:
步骤1:建立新闻素材视频数据库。
步骤2:提取视频帧。
步骤3:对视频帧进行预处理:将视频帧从RGB图像转为YUV图像,然后提取出Y通道图像,将该图像记作。
步骤4:使用AKAZE算法对视频帧进行特征提取和构建特征区域。
步骤5:然后通过步骤4的特征矩形区域对图像进行选取得到/>,其大小以1*H*W表示,然后将/>进行重塑大小为/>的张量T,且每一个像素点与张量T一一对应。
步骤6:对步骤5中的张量T进行非下采样 Contourlet变换,将T从空间域变为频域,其频域的低频子带具有原始图像的重要信息,得到的结果以表示。
步骤7:水印图像的嵌入与融合。
步骤7.1:将水印图像分为两部分,其大小分别为1/4和3/4,前者称为水印图像S′,后者称为水印图像S。
步骤7.2:将与水印图像/>特征融合,令得到的结果为/>。
步骤7.3:将水印图像S′嵌入(除S P以外的部分),得到/>。
步骤8:将步骤7.2中得到的输入到生成对抗网络当中。
步骤8.1:将输入到生成器当中得到生成图像,这里生成器所用的结构包括嵌入层和攻击层,嵌入层包括3个特征提取层、1个卷积层,特征提取层包括1个卷积层、1个归一化层(BatchNorm层)与ReLu层。攻击层主要是加入噪声攻击、裁剪攻击、旋转攻击等,在每一个训练的batch中,选择一种攻击类型。
步骤8.2:将和步骤8.1输出的生成图像输入到判决器当中,判定生成图像是真是假。判决器3个卷积层、3个ReLU层,3个归一化层,1个池化层和1个全连接层组成。
步骤9:将图像进行逆非下采样Contourlet变换,可还原图像所在位置,因为该低频子带具有原始图像重要信息,可得到含水印的Y通道图像。
步骤10:将7.3中得到嵌入输入到生成对抗网络当中去。
步骤11:然后结合U、V通道图像信息,分别还原为含水印的图像。
步骤12:最后从频域和空间域提取水印进行组合,形成结果与原水印图像比较,计算其之间的loss值,若满足在评判标准范围内,则水印提取成功。
若要完成新闻视频所有视频帧的水印嵌入,则重复步骤3-12即可。
在一个实施例中,如图5所示,提供了一种基于融合新闻素材的数字水印签名校验装置,包括:新闻素材视频数据帧提取模块、特征区域构建模块、Y通道频域图像确定模块、含水印频域图像确定模块、含水印空间域图像确定模块、含水印的图像还原模块和水印签名校验模块,其中:
新闻素材视频数据帧提取模块,用于建立新闻素材视频数据库,对提取的新闻素材视频进行逐帧提取。
特征区域构建模块,用于将视频帧转换为YUV图像,对视频帧进行特征提取,构建特征区域。
Y通道频域图像确定模块,用于对Y通道图像中特征区域对应的图像进行预处理后从空间域转换到频域,得到Y通道频域图像。
含水印频域图像确定模块,用于将水印图像划分为两部分,将第一部分水印与Y通道频域图像进行融合后输入到对抗网络中,得到含水印频域图像。
含水印空间域图像确定模块,用于将含水印频域图像从频域转换到空间域,得到第一含水印空间域图像;将第二部分水印与Y通道图像中特征区域以外部分的图像融合,将融合结果输入到对抗网络中,得到第二含水印空间域图像。
含水印的图像还原模块,用于根据第一含水印空间域图像、第二含水印空间域图像、U通道图像信息以及V通道图像信息,还原出含水印的图像。
水印签名校验模块,用于从频域和空间域提取水印并进行组合,将组合水印与原水印图像进行比较,若满足评判标准,则水印提取成功,遍历所有视频帧后完成水印签名校验。
在其中一个实施例中,新闻素材视频数据帧提取模块,还用于收集不同类别的新闻素材的视频及其携带的标签内容;根据新闻素材的标签内容,定义新闻素材视频的属性信息,并登记存储属性信息,建立新闻素材视频数据库;属性信息包括:视频的名称、操作日期、所属类型以及存放路径;根据新闻素材的属性信息在新闻素材视频数据库中进行检索,得到新闻素材视频;对新闻素材视频进行逐帧分解并获取帧,按预设频率获取视频帧。
在其中一个实施例中,特征区域构建模块,还用于将视频帧从RGB图像转换为YUV图像,提取出Y通道图像;采用AKAZE算法对视频帧进行特征提取,并构建特征区域,特征区域为特征矩形区域。
在其中一个实施例中,Y通道频域图像确定模块,还用于根据特征区域对Y通道图像进行选取,并对选取结果中的每个像素点进行张量重塑;将得到的每个像素点对应的张量进行非下采样 Contourlet变换;得到Y通道频域图像。
在其中一个实施例中,对抗网络包括生成器和判决器;含水印频域图像确定模块,还用于将水印图像划分为两部分;将第一部分水印图像和Y通道频域图像进行特征融合,得到Y通道频域融合特征图像;将Y通道频域融合特征图像输入到的生成器中,并采用预设攻击类型进行图像攻击,得到生成图像;将Y通道频域融合特征图像和生成图像输入到判决器中,得到含水印频域图像。
在其中一个实施例中,含水印频域图像确定模块中对抗网络的生成器包括:嵌入层和攻击层;嵌入层包括:三个特征提取层一个卷积层;特征提取层包括一个卷积层、一个归一化层(BatchNorm层)与ReLu层;攻击层用于加入噪声攻击、裁剪攻击或旋转攻击,在每一个训练的batch中,选择一种攻击类型。
在其中一个实施例中,含水印频域图像确定模块中对抗网络的判决器由三个特征提取层、一个池化层以及一个全连接层组成;特征提取层由一个卷积层、一个归一化层以及一个ReLU层组成。
在其中一个实施例中,含水印空间域图像确定模块,还用于将含水印频域图像进行逆非下采样Contourlet变换,得到第一含水印空间域图像。
