【技术实现步骤摘要】
一种基于自编码网络的可视化图片信息嵌入方法
本专利技术涉及自编码网络及图像隐写
，尤其是一种基于自编码网络的可视化图片信息嵌入方法。
技术介绍
当前，很多可视化作品都是通过代码的形式生成，然后以图片的形式进行传播，在传播的过程中，如果脱离了Web服务的支持，可视化设计图和代码很难进行关联，这增加了可视化设计传播和修改的难度。在可视化设计的场合，信息隐写有很大的用处，如果设计师能够将可视化设计的代码或数据隐写到可视化图片中，将有利于进行进一步的传播和设计修改，也利于程序员与设计师的合作，利用隐写技术，信息的传播和修订将不需要图像及文本两种媒介了。现有技术的图像隐写主要采用统计模型和神经网络的方法，这些方法大多是基于自然图像，利用了其丰富且成熟的图像特征，而可视化图表通常背景干净，视觉元素清晰，增加了编码与解码的难度。此外，可视化图表的视觉显著性特征也与自然图像有着很大的差异。
技术实现思路
本专利技术的目的是针对现有技术的不足而设计的一种基于自编码网络的可视化图片信息嵌入方法，采用深度...
【技术保护点】
1.一种基于自编码网络的可视化图片信息嵌入方法，其特征在于采用深度神经网络提取可视化图表的视觉显著性特征，计算出嵌入信息的非显著区域，然后将文本信息分割并转换成二维码，利用自编码网络将二维码编码进图片非显著区域，将编码结果输入解码网络，即可恢复出原始嵌入的文本信息，其可视化图片信息的具体嵌入包括以下步骤：/n步骤1：输入可视化图片I
【技术特征摘要】
1.一种基于自编码网络的可视化图片信息嵌入方法，其特征在于采用深度神经网络提取可视化图表的视觉显著性特征，计算出嵌入信息的非显著区域，然后将文本信息分割并转换成二维码，利用自编码网络将二维码编码进图片非显著区域，将编码结果输入解码网络，即可恢复出原始嵌入的文本信息，其可视化图片信息的具体嵌入包括以下步骤：
步骤1：输入可视化图片Ic和待嵌入文本信息Ts；
步骤2：在可视化图表显著性数据集上训练一个U-Net神经网络模型，所述U-Net神经网络包括特征提取部分、上采样部分以及Tanh激活函数；
步骤3：将可视化图片Ic输入已训练的U-Net神经网络模型，提取的显著性特征从U-Net神经网络的最后一层输出显著图V(Ic)，所述显著图V(Ic)为表示每个像素点的显著性值的矩阵，其大小为h*w；
步骤4：构造可视化图表与二维码的数据集；
步骤5：在上述构造的数据集上训练一个编码-解码网络，所述编码网络的训练使用两层卷积核分别为3×3和4×4的卷积层，对输入为h*w的可视化图片Ic和h'*w'的二维码图片Is提取特征，然后将得到的两个特征向量经两层卷积核为3×3的卷积层和一层卷积核为4×4的转置卷积层连接在一起，最后经两层卷积核为3×3的卷积层和Tanh激活函数，输出与原始可视化图片Ic视觉差异很小的编码结果Ic'，其大小为h*w；所述解码网络的训练将编码结果Ic'使用四层卷积核为3×3的卷积层和一层卷积核为3×3的转置卷积层，最后经一层卷积核为3×3的卷积层和Tanh激活函数，输出与原始二维码图片Is的存储的信息一致的恢复二维码图片Is'，其大小为h'*w'；
步骤6：对输入的文本信息Ts进行分割，将分割完的字符串一一转换为对应的二维码图片，并根据可视化图表的显著性特征，计算出适合嵌入信息的非显著区域，然后将可视化图片Ic的非显著区域与二维码图片一起输入训练得到的解码网络中，输出编码结果图片集合，其编码结果个数与输入的二维码图片个数相同，最后将编码结果集合替换掉原始可视化图片Ic的非显著区域，得到与Ic视觉差异很小的编码结果图片Ic'；
步骤7：用户可以对编码结果Ic'进行网络传输与分享，其他用户收到嵌入信息的可视化图片后，将该图片输入解码网络，即可恢复出原始嵌入的文本信息。
2.根据权利要求1所述基于自编码网络的可视化图片信息嵌入方法，其特征在于所述可视化图片Ic的大小为h*w，其中：h为可视化图片Ic横向每行像素数；w为图片Ic纵向每列像素数。
3.根据权利要求1所述基于自编码网络的可视化图片信息嵌入方...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。