CN112217958A - 与设备颜色空间无关的数字水印载体图像预处理的方法 - Google Patents
与设备颜色空间无关的数字水印载体图像预处理的方法 Download PDFInfo
- Publication number
- CN112217958A CN112217958A CN202010967712.6A CN202010967712A CN112217958A CN 112217958 A CN112217958 A CN 112217958A CN 202010967712 A CN202010967712 A CN 202010967712A CN 112217958 A CN112217958 A CN 112217958A
- Authority
- CN
- China
- Prior art keywords
- image
- watermark
- color space
- color
- carrier
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000007781 pre-processing Methods 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 230000002860 competitive effect Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 24
- 210000004027 cell Anatomy 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000010410 layer Substances 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000012792 core layer Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004456 color vision Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/32—Circuits or arrangements for control or supervision between transmitter and receiver or between image input and image output device, e.g. between a still-image camera and its memory or between a still-image camera and a printer device
- H04N1/32101—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title
- H04N1/32144—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title embedded in the image data, i.e. enclosed or integrated in the image, e.g. watermark, super-imposed logo or stamp
- H04N1/32149—Methods relating to embedding, encoding, decoding, detection or retrieval operations
- H04N1/32309—Methods relating to embedding, encoding, decoding, detection or retrieval operations in colour image data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/32—Circuits or arrangements for control or supervision between transmitter and receiver or between image input and image output device, e.g. between a still-image camera and its memory or between a still-image camera and a printer device
- H04N1/32101—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title
- H04N1/32144—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title embedded in the image data, i.e. enclosed or integrated in the image, e.g. watermark, super-imposed logo or stamp
- H04N1/32149—Methods relating to embedding, encoding, decoding, detection or retrieval operations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/32—Circuits or arrangements for control or supervision between transmitter and receiver or between image input and image output device, e.g. between a still-image camera and its memory or between a still-image camera and a printer device
- H04N1/32101—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title
- H04N1/32144—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title embedded in the image data, i.e. enclosed or integrated in the image, e.g. watermark, super-imposed logo or stamp
