CN110349071A - 一种基于稠密网络对图像进行水印提取的方法 - Google Patents

一种基于稠密网络对图像进行水印提取的方法 Download PDF

Info

Publication number
CN110349071A
CN110349071A CN201910511085.2A CN201910511085A CN110349071A CN 110349071 A CN110349071 A CN 110349071A CN 201910511085 A CN201910511085 A CN 201910511085A CN 110349071 A CN110349071 A CN 110349071A
Authority
CN
China
Prior art keywords
image
array
watermark
image array
carried out
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.)
Granted
Application number
CN201910511085.2A
Other languages
English (en)
Other versions
CN110349071B (zh
Inventor
刘晶
葛建辉
薛瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Original Assignee
Xian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN201910511085.2A priority Critical patent/CN110349071B/zh
Publication of CN110349071A publication Critical patent/CN110349071A/zh
Application granted granted Critical
Publication of CN110349071B publication Critical patent/CN110349071B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0021—Image watermarking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2201/00—General purpose image data processing
    • G06T2201/005—Image watermarking
    • G06T2201/0065—Extraction of an embedded watermark; Reliable detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于稠密网络对图像进行水印提取的方法，具体按照以下步骤实施：步骤1、选取图像数据集；将水印图像嵌入图像数据集，制得带水印的图像数据集M；从带水印的图像数据集M中随机选取m张图像，作为待训练图像；步骤2、将带水印的图像数据集M中的图像A输入到多特征提取网络中进行多特征提取，输出图像矩阵B；步骤3、将图像矩阵B，输入到稠密网络中进行多特征分析，再提取出水印特征；输出图像矩阵C；步骤4、图像A、图像A对应的步骤1中图像数据集中的图像，对二者的像素值作差，得到图像矩阵D；采用损失函数对图像矩阵C、图像矩阵D进行水印特征训练，得到图像矩阵E。