关于基于融合新闻素材的数字水印签名校验装置的具体限定可以参见上文中对于基于融合新闻素材的数字水印签名校验方法的限定,在此不再赘述。上述基于融合新闻素材的数字水印签名校验装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于融合新闻素材的数字水印签名校验方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述方法实施例中的步骤。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于融合新闻素材的数字水印签名校验方法,其特征在于,所述方法包括:
建立新闻素材视频数据库,对提取的新闻素材视频进行逐帧提取;
将视频帧转换为YUV图像,对视频帧进行特征提取,构建特征区域;
对Y通道图像中所述特征区域对应的图像进行预处理后从空间域转换到频域,得到Y通道频域图像;
将水印图像划分为两部分,将第一部分水印与所述Y通道频域图像进行融合后输入到对抗网络中,得到含水印频域图像;
将所述含水印频域图像从频域转换到空间域,得到第一含水印空间域图像;
将第二部分水印与所述Y通道图像中所述特征区域以外部分的图像融合,将融合结果输入到对抗网络的生成器当中,并进行图像攻击,训练直至生成对抗网络的判别器识别不出来为止,得到第二含水印空间域图像;
根据所述第一含水印空间域图像、所述第二含水印空间域图像、U通道图像信息以及V通道图像信息,还原出含水印的图像;
从频域和空间域提取水印并进行组合,将组合水印与原水印图像进行比较,若满足评判标准,则水印提取成功,遍历所有视频帧后完成水印签名校验;
其中,所述对抗网络包括生成器和判决器;将水印图像划分为两部分,将第一部分水印与所述Y通道频域图像进行融合后输入到对抗网络中,得到含水印频域图像,包括:
将水印图像划分为两部分;
将第一部分水印图像和所述Y通道频域图像进行特征融合,得到Y通道频域融合特征图像;
将所述Y通道频域融合特征图像输入到对抗网络的生成器中,采用预设攻击类型进行图像攻击,得到生成图像;
将所述Y通道频域融合特征图像和所述生成图像输入到判决器中,得到含水印频域图像。
2.根据权利要求1所述的方法,其特征在于,建立新闻素材视频数据库,对提取的新闻素材视频进行逐帧提取,包括:
收集不同类别的新闻素材的视频及其携带的标签内容;
根据新闻素材的所述标签内容,定义新闻素材视频的属性信息,并登记存储所述属性信息,建立新闻素材视频数据库;所述属性信息包括:视频的名称、操作日期、所属类型以及存放路径;
根据新闻素材的属性信息在所述新闻素材视频数据库中进行检索,得到新闻素材视频;
对所述新闻素材视频进行逐帧分解并获取帧,按预设频率获取视频帧。
3.根据权利要求1所述的方法,其特征在于,将视频帧转换为YUV图像,对视频帧进行特征提取,构建特征区域,包括:
将视频帧从RGB图像转换为YUV图像,提取出Y通道图像;
采用AKAZE算法对视频帧进行特征提取,并构建特征区域,所述特征区域为特征矩形区域。
4.根据权利要求1所述的方法,其特征在于,对Y通道图像中所述特征区域对应的图像进行预处理后从空间域转换到频域,得到Y通道频域图像,包括:
根据所述特征区域对Y通道图像进行选取,并对选取结果中的每个像素点进行张量重塑;
将得到的每个像素点对应的张量进行非下采样 Contourlet变换;得到Y通道频域图像。
5.根据权利要求1所述的方法,其特征在于,所述生成器包括:嵌入层和攻击层;
所述嵌入层包括:三个特征提取层一个卷积层;所述特征提取层包括一个卷积层、一个归一化层与ReLu层;
所述攻击层用于加入噪声攻击、裁剪攻击或旋转攻击,在每一个训练的batch中,选择一种攻击类型。
6.根据权利要求1所述的方法,其特征在于,所述判决器由三个特征提取层、一个池化层以及一个全连接层组成;所述特征提取层由一个卷积层、一个归一化层以及一个ReLU层组成。
7.根据权利要求1所述的方法,其特征在于,将所述含水印频域图像从频域转换到空间域,得到第一含水印空间域图像,包括:
将所述含水印频域图像进行逆非下采样Contourlet变换,得到第一含水印空间域图像。
8.一种基于融合新闻素材的数字水印签名校验装置,其特征在于,所述装置包括:
新闻素材视频数据帧提取模块,用于建立新闻素材视频数据库,对提取的新闻素材视频进行逐帧提取;
特征区域构建模块,用于将视频帧转换为YUV图像,对视频帧进行特征提取,构建特征区域;
Y通道频域图像确定模块,用于对Y通道图像中所述特征区域对应的图像进行预处理后从空间域转换到频域,得到Y通道频域图像;
含水印频域图像确定模块,用于将水印图像划分为两部分,将第一部分水印与所述Y通道频域图像进行融合后输入到对抗网络中,得到含水印频域图像;
含水印空间域图像确定模块,用于将所述含水印频域图像从频域转换到空间域,得到第一含水印空间域图像;将第二部分水印与所述Y通道图像中所述特征区域以外部分的图像融合,将融合结果输入到对抗网络的生成器当中,并进行图像攻击,训练直至生成对抗网络的判别器识别不出来为止,得到第二含水印空间域图像;
含水印的图像还原模块,用于根据所述第一含水印空间域图像、所述第二含水印空间域图像、U通道图像信息以及V通道图像信息,还原出含水印的图像;
水印签名校验模块,用于从频域和空间域提取水印并进行组合,将组合水印与原水印图像进行比较,若满足评判标准,则水印提取成功,遍历所有视频帧后完成水印签名校验;