- H04N1/32149—Methods relating to embedding, encoding, decoding, detection or retrieval operations
- H04N1/32267—Methods relating to embedding, encoding, decoding, detection or retrieval operations combined with processing of the image
-
- 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
- G06T2201/0061—Embedding of the watermark in each block of the image, e.g. segmented 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明公开了一种与设备颜色空间无关的数字水印载体图像预处理的方法,具体为:将原始载体图像分割出超像素块;采用哈希映射的对超像素块进行标记,将每个超像素块提取出来;通过灰度共生矩阵计算超像素块的特征信息;构建自组织竞争神经网络,通过神经网络对超像素块的图像特征信息进行分类,再通过映射表将分类结果映射到超像素块中得到分类的载体图像;通过颜色矩来确定每类图像块嵌入的颜色通道,分离各颜色通道,得到预处理后的嵌入水印图像;将预处理的图像通过DCT‑SVD的算法进行水印的嵌入与提取。本发明的一种与设备颜色空间无关的数字水印载体图像预处理的方法,解决了现有技术中存在的水印抗打印、扫描性能不佳的问题。
Description
技术领域
本发明属于图像处理和防伪方法技术领域,涉及一种与设备颜色空间无关的数字水印载体图像预处理的方法。
背景技术
现如今高精度的打印机以及扫描仪都使得纸质产品被数字化、被篡改再复制变得更加容易。将数字水印技术应用于版权保护、印刷防伪等领域是一种行之有效且成本低廉的方法之一。数字水印技术是一种可以通过一定的方法向宿主信息嵌入和提取有意义或者无意义标识信息的技术。
针对数字图像提出的诸多数字水印方法直接对整幅图像进行处理,亦或是通过几何分块对图像进行分块后嵌入水印,但是几何分块的方法未考虑到图像本身的颜色以及纹理等特征,分块结果较为粗糙,会导致嵌入水印后图像颜色失真的问题。虽然大多数水印算法使得水印具有良好的抗几何攻击的性能,但是在抵抗类似于打印扫描和打印拍照的非几何攻击方面会出现提取效果不佳,性能不稳定等现象。所以现阶段针对数字水印技术的图像预处理问题,以及如何提高水印抗打印扫描和打印拍照性能的研究成为热点。
发明内容
本发明的目的是提供一种与设备颜色空间无关的数字水印载体图像预处理的方法,解决了现有技术中存在的水印抗打印、扫描性能不佳的问题。
本发明所采用的技术方案是,与设备颜色空间无关的数字水印载体图像预处理的方法,具体按照如下步骤实施:
步骤1,将原始载体图像通过SLIC超像素分割的方法分割出超像素块;
步骤2,采用哈希映射的对超像素块进行标记,将每个超像素块提取出来,另保存为单独的图像;
步骤3,通过灰度共生矩阵计算超像素块的特征信息;
步骤4,构建自组织竞争神经网络,设置分类数目C,通过神经网络对超像素块的图像特征信息进行分类,再通过映射表将分类结果映射到超像素块中得到分类的载体图像;
步骤5,通过颜色矩来确定每类图像块嵌入的颜色通道,分离各颜色通道,得到预处理后的嵌入水印图像。
步骤6,将预处理的图像通过DCT-SVD的算法进行水印的嵌入与提取。
本发明的特征还在于,
步骤1中的原始载体图像分辨率为300~600dpi,尺寸范围为128px*128px~1024px*1024px。
步骤1具体为:
步骤1.1,转换原始载体图像的颜色空间:通过MATLAB读取原始载体图像I,若原始图像的颜色空间为CIELab,保持颜色空间不变,得图像I_Lab,否则将图像I的色彩模式转换至与设备无关的CIELab颜色空间得到图像I_Lab;
步骤1.2,在MATLAB中调用超像素分割函数superpixels(),设置预分割的超像素块数n,算法类聚阶段的迭代次数NI,通过该函数对颜色空间转换之后的图像I_Lab进行分割,得到标签矩阵L和实际分割的超像素块数N。
步骤2具体为:
步骤2.1,保存标签矩阵L,在MATLAB中调用函数label2idx(),将标签矩阵L转换为线性索引单元格Idx,即将标签矩阵L中所标记的N个超像素区域转换成1*N的单元格,每个Idx{n}映射了第n个超像素块对应的像素位置,n∈[1,N];
步骤2.2,遍历单元格Idx{1}~Idx{N},取出每个单元格Idx{n}保存的像素位置信息,提取当前超像素块对应的像素值,其余超像素块对应位置的像素值置为0的方法来实现每个超像素块的提取,再将提取的图像块另保存为一副图片,得到超像素分割出的第1-N幅超像素块图像P1至PN。
步骤3具体为:
步骤3.1,在MATLAB中读取超像素块图像P1至PN,将每个彩色超像素块图像转换至灰度图像,调用计算图像二维灰度共生矩阵的函数接口graycomatrix(),设置图像的灰度级,设置关注像素与邻点像素距离,即偏移量;最后计算出图像的灰度共生矩阵GLCM;
步骤3.2,调用计算信息熵函数计算图像信息熵Q1,再调用graycoprops()函数,计算从灰度共生矩阵派生出来的图像特征信息,包括对比度Q2、同质性Q3、相关性Q3、能量Q5;
步骤3.3,通过文件操作将计算的图像特征信息保存到指定路径的X0.xlsx格式的文件夹中。
步骤4具体为:
步骤4.1,首先,在MATLAB中调用competlayer()函数,该函数默认学习规则为Kohonen学习规则,然后设置分类的类别数目以及神经网络的学习率和良心率,构建初始化的自组织竞争神经网络initNet;
步骤4.2,通过图像特征信息中的信息熵Q1、对比度Q2、同质性Q3、相关性Q3、能量Q5对网络initNet进行训练后得到训练好的神经网络net,再以特征信息Q1-Q5为网络net的输入层input,以期望分类的类别数目C为输出层output对图像的特征信息进行分类,得到超像素块的分类结果数组classes;
步骤4.3,在MATLAB中调用函数label2idx(),将分类结果数组classes转换为线性索引单元格Idx_c,每个Idx_c{i}映射了第i类图像对应在超像素块中的序号,i∈[1,c],c为图像的分类数,同时也映射了对应类所有超像素保存的文件名,遍历每个Idx{i}所对应的超像素块并进行累加,最后得到根据图像颜色距离、图像纹理等图像特征分类后的图像I1,I2,I3…Ic。
步骤5具体为:
步骤5.1,