Description

一种基于稠密网络对图像进行水印提取的方法
技术领域
本发明属于图像加密和图像识别方法技术领域，具体涉及一种基于稠密网络对图像进行水印提取的方法。
背景技术
图像加密是防止信息泄露的重要措施，而图像添加水印和提取水印就是加密的重要分支。加密信息的提取就是解码的过程，对于水印就是提取的过程，但如果图像中的水印种类多，对每个区域像素的提取就会造成一定的难度，以及如果多类别图像存在多种同类水印提取难度增大，这就迫切需求一种能够面向多类水印进行提取的方法。
水印提取的需求就是提取出的水印清晰度高，在复杂的图像纹理中也能清晰的提取出水印，以及能够具有解决图像传输中水印信息残缺的问题，这些都将极大的影响提取水印方法的使用价值。
发明内容
本发明的目的是提供一种基于稠密网络对图像进行水印提取的方法，解决了现有技术中存在的水印种类复杂提取难大，清晰度降低和多类图像带有水印提取难的问题。
本发明所采用的技术方案是，一种基于稠密网络对图像进行水印提取的方法，具体按照以下步骤实施：
步骤1、选取图像数据集；将水印图像嵌入图像数据集，制得带水印的图像数据集M；从带水印的图像数据集M中随机选取m张图像，作为待训练图像；
步骤2、将带水印的图像数据集M中的图像A输入到多特征提取网络中进行多特征提取，输出图像矩阵B；
步骤3、将图像矩阵B，输入到稠密网络中进行多特征分析，再提取出水印特征；输出图像矩阵C；
步骤4、图像A、图像A对应的步骤1中图像数据集中的图像，对二者的像素值作差，得到图像矩阵D；采用损失函数对图像矩阵C、图像矩阵D进行水印特征训练，得到图像矩阵E。
本发明的特点还在于：
步骤1具体按照以下步骤实施：
步骤1.1、选取图像数据集；采用LSB加性水印的方式对图像数据集中的每张图像嵌入水印图像，使图像变为带水印的图像；具体对RGB三通道中的B通道进行水印嵌入；即首先，制作含有不同字母、数字的黑白图像，带字母或者数字的像素位置数值是2，空白区域像素位置是0，该图像即为水印图像；然后，提取出图像的B通道，再将十进制数转为二进制，将二进制的最后两位数用0替换，并将图像进行保存，得到图像a，再将水印图像像素值与图像a像素值进行比对，若图像a像素位置与水印图像数值或字母的像素位置对应，则在图像a的二进制上加4，否则加2；即完成水印嵌入过程；再将带水印的二进制图像转换为十进制图像；得到带水印的B通道图像b，或B通道二进制末尾两位为0的图像c；其中，图像b为带水印的图像数据集M中的一张；图像c为图像集N中的一张；
步骤1.2、从带水印的图像数据集M中随机选取m张图像，对这m张图像进行随机分割，分割为64×64大小的图像矩阵记作IW(x)，(x＝1,2......m)；得到待训练图像。
对每张所述待训练图像均进行以下操作：
步骤2.1、将带水印的图像数据集M中的图像A输入多特征提取网络中进行多特征提取；具体为，分别是采用1×1，3×3，5×5，7×7，9×9五类卷积核同时对待训练图像A进行操作；输出的是五类卷积层均为64的图像矩阵；卷积操作之后分别再采用PRelu激活函数F(x)对五类卷积图像矩阵进行激活，输出激活后的图像矩阵；
步骤2.2、将步骤2.1中得到的五类卷积图像矩阵进行级联操作，即在保持图像矩阵大小不变的基础上，对通道数进行合并；级联后的图像通道变为64×5；采用PRelu激活函数对级联结果进行激活；输出激活后的图像矩阵T(x)，即图像矩阵B。
步骤2.1中，PRelu激活函数F(x)为：
F(x)＝max(x,ax) (1)
式中，x为输入的图像矩阵IW数据集，a为一个在区间[0,1]之间的随机数，随着网络优化的过程在变化，初始化数值为0.25。
步骤3具体按照以下步骤实施：
步骤3.1、将步骤2级联后的激活图像矩阵T(x)，即图像矩阵B，输入稠密网络R1进行多特征分析；即采用3×3的卷积核对图像矩阵T(x)进行卷积，输出卷积层为32的图像矩阵，然后进行归一化(BN)，再采用PRelu激活函数进行激活，输出激活后的图像矩阵P1(x)；将P1(x)与T(x)进行级联，输出图像矩阵B1(x)；采用3×3的卷积核对B1(x)进行卷积，输出卷积层为32图像矩阵，然后进行归一化处理，再采用PRelu激活进行激活，输出激活后的图像矩阵P2(x)，将P2(x)与B1(x)进行级联，输出图像矩阵B2(x)；
步骤3.2、按照步骤3.1的方法对B2(x)进行相应操作，得到B3(x)；按照步骤3.1的方法对B3(x)进行相应操作，得到B4(x)；依次类推，直到得到图像矩阵B6(x)；采用1×1的卷积核对图像矩阵B6(x)进行卷积，输出卷积层为64的图像矩阵Y1(x)；
步骤3.3、将图像矩阵Y1(x)，输入稠密网络R2；依次按照步骤3.1、步骤3.2的方法对图像矩阵Y1(x)进行相应操作，得到图像矩阵Y2(x)；对Y1(x)与Y2(x)进行残差操作，输出图像矩阵D1(x)；其中，D1(x)＝Y1(x)+Y2(x)；
