System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及信息安全,具体为基于深度神经网络的高鲁棒性大容量图像水印方法及系统。
技术介绍
1、图像水印是实现图像数据保护、图像版权保护、内容认证和数据隐藏的常用算法。通过在图像中嵌入相关信息,可以跟踪和检测误用、非法复制或分发数据。它可以帮助识别和跟踪盗版、盗窃、侵权和其他行为。它还可以防止数据被不当使用,并确保传输数据的安全性。
2、传统的图像水印算法通过在图像的空间域或频域设计相应的算法来实现嵌入和提取。空间域图像水印算法通过直接修改图像中像素的值来实现,最常见的算法是最低有效位(least significant bit-lsb)算法。空间域水印算法易于实现,但一般都有鲁棒性差的缺点。频域图像水印算法在图像的频域部分嵌入水印。与空间域算法相比,频域算法可以有效地提高嵌入水印的鲁棒性。传统的频域算法有离散余弦变换(discrete cosinetransform-dct),离散小波变换(discrete wavelet transform-dwt)和离散傅里叶变换(discrete fourier transform-dft)等。同时也有一些优化和改进后的算法,例如平稳小波变换(stationarywavelet transform-swt)和冗余离散小波变换(redundant discretewavelet transform-rdwt)。传统的水印算法虽然可以嵌入较大容量的水印,但算法设计过程复杂,需要先找到隐藏空间,再设计相应的方法。通常,设计出的算法用于应对所有类型的噪声,在某些具有特定攻击的场景下
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足,本专利技术提供了基于深度神经网络的高鲁棒性大容量图像水印方法及系统,解决了传统的水印算法虽然可以嵌入较大容量的水印,但算法设计过程复杂且鲁棒性差的问题。
3、(二)技术方案
4、为实现以上目的,本专利技术通过以下技术方案予以实现:
5、第一方面,提供了一种基于深度神经网络的高鲁棒性大容量图像水印方法,所述方法包括:
6、接收载体图像和水印信息;
7、对载体图像做swt变换和拉普拉斯金字塔变换,分别得到ll子带和差分图像;
8、将水印信息结合ll子带进行信息处理,得到信息特征图;
9、将载体图像结合信息特征图、ll子带以及差分图像进行编码处理,得到嵌有水印信息的编码图像;
10、将编码图像进行噪声处理得到带有噪声的图像;
11、将带有噪声的图像进行解码处理得到最终预测的信息。
12、优选的,所述ll子带包含载体图像的低频信息,是载体图像的逼近子图。
13、优选的,所述差分图像保存了载体图像在卷积和下采样中容易丢失的高频信息。
14、优选的,所述将水印信息结合ll子带进行信息处理,得到信息特征图,具体包括:
15、将水印信息的形状重塑成正方形;
16、将正方形的水印信息m通过一个convbnrelu层和两个convtbnrelu层,得到一个高、宽和载体图像相等的中间结果m1;
17、m1通过4个se块,得到中间结果m2;将m2与载体图像经过swt变换后所得ll子带在维度上相连接,再经过2个se块,得到信息特征图mf。
18、优选的,所述convbnrelu层包含convolution层、batch normalization层和relu层,所述convtbnrelu层包含transposed convolution层、batch normalization层和relu层。
19、优选的,所述将载体图像结合信息特征图、ll子带以及差分图像进行编码处理,得到嵌有水印信息的编码图像,具体包括:
20、载体图像在经过两个convbnrelu层后,得到中间结果e1;
21、将e1与ll子带以及信息特征图mf在维度上相连接,送入下一个convbnrelu层,得到中间结果e2;
22、将e2继续与ll子带以及信息特征图mf在维度上相连接,送入下一个convbnrelu层,得到中间结果e3;
23、将e3和原始图像icover以及经过拉普拉斯金字塔变换后得到的差分图像idiff在维度上相结合,送入一个convolution层,得到最终的编码图像iencoded。
24、优选的,所述将带有噪声的图像进行解码处理得到最终预测的信息,具体包括:
25、所述带有噪声图像inoised经过一系列的convbnrelu层和se块后生成中间结果d1,将中间结果d1重塑为一维字符串形状,得到最终预测的信息m’。
