一种基于卷积神经网络的数字水印添加方法及系统技术方案

本发明专利技术公开了一种基于卷积神经网络的数字水印添加方法及系统，基于滑动窗口对图像进行扫描，并通过颜色阈值检测获取每张图片的水印添加位置区域，构建训练集；使用所述训练集对预先构建的卷积神经网络模型进行训练，所述模型的输入为图片，输出为与图片对应的水印添加位置区域；使用训练后的卷积神经网络模型对图片的水印添加位置进行预测，并在得到的水印添加位置处添加数字水印。根据图像的颜色阈值动态地确定添加水印的区域，可以在不修改水印算法的情况下明显地提高所加水印的隐匿性，并基于颜色阈值检测算法处理图片构建训练集，通过训练的卷积神经网络对水印添加位置进行自动预测，可以快速准确的找到最适合添加水印的位置。位置。位置。

A method and system of digital watermarking based on convolutional neural network

【技术实现步骤摘要】
一种基于卷积神经网络的数字水印添加方法及系统


[0001]本专利技术涉及数字水印
，具体涉及一种基于卷积神经网络的数字水印添加方法及系统。

技术介绍

[0002]在现有添加数字水印的方法中，有一种是在图片的某一区域添加水印，比如图像正中间和四个边角，但是在固定区域添加水印的隐匿性往往较差，如果背景是深色而且颜色不纯则水印不太容易被肉眼看见，即水印的隐匿性比较好，但是当图片的背景颜色为浅色并且颜色较纯的时候，肉眼可以很明显地看到。而且对于一些没有明显的颜色变化的图片，比如天空或者大海的图片，可能整张图片的任何地方都可以添加水印或者任何地方都不适合添加水印，无法快速准确的找到最适合水印添加的位置。