步骤3.4、将图像矩阵D1(x)，输入稠密网络R3；依次按照步骤3.1、步骤3.2的方法对图像矩阵D1(x)进行相应操作，得到图像矩阵Y3(x)；对Y3(x)与Y2(x)进行残差操作，输出图像矩阵D2(x)；其中，D2(x)＝Y2(x)+Y3(x)；依次类推，直到得到图像矩阵D5(x)；其中，D5(x)＝Y5(x)+Y6(x)；
步骤3.5、对图像矩阵D5(x)进行水印特征提取；即采用3×3的卷积核对图像矩阵D5(x)进行卷积，然后进行归一化处理，再采用PRelu激活进行激活，输出激活图像矩阵S1(x)；按照上述方法对图像矩阵S1(x)进行相应操作，得到图像矩阵S2(x)；依次类推，直到得到S9(x)；采用1×1的卷积核对S9(x)进行卷积，输出图像矩阵y(x)，即图像矩阵C。
步骤3.1中，BN表示归一化操作，操作过程表示为：
式中，yi表示归一化处理结果；xi表示输入的图像矩阵；μ为xi的均值；σ2为xi的方差；ε为一正数，一般为0.0001；γ为拉升参数；β为偏移参数。
步骤3.1中，R1的操作可通过公式表示：
P(x)＝F(BN(W(x))) (3)
Y＝W(C5(P5(C4(P4(C3(P3(C2(P2(C1(P1(x))))))))))) (4)
式中，(3)是(4)的子函数，相同字母所表示含义是相同的，x表示输入矩阵，W代表卷积操作，BN是批量归一化，F表示激活函数，C表示级联操作，Y表示R1的输出结果。
步骤4具体按照以下步骤实施：
步骤4.1、图像A、图像A对应的步骤1中图像数据集中的图，对二者的像素值作差，得到图像矩阵D；采用损失函数对图像矩阵C，即图像矩阵y(x)、图像矩阵D作均方误差(MSE)训练，即采用损失函数MSEloss对y(x)进行水印特征训练，得到图像矩阵E；
步骤4.2、将步骤4.1的输出结果进行可视化操作，具体操作就是设置一个域值3，当y(x)的数值大于3用1表示，否则用0表示图像矩阵，即得图像矩阵E。
步骤4.1中，损失函数MSEloss为：
式中，H为待训练图像的长；W为待训练图像的宽，Iw(x)为带有水印的B通道图像，I0(x)为不带有水印，为转换二进制后的最后两位为0的图像。
本发明的有益效果是：
(1)本发明基于稠密网络对图像进行水印提取的方法，采用对图像进行嵌入加性水印，但其像素值使用微小系数变动，达到不可见性，然后通过稠密网络结构进行水印的提取；
(2)本发明基于稠密网络对图像进行水印提取的方法，解决了对于复杂度不同的加性水印都能够通过网络训练进行提取，本方法在提取水印上具有很强的鲁棒性；
(3)本发明基于稠密网络对图像进行水印提取的方法，是对水印提取提供了新的思路，在面对信息加密领域提供了新的思路。
附图说明
图1是本发明基于稠密网络对图像进行水印提取的方法的流程图；
图2是本发明基于稠密网络对图像进行水印提取的方法的示意图；
图3是本发明基于稠密网络对图像进行水印提取的方法的稠密网络R的局部示意图；
图4是本发明基于稠密网络对图像进行水印提取的方法的实施例的示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1、图2所示，本发明一种基于稠密网络对图像进行水印提取的方法，具体按照以下步骤实施：
步骤1、选取图像数据集；将水印图像嵌入图像数据集，制得带水印的图像数据集M；从带水印的图像数据集M中随机选取m张图像，作为待训练图像；
具体按照以下步骤实施：
步骤1.1、选取图像数据集；采用LSB加性水印的方式对图像数据集中的每张图像嵌入水印图像，使图像变为带水印的图像；具体对RGB三通道中的B通道进行水印嵌入；即首先，制作含有不同字母、数字的黑白图像，带字母或者数字的像素位置数值是2，空白区域像素位置是0，该图像即为水印图像；然后，提取出图像的B通道，再将十进制数转为二进制，将二进制的最后两位数用0替换，并将图像进行保存，得到图像a，再将水印图像像素值与图像a像素值进行比对，若图像a像素位置与水印图像数值或字母的像素位置对应，则在图像a的二进制上加4，否则加2；即完成水印嵌入过程；再将带水印的二进制图像转换为十进制图像；得到带水印的B通道图像b，或B通道二进制末尾两位为0的图像c；其中，图像b为带水印的图像数据集M中的一张；图像c为图像集N中的一张；
步骤1.2、从带水印的图像数据集M中随机选取m张图像，对这m张图像进行随机分割，分割为64×64大小的图像矩阵记作IW(x)，(x＝1,2......m)；得到待训练图像。
步骤2、将带水印的图像数据集M中的图像A输入到多特征提取网络中进行多特征提取，输出图像矩阵B；
对每张所述待训练图像均进行以下操作：
