【技术实现步骤摘要】
基于CNN预测的图像可逆水印方法
本专利技术属于数字水印
，具体涉及一种基于CNN预测的图像可逆水印方法。
技术介绍
近年来，新颖的数字水印算法不断被提出，逐渐拓宽了数字水印的应用领域。通过对图像像素的相关性进行研究，利用相邻像素间存在的冗余可以实现图像无损压缩和图像可逆水印技术。可逆水印技术具有完整性认证和版权保护的作用，能够在提取水印信息之后，准确无误地恢复原始图像。基于这种特性，数字可逆水印被广泛应用于军事、医疗和超分辨率处理等领域，且随着技术的更新迭代，其应用范围不断拓展。在目前的研究进展中，可逆水印算法主要基于数据压缩、直方图平移和预测误差扩展技术。随着深度学习的发展，利用卷积神经网络处理图像成为目前图像处理研究的热点。将可逆水印与深度学习结合，不仅拓宽了可逆水印的
，而且引入新的框架和方向。
技术实现思路
本专利技术的主要目的在于克服现有技术的缺点与不足，提出一种基于CNN预测的图像可逆水印方法，基于卷积神经网络，利用预测误差扩展的思想，通过深度学习模型预测图像全局像素值，...
【技术保护点】
1.基于CNN预测的图像可逆水印方法，其特征在于，包括水印嵌入步骤以及水印提取和图像恢复步骤。/n
【技术特征摘要】
1.基于CNN预测的图像可逆水印方法，其特征在于，包括水印嵌入步骤以及水印提取和图像恢复步骤。
2.根据权利要求1所述的基于CNN预测的图像可逆水印方法，其特征在于，所述水印嵌入步骤具体包括：
对图像进行集合划分，划分为点集和叉集，构建独立的两个集合图像；
构建深度学习模型，进行模型训练和验证；
利用训练好的深度学习模型，输入点集图像，预测叉集图像并嵌入一半水印；
利用相同的深度学习模型，输入叉集水印图像，预测点集图像并嵌入另一半水印；
将得到的叉集水印图像和点集水印图像在空域上组合，生成水印图像。
3.根据权利要求2所述的基于CNN预测的图像可逆水印方法，其特征在于，所述构建深度学习模型具体为：
所构建深度学习模型的输入为点集图像和叉集图像，真实标签分别为叉集图像和点集图像，所述深度学习模型用于特征提取和图像预测；
深度学习模型中的特征提取网络采用残差网络ResNet101进行构建，具体为：
采用残差网络前两层进行特征提取，输入的图像利用卷积操作在图像空域上提取特征，不同大小的卷积核采用不同的感受野获取多维度特征，所获得特征用于模型下采样过程中，同时在下采样过程中增加通道数以保持每层网络参数个数一致；
所述图像预测时，由于输入图像与真实标签图像大小一致，需要对高维特征进行维度扩展，具体为：
采用全反卷积网络，对高维特征进行上采样，恢复图像原始大小；反卷积过程中逐步减小通道数，更好地对高维特征进行拓展，从而得到预测值；
所述深度学习模型的训练过程具体为：
将图像划分为点集图像和叉集图像，当训练样本为点集图像时，目标样本为叉集图像，当训练样本为叉集图像时，目标样本为点集图像；根据深度学习模型输出的预测图像与目标图像的误差，采用Adam优化器优化网络模型，优化过程的损失函数为均方误差，公式如下：
其中，P为样本个数，I为目标样本，为预测样本，λ是权重衰减系数，ω代表模型内的所有权重值；
重复进行模型训练和验证，直至损失值稳定时，保存模型参数。
4.根据权利要求2所述的基于CNN预测的图像可逆水印方法，其特征在于，所述输入点集图像，预测叉集图像并嵌入一半水印具体为：
将点集图像ID作为深度学习模型的输入，得到预测叉集图像
计算叉集图像IC与预测叉集图像的预测误差，利用预测误差扩展方法，将一半的水印信息嵌入到叉集图像IC中，得到叉集水印图像ICW。
5.根据权利要求2所述的基于CNN预测的图像可逆水印方法，其特征在于，所述输入叉集水印...
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。