技术实现思路

[0003]为此，本专利技术提供一种基于卷积神经网络的数字水印添加方法及系统，以解决现有数字水印添加方法存在的水印隐匿性差、无法快速准确的找到最适合水印添加的位置的问题。
[0004]为了实现上述目的，本专利技术提供如下技术方案：
[0005]根据本专利技术实施例的第一方面，提出了一种基于卷积神经网络的数字水印添加方法，所述方法包括：
[0006]基于滑动窗口对图像进行扫描，并通过颜色阈值检测获取每张图片的水印添加位置区域，构建训练集；
[0007]使用所述训练集对预先构建的卷积神经网络模型进行训练，所述模型的输入为图片，输出为与图片对应的水印添加位置区域；
[0008]使用训练后的卷积神经网络模型对图片的水印添加位置进行预测，并在得到的水印添加位置处添加数字水印。
[0009]进一步地，基于滑动窗口对图像进行扫描，并通过颜色阈值检测获取每张图片的水印添加位置区域，具体包括：
[0010]使用预设大小的滑动窗口从图片的左上角开始按照从左向右、从上到下的顺序移动，每次移动设定步长，并计算每次移动的窗口区域内的颜色均值和方差，根据颜色均值和方差计算窗口区域的颜色分数；
[0011]通过阈值检测，获取颜色分数值最高的窗口区域作为水印添加位置。
[0012]进一步地，颜色分数的计算具体包括：
[0013]取每个像素点的RGB值的均值作为窗口内每个像素点的颜色值V，则V＝(R+G+B)/3；
[0014]计算窗口内每个像素点的颜色值V，然后计算整个窗口内所有像素点颜色值V的均值和方差，均值记为V'，方差记为D，然后计算得到每个窗口区域的颜色分数P＝ω1*(255
‑
V')+ω2*D，ω1、ω2为权重。
[0015]进一步地，构建训练集，具体包括：
[0016]对每张固定大小的图片上所有移动窗口区域的位置进行编号，并获取颜色分数值最高的窗口区域的位置编号i，训练时位置i即为模型的输出。
[0017]进一步地，所述卷积神经网络模型的输入为图片，卷积层使用一个预设大小的方块以设定步长扫描图片得到特征图，再通过池化层对特征图中每一个预设大小的方块区域取平均值得到池化后的特征图，然后再通过卷积和池化，经过多次这样的操作后神经网络学到图片更多的语义信息并得到一个向量，该向量经过全连接层后得到输出。
[0018]进一步地，在得到的水印添加位置处添加数字水印，具体包括：
[0019]数字水印的大小与滑动窗口的大小相同。
[0020]根据本专利技术实施例的第二方面，提出了一种基于卷积神经网络的数字水印添加系统，所述系统包括：
[0021]训练集构建模块，用于基于滑动窗口对图像进行扫描，并通过颜色阈值检测获取每张图片的水印添加位置区域，构建训练集；
[0022]模型训练模块，用于使用所述训练集对预先构建的卷积神经网络模型进行训练，所述模型的输入为图片，输出为与图片对应的水印添加位置区域；
[0023]水印添加模块，用于使用训练后的卷积神经网络模型对图片的水印添加位置进行预测，并在得到的水印添加位置处添加数字水印。
[0024]根据本专利技术实施例的第三方面，提出了一种计算机存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种基于卷积神经网络的数字水印添加系统执行如上任一项所述的方法。
[0025]本专利技术具有如下优点：
[0026]本专利技术提出的一种基于卷积神经网络的数字水印添加方法及系统，基于滑动窗口对图像进行扫描，并通过颜色阈值检测获取每张图片的水印添加位置区域，构建训练集；使用所述训练集对预先构建的卷积神经网络模型进行训练，所述模型的输入为图片，输出为与图片对应的水印添加位置区域；使用训练后的卷积神经网络模型对图片的水印添加位置进行预测，并在得到的水印添加位置处添加数字水印。根据图像的颜色阈值动态地确定添加水印的区域，可以在不修改水印算法的情况下明显地提高所加水印的隐匿性，并基于颜色阈值检测算法处理图片构建训练集，通过训练的卷积神经网络对水印添加位置进行自动预测，可以快速准确的找到最适合添加水印的位置。
附图说明
[0027]为了更清楚地说明本专利技术的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0028]图1为本专利技术实施例1提供的一种基于卷积神经网络的数字水印添加方法的流程示意图；
[0029]图2为本专利技术实施例1提供的一种基于卷积神经网络的数字水印添加方法中卷积
神经网络模型的结构示意图。
具体实施方式
[0030]以下由特定的具体实施例说明本专利技术的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本专利技术的其他优点及功效，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通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，都属于本专利技术保护的范围。
[0031]实施例1
[0032]如图1所示，本实施例提出了一种基于卷积神经网络的数字水印添加方法，所述方法包括：
[0033]S100、基于滑动窗口对图像进行扫描，并通过颜色阈值检测获取每张图片的水印添加位置区域，构建训练集；
[0034]S200、使用所述训练集对预先构建的卷积神经网络模型进行训练，所述模型的输入为图片，输出为与图片对应的水印添加位置区域；
[0035]S300、使用训练后的卷积神经网络模型对图片的水印添加位置进行预测，并在得到的水印添加位置处添加数字水印。
[0036]为了提高水印的隐匿性，本实施例提出了基于颜色阈值检测算法的水印添加位置获取方法，具体步骤如下：
[0037]1.确定一个128*128大小的滑动窗口；
[0038]2.让滑动窗口从图片的左上角开始，从左向右，从上到下移动，每次移动的步长为10像素；
[0039]3.每次移动窗口后，计算窗口区域内的颜色均值和方差，因为每个像素点包括RG本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的数字水印添加方法，其特征在于，所述方法包括：基于滑动窗口对图像进行扫描，并通过颜色阈值检测获取每张图片的水印添加位置区域，构建训练集；使用所述训练集对预先构建的卷积神经网络模型进行训练，所述模型的输入为图片，输出为与图片对应的水印添加位置区域；使用训练后的卷积神经网络模型对图片的水印添加位置进行预测，并在得到的水印添加位置处添加数字水印。2.根据权利要求1所述的一种基于卷积神经网络的数字水印添加方法，其特征在于，基于滑动窗口对图像进行扫描，并通过颜色阈值检测获取每张图片的水印添加位置区域，具体包括：使用预设大小的滑动窗口从图片的左上角开始按照从左向右、从上到下的顺序移动，每次移动设定步长，并计算每次移动的窗口区域内的颜色均值和方差，根据颜色均值和方差计算窗口区域的颜色分数；通过阈值检测，获取颜色分数值最高的窗口区域作为水印添加位置。3.根据权利要求2所述的一种基于卷积神经网络的数字水印添加方法，其特征在于，颜色分数的计算具体包括：取每个像素点的RGB值的均值作为窗口内每个像素点的颜色值V，则V＝(R+G+B)/3；计算窗口内每个像素点的颜色值V，然后计算整个窗口内所有像素点颜色值V的均值和方差，均值记为V'，方差记为D，然后计算得到每个窗口区域的颜色分数P＝ω1*(255
‑
V')+ω2*D，ω1、ω2为权重。4.根据权利要求2所述的一种基于卷积神经网络的数字水印添加方法，其特征在于，构建训练集，具体包括：对每张固定大小...

【专利技术属性】
技术研发人员：程梓益，
申请(专利权)人：北京影数科技有限公司，
类型：发明
国别省市：