步骤2.1、将带水印的图像数据集M中的图像A输入多特征提取网络中进行多特征提取；具体为，分别是采用1×1，3×3，5×5，7×7，9×9五类卷积核同时对待训练图像A进行操作；输出的是五类卷积层均为64的图像矩阵；卷积操作之后分别再采用PRelu激活函数F(x)对五类卷积图像矩阵进行激活，输出激活后的图像矩阵；其中，PRelu激活函数F(x)为：
F(x)＝max(x,ax) (1)
式中，x为输入的图像矩阵IW数据集，a为一个在区间[0,1]之间的随机数，随着网络优化的过程在变化，初始化数值为0.25；
步骤2.2、将步骤2.1中得到的五类卷积图像矩阵进行级联操作，即在保持图像矩阵大小不变的基础上，对通道数进行合并；级联后的图像通道变为64×5；采用PRelu激活函数对级联结果进行激活；输出激活后的图像矩阵T(x)，即图像矩阵B。
步骤3、将图像矩阵B，输入到稠密网络中进行多特征分析，再提取出水印特征；输出图像矩阵C；如图3所示：
具体按照以下步骤实施：
步骤3.1、将步骤2级联后的激活图像矩阵T(x)，即图像矩阵B，输入稠密网络R1进行多特征分析；即采用3×3的卷积核对图像矩阵T(x)进行卷积，输出卷积层为32的图像矩阵，然后进行归一化(BN)，再采用PRelu激活函数进行激活，输出激活后的图像矩阵P1(x)；将P1(x)与T(x)进行级联，输出图像矩阵B1(x)；采用3×3的卷积核对B1(x)进行卷积，输出卷积层为32图像矩阵，然后进行归一化处理，再采用PRelu激活进行激活，输出激活后的图像矩阵P2(x)，将P2(x)与B1(x)进行级联，输出图像矩阵B2(x)；其中，BN表示归一化操作，操作过程表示为：
式中，yi表示归一化处理结果；xi表示输入的图像矩阵；μ为xi的均值；σ2为xi的方差；ε为一正数，一般为0.0001；γ为拉升参数；β为偏移参数。
其中，R1的操作可通过公式表示：
P(x)＝F(BN(W(x))) (3)
Y＝W(C5(P5(C4(P4(C3(P3(C2(P2(C1(P1(x))))))))))) (4)
式中，(3)是(4)的子函数，相同字母所表示含义是相同的，x表示输入矩阵，W代表卷积操作，BN是批量归一化，F表示激活函数，C表示级联操作，Y表示R1的输出结果；
步骤3.2、按照步骤3.1的方法对B2(x)进行相应操作，得到B3(x)；按照步骤3.1的方法对B3(x)进行相应操作，得到B4(x)；依次类推，直到得到图像矩阵B6(x)；采用1×1的卷积核对图像矩阵B6(x)进行卷积，输出卷积层为64的图像矩阵Y1(x)；
步骤3.3、将图像矩阵Y1(x)，输入稠密网络R2；依次按照步骤3.1、步骤3.2的方法对图像矩阵Y1(x)进行相应操作，得到图像矩阵Y2(x)；对Y1(x)与Y2(x)进行残差操作，输出图像矩阵D1(x)；其中，D1(x)＝Y1(x)+Y2(x)；
步骤3.4、将图像矩阵D1(x)，输入稠密网络R3；依次按照步骤3.1、步骤3.2的方法对图像矩阵D1(x)进行相应操作，得到图像矩阵Y3(x)；对Y3(x)与Y2(x)进行残差操作，输出图像矩阵D2(x)；其中，D2(x)＝Y2(x)+Y3(x)；依次类推，直到得到图像矩阵D5(x)；其中，D5(x)＝Y5(x)+Y6(x)；
步骤3.5、对图像矩阵D5(x)进行水印特征提取；即采用3×3的卷积核对图像矩阵D5(x)进行卷积，然后进行归一化处理，再采用PRelu激活进行激活，输出激活图像矩阵S1(x)；按照上述方法对图像矩阵S1(x)进行相应操作，得到图像矩阵S2(x)；依次类推，直到得到S9(x)；采用1×1的卷积核对S9(x)进行卷积，输出图像矩阵y(x)，即图像矩阵C。
步骤4、图像A、图像A对应的步骤1中图像数据集中的图像，对二者的像素值作差，得到图像矩阵D；采用损失函数对图像矩阵C、图像矩阵D进行水印特征训练，得到图像矩阵E；
具体按照以下步骤实施：
步骤4.1、图像A、图像A对应的步骤1中图像数据集中的图，对二者的像素值作差，得到图像矩阵D；采用损失函数对图像矩阵C，即图像矩阵y(x)、图像矩阵D作均方误差(MSE)训练，即采用损失函数MSEloss对y(x)进行水印特征训练，得到图像矩阵E；其中，损失函数MSEloss为：
式中，H为待训练图像的长；W为待训练图像的宽，Iw(x)为带有水印的B通道图像，I0(x)为不带有水印，为转换二进制后的最后两位为0的图像；
步骤4.2、将步骤4.1的输出结果进行可视化操作，具体操作就是设置一个域值3，当y(x)的数值大于3用1表示，否则用0表示图像矩阵，即得图像矩阵E；如图4所示。
本发明基于稠密网络对图像进行水印提取的方法，采用对图像进行嵌入加性水印，但其像素值使用微小系数变动，达到不可见性，然后通过稠密网络结构进行水印的提取；解决了对于复杂度不同的加性水印都能够通过网络训练进行提取，本方法在提取水印上具有很强的鲁棒性；是对水印提取提供了新的思路，在面对信息加密领域提供了新的思路。