具体的,所述对抗网络包括生成器和判决器;含水印频域图像确定模块,还用于将水印图像划分为两部分;将第一部分水印图像和所述Y通道频域图像进行特征融合,得到Y通道频域融合特征图像;将所述Y通道频域融合特征图像输入到对抗网络的生成器中,采用预设攻击类型进行图像攻击,得到生成图像;将所述Y通道频域融合特征图像和所述生成图像输入到判决器中,得到含水印频域图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410363275.5A CN117974414B (zh) | 2024-03-28 | 2024-03-28 | 基于融合新闻素材的数字水印签名校验方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410363275.5A CN117974414B (zh) | 2024-03-28 | 2024-03-28 | 基于融合新闻素材的数字水印签名校验方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117974414A CN117974414A (zh) | 2024-05-03 |
CN117974414B true CN117974414B (zh) | 2024-06-07 |
Family
ID=90861554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410363275.5A Active CN117974414B (zh) | 2024-03-28 | 2024-03-28 | 基于融合新闻素材的数字水印签名校验方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974414B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074237A (zh) * | 2010-11-30 | 2011-05-25 | 辽宁师范大学 | 基于直方图不变特性的数字音频水印方法 |
WO2019148912A1 (zh) * | 2018-02-02 | 2019-08-08 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN113379585A (zh) * | 2021-06-23 | 2021-09-10 | 景德镇陶瓷大学 | 无边框定位的陶瓷水印模型训练方法和嵌密方法 |
CN115170378A (zh) * | 2022-06-13 | 2022-10-11 | 北京林业大学 | 一种基于深度学习的视频数字水印嵌入与提取方法及系统 |
CN115357929A (zh) * | 2022-08-04 | 2022-11-18 | 上海交通大学 | 一种图像的处理方法、装置及设备 |
CN115527101A (zh) * | 2022-09-23 | 2022-12-27 | 阿里巴巴(中国)有限公司 | 图像的篡改检测方法和处理器 |
CN117061768A (zh) * | 2023-10-12 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 视频水印处理方法、装置、电子设备及存储介质 |
CN117522666A (zh) * | 2023-11-20 | 2024-02-06 | 深圳市证通电子股份有限公司 | 一种实现图像中嵌入与提取隐形数字水印方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022184133A (ja) * | 2021-05-31 | 2022-12-13 | キヤノン株式会社 | 電子透かし解析装置および電子透かし解析方法 |
-
2024
- 2024-03-28 CN CN202410363275.5A patent/CN117974414B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074237A (zh) * | 2010-11-30 | 2011-05-25 | 辽宁师范大学 | 基于直方图不变特性的数字音频水印方法 |
WO2019148912A1 (zh) * | 2018-02-02 | 2019-08-08 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN113379585A (zh) * | 2021-06-23 | 2021-09-10 | 景德镇陶瓷大学 | 无边框定位的陶瓷水印模型训练方法和嵌密方法 |
CN115170378A (zh) * | 2022-06-13 | 2022-10-11 | 北京林业大学 | 一种基于深度学习的视频数字水印嵌入与提取方法及系统 |
CN115357929A (zh) * | 2022-08-04 | 2022-11-18 | 上海交通大学 | 一种图像的处理方法、装置及设备 |
CN115527101A (zh) * | 2022-09-23 | 2022-12-27 | 阿里巴巴(中国)有限公司 | 图像的篡改检测方法和处理器 |
CN117061768A (zh) * | 2023-10-12 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 视频水印处理方法、装置、电子设备及存储介质 |