26、第二方面,提供了一种基于深度神经网络的高鲁棒性大容量图像水印系统,所述系统包括:
27、接收模块,用于接收载体图像和水印信息;
28、第一编码模块,用于对载体图像做swt变换和拉普拉斯金字塔变换,分别得到ll子带和差分图像;
29、信息处理模块,用于将水印信息结合ll子带进行信息处理,得到信息特征图;
30、第二编码模块,用于将载体图像结合信息特征图、ll子带以及差分图像进行编码处理,得到嵌有水印信息的编码图像;
31、噪声处理模块,用于将编码图像进行噪声处理得到带有噪声的图像;
32、解码模块,用于将带有噪声的图像进行解码处理得到最终预测的信息。
33、第二方面,提供了一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行所述的方法中的任一方法。
34、第三方面,提供了一种计算设备,包括:
35、一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
36、(三)有益效果
37、本专利技术基于深度神经网络的高鲁棒性大容量图像水印方法及系统,通过在深度神经网络学习图像特征的过程中,将图像经过swt变换后得到的ll子带添加到网络中,让深度神经网络通过学习图像的ll子带,将水印嵌入到图像的低频部分,有效地提高水印的鲁棒性。swt消除了dwt在变换时进行下采样的操作,图像经过swt变换后所得的ll子带与原始图像具有相同大小,扩大了可嵌入的水印容量。其次,在嵌入水印的过程中添加拉普拉斯金字塔变换后所得的差分图像,提高编码图像的质量,增强嵌入水印的不可见性。
本文档来自技高网...【技术保护点】
1.一种基于深度神经网络的高鲁棒性大容量图像水印方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种基于深度神经网络的高鲁棒性大容量图像水印方法,其特征在于:所述LL子带包含载体图像的低频信息,是载体图像的逼近子图。
3.根据权利要求2所述的一种基于深度神经网络的高鲁棒性大容量图像水印方法,其特征在于:所述差分图像保存了载体图像在卷积和下采样中容易丢失的高频信息。
4.根据权利要求3所述的一种基于深度神经网络的高鲁棒性大容量图像水印方法,其特征在于:所述将水印信息结合LL子带进行信息处理,得到信息特征图,具体包括:
5.根据权利要求4所述的一种基于深度神经网络的高鲁棒性大容量图像水印方法,其特征在于:所述ConvBNRelu层包含Convolution层、Batch Normalization层和Relu层,所述ConvTBNRelu层包含Transposed Convolution层、BatchNormalization层和Relu层。
6.根据权利要求5所述的一种基于深度神经网络的高鲁棒性大容量图像水印方法
7.根据权利要求6所述的一种基于深度神经网络的高鲁棒性大容量图像水印方法,其特征在于:所述将带有噪声的图像进行解码处理得到最终预测的信息,具体包括:
8.一种基于深度神经网络的高鲁棒性大容量图像水印系统,其特征在于,所述系统包括:
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1-7所述的方法中的任一方法。
10.一种计算设备,其特征在于,包括:
...【技术特征摘要】
1.一种基于深度神经网络的高鲁棒性大容量图像水印方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种基于深度神经网络的高鲁棒性大容量图像水印方法,其特征在于:所述ll子带包含载体图像的低频信息,是载体图像的逼近子图。
3.根据权利要求2所述的一种基于深度神经网络的高鲁棒性大容量图像水印方法,其特征在于:所述差分图像保存了载体图像在卷积和下采样中容易丢失的高频信息。
4.根据权利要求3所述的一种基于深度神经网络的高鲁棒性大容量图像水印方法,其特征在于:所述将水印信息结合ll子带进行信息处理,得到信息特征图,具体包括:
5.根据权利要求4所述的一种基于深度神经网络的高鲁棒性大容量图像水印方法,其特征在于:所述convbnrelu层包含convolution层、batch normalization层和relu层,所述convtbnrelu层包...
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。