Claims (9)

1.一种基于稠密网络对图像进行水印提取的方法，其特征在于，具体按照以下步骤实施：
步骤1、选取图像数据集；将水印图像嵌入图像数据集，制得带水印的图像数据集M；从带水印的图像数据集M中随机选取m张图像，作为待训练图像；
步骤2、将带水印的图像数据集M中的图像A输入到多特征提取网络中进行多特征提取，输出图像矩阵B；
步骤3、将图像矩阵B，输入到稠密网络中进行多特征分析，再提取出水印特征；输出图像矩阵C；
步骤4、图像A、图像A对应的步骤1中图像数据集中的图像，对二者的像素值作差，得到图像矩阵D；采用损失函数对图像矩阵C、图像矩阵D进行水印特征训练，得到图像矩阵E。
2.如权利要求1所述的基于稠密网络对图像进行水印提取的方法，其特征在于，所述步骤1具体按照以下步骤实施：
步骤1.1、选取图像数据集；采用LSB加性水印的方式对图像数据集中的每张图像嵌入水印图像，使图像变为带水印的图像；具体对RGB三通道中的B通道进行水印嵌入；即首先，制作含有不同字母、数字的黑白图像，带字母或者数字的像素位置数值是2，空白区域像素位置是0，该图像即为水印图像；然后，提取出图像的B通道，再将十进制数转为二进制，将二进制的最后两位数用0替换，并将图像进行保存，得到图像a，再将水印图像像素值与图像a像素值进行比对，若图像a像素位置与水印图像数值或字母的像素位置对应，则在图像a的二进制上加4，否则加2；即完成水印嵌入过程；再将带水印的二进制图像转换为十进制图像；得到带水印的B通道图像b，或B通道二进制末尾两位为0的图像c；其中，图像b为带水印的图像数据集M中的一张；图像c为图像集N中的一张；
步骤1.2、从带水印的图像数据集M中随机选取m张图像，对这m张图像进行随机分割，分割为64×64大小的图像矩阵记作IW(x)，(x＝1,2......m)；得到待训练图像。
3.如权利要求1所述的基于稠密网络对图像进行水印提取的方法，其特征在于，对每张所述待训练图像均进行以下操作：
步骤2.1、将带水印的图像数据集M中的图像A输入多特征提取网络中进行多特征提取；具体为，分别是采用1×1，3×3，5×5，7×7，9×9五类卷积核同时对待训练图像A进行操作；输出的是五类卷积层均为64的图像矩阵；卷积操作之后分别再采用PRelu激活函数F(x)对五类卷积图像矩阵进行激活，输出激活后的图像矩阵；
步骤2.2、将步骤2.1中得到的五类卷积图像矩阵进行级联操作，即在保持图像矩阵大小不变的基础上，对通道数进行合并；级联后的图像通道变为64×5；采用PRelu激活函数对级联结果进行激活；输出激活后的图像矩阵T(x)，即图像矩阵B。
4.如权利要求3所述的基于稠密网络对图像进行水印提取的方法，其特征在于，所述步骤2.1中，PRelu激活函数F(x)为：
F(x)＝max(x,ax) (1)
式中，x为输入的图像矩阵IW数据集，a为一个在区间[0,1]之间的随机数，随着网络优化的过程在变化，初始化数值为0.25。
5.如权利要求4所述的基于稠密网络对图像进行水印提取的方法，其特征在于，所述步骤3具体按照以下步骤实施：
步骤3.1、将步骤2级联后的激活图像矩阵T(x)，即图像矩阵B，输入稠密网络R1进行多特征分析；即采用3×3的卷积核对图像矩阵T(x)进行卷积，输出卷积层为32的图像矩阵，然后进行归一化(BN)，再采用PRelu激活函数进行激活，输出激活后的图像矩阵P1(x)；将P1(x)与T(x)进行级联，输出图像矩阵B1(x)；采用3×3的卷积核对B1(x)进行卷积，输出卷积层为32图像矩阵，然后进行归一化处理，再采用PRelu激活进行激活，输出激活后的图像矩阵P2(x)，将P2(x)与B1(x)进行级联，输出图像矩阵B2(x)；