CN117522666A (zh) * | 2023-11-20 | 2024-02-06 | 深圳市证通电子股份有限公司 | 一种实现图像中嵌入与提取隐形数字水印方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于生成对抗网络的图像数字水印研究;魏颖;《中国优秀硕士学位论文全文数据库 信息科技辑》;20230115;第I138-94页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117974414A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | Detecting camouflaged object in frequency domain | |
Monga et al. | Perceptual image hashing via feature points: performance evaluation and tradeoffs | |
WO2016082277A1 (zh) | 一种视频认证方法及装置 | |
CN112561766B (zh) | 图像隐写及提取方法、装置及电子设备 | |
CN112528969B (zh) | 人脸图像的真伪检测方法、系统、计算机设备和存储介质 | |
CN113536990A (zh) | 深度伪造人脸数据鉴别方法 | |
Tian et al. | Robust and blind watermarking algorithm based on DCT and SVD in the contourlet domain | |
Kang et al. | Robust median filtering forensics based on the autoregressive model of median filtered residual | |
Kumar et al. | Near lossless image compression using parallel fractal texture identification | |
Yue et al. | SIFT-based image compression | |
Tang et al. | Robust Image Hashing via Random Gabor Filtering and DWT. | |
Guo et al. | Rethinking gradient operator for exposing AI-enabled face forgeries | |
Jana et al. | A new DCT based robust image watermarking scheme using cellular automata | |
Chai et al. | CSENMT: A deep image compressed sensing encryption network via multi-color space and texture feature | |
Lai et al. | Generative focused feedback residual networks for image steganalysis and hidden information reconstruction | |
Nie et al. | Robust video hashing based on representative-dispersive frames | |
CN111601181B (zh) | 生成视频指纹数据的方法及装置 | |
CN117974414B (zh) | 基于融合新闻素材的数字水印签名校验方法、装置和设备 | |
Wang et al. | Quaternion Markov Splicing Detection for Color Images Based on Quaternion Discrete Cosine Transform. | |
Banitalebi-Dehkordi et al. | An image quality assessment algorithm based on saliency and sparsity | |
Li et al. | Perceptual hashing for color images | |
Wang et al. | A unified framework of source camera identification based on features | |
Hammami et al. | Blind Semi-fragile Hybrid Domain-Based Dual Watermarking System for Video Authentication and Tampering Localization | |
Yang et al. | Infrared image super-resolution with parallel random Forest | |
Kumar et al. | Robust approach of video steganography using combined keypoints detection algorithm against geometrical and signal processing attacks |
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 |