步骤3.2、按照步骤3.1的方法对B2(x)进行相应操作，得到B3(x)；按照步骤3.1的方法对B3(x)进行相应操作，得到B4(x)；依次类推，直到得到图像矩阵B6(x)；采用1×1的卷积核对图像矩阵B6(x)进行卷积，输出卷积层为64的图像矩阵Y1(x)；
步骤3.3、将图像矩阵Y1(x)，输入稠密网络R2；依次按照步骤3.1、步骤3.2的方法对图像矩阵Y1(x)进行相应操作，得到图像矩阵Y2(x)；对Y1(x)与Y2(x)进行残差操作，输出图像矩阵D1(x)；其中，D1(x)＝Y1(x)+Y2(x)；
步骤3.4、将图像矩阵D1(x)，输入稠密网络R3；依次按照步骤3.1、步骤3.2的方法对图像矩阵D1(x)进行相应操作，得到图像矩阵Y3(x)；对Y3(x)与Y2(x)进行残差操作，输出图像矩阵D2(x)；其中，D2(x)＝Y2(x)+Y3(x)；依次类推，直到得到图像矩阵D5(x)；其中，D5(x)＝Y5(x)+Y6(x)；
步骤3.5、对图像矩阵D5(x)进行水印特征提取；即采用3×3的卷积核对图像矩阵D5(x)进行卷积，然后进行归一化处理，再采用PRelu激活进行激活，输出激活图像矩阵S1(x)；按照上述方法对图像矩阵S1(x)进行相应操作，得到图像矩阵S2(x)；依次类推，直到得到S9(x)；采用1×1的卷积核对S9(x)进行卷积，输出图像矩阵y(x)，即图像矩阵C。
6.如权利要求5所述的基于稠密网络对图像进行水印提取的方法，其特征在于，所述步骤3.1中，BN表示归一化操作，操作过程表示为：
式中，yi表示归一化处理结果；xi表示输入的图像矩阵；μ为xi的均值；σ2为xi的方差；ε为一正数，一般为0.0001；γ为拉升参数；β为偏移参数。
7.如权利要求6所述的基于稠密网络对图像进行水印提取的方法，其特征在于，所述步骤3.1中，R1的操作可通过公式表示：
P(x)＝F(BN(W(x))) (3)
Y＝W(C5(P5(C4(P4(C3(P3(C2(P2(C1(P1(x))))))))))) (4)
式中，(3)是(4)的子函数，相同字母所表示含义是相同的，x表示输入矩阵，W代表卷积操作，BN是批量归一化，F表示激活函数，C表示级联操作，Y表示R1的输出结果。
8.如权利要求7所述的基于稠密网络对图像进行水印提取的方法，其特征在于，所述步骤4具体按照以下步骤实施：
步骤4.1、图像A、图像A对应的步骤1中图像数据集中的图，对二者的像素值作差，得到图像矩阵D；采用损失函数对图像矩阵C，即图像矩阵y(x)、图像矩阵D作均方误差(MSE)训练，即采用损失函数MSEloss对y(x)进行水印特征训练，得到图像矩阵E；
步骤4.2、将步骤4.1的输出结果进行可视化操作，具体操作就是设置一个域值3，当y(x)的数值大于3用1表示，否则用0表示图像矩阵，即得图像矩阵E。
9.如权利要求8所述的基于稠密网络对图像进行水印提取的方法，其特征在于，所述步骤4.1中，损失函数MSEloss为：
式中，H为待训练图像的长；W为待训练图像的宽，Iw(x)为带有水印的B通道图像，I0(x)为不带有水印，为转换二进制后的最后两位为0的图像。
CN201910511085.2A 2019-06-13 2019-06-13 一种基于稠密网络对图像进行水印提取的方法 Expired - Fee Related CN110349071B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910511085.2A CN110349071B (zh) 2019-06-13 2019-06-13 一种基于稠密网络对图像进行水印提取的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910511085.2A CN110349071B (zh) 2019-06-13 2019-06-13 一种基于稠密网络对图像进行水印提取的方法

Publications (2)

Publication Number Publication Date
CN110349071A true CN110349071A (zh) 2019-10-18
CN110349071B CN110349071B (zh) 2022-11-08

Family

ID=68181980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910511085.2A Expired - Fee Related CN110349071B (zh) 2019-06-13 2019-06-13 一种基于稠密网络对图像进行水印提取的方法

Country Status (1)

Country Link
CN (1) CN110349071B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967166A (zh) * 2021-03-19 2021-06-15 北京星汉博纳医药科技有限公司 一种基于openCV的图片水印自动识别处理方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018131405A1 (ja) * 2017-01-12 2018-07-19 Kddi株式会社 情報処理装置、方法及びコンピュータ可読記憶媒体
CN109785279A (zh) * 2018-12-28 2019-05-21 江苏师范大学 一种基于深度学习的图像融合重建方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018131405A1 (ja) * 2017-01-12 2018-07-19 Kddi株式会社 情報処理装置、方法及びコンピュータ可読記憶媒体
CN109785279A (zh) * 2018-12-28 2019-05-21 江苏师范大学 一种基于深度学习的图像融合重建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵彦霞等: "基于SVD和DCNN的彩色图像多功能零水印算法", 《山东大学学报(工学版)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967166A (zh) * 2021-03-19 2021-06-15 北京星汉博纳医药科技有限公司 一种基于openCV的图片水印自动识别处理方法及***

Also Published As

Publication number Publication date
CN110349071B (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN107911698B (zh) 视频数字水印信息的嵌入方法和检测方法
CN107493405A (zh) 基于编码压缩的加密图像可逆信息隐藏方法
Pan et al. Image steganography method based on PVD and modulus function
CN105404817B (zh) 基于（k, n）门限的用户友好的可视秘密共享方法
CN104637026B (zh) 一种基于连续多页文本图像水印嵌入与提取方法
Qin et al. A novel steganography for spatial color images based on pixel vector cost
CN110503612B (zh) 一种基于位平面分离重组合数据增强方法
CN113158583A (zh) 一种端到端的基于深度学习的文本图像水印模型建立方法
CN110349071A (zh) 一种基于稠密网络对图像进行水印提取的方法
CN111445378A (zh) 一种基于神经网络的图像盲水印嵌入及检测的方法及***
CN110136045B (zh) 一种基于两图像互置乱隐藏及恢复的方法
EP3175423A1 (en) Digital image watermarking system and method
CN108242041A (zh) 一种基于混沌的随机位非盲水印实现方法
Shi et al. A Blind Watermarking Technique for Color Image based on SVD with Circulation.
CN105512663A (zh) 一种基于全局与局部对比度的显著性检测方法
CN113595715A (zh) 一种基于Logistic双像素矩形映射彩色图像加密及解密方法
CN104217391B (zh) 一种多通道量子图像的加密方法
CN108876721A (zh) 基于课程学习的超分辨率图像重建方法及***
Xia et al. Improved PHARM for JPEG steganalysis: Making PHARM more efficient and effective
CN113989097B (zh) 信息隐写模型训练方法、信息隐写方法、设备及存储介质
CN102314668B (zh) 一种用于提高嵌入水印后图像质量的差值扩展嵌入数字水印改进方法
Shih et al. Intelligent watermarking for high-capacity low-distortion data embedding
CN113962839A (zh) 一种基于tmqir的多色彩模式量子图像盲水印方法
CN114648436A (zh) 一种基于深度学习的抗屏摄文本图像水印嵌入和提取方法
Babaheidarian et al. Decode and transfer: A new steganalysis technique via conditional generative adversarial networks

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
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20221108

CF01 Termination of patent right due to non-payment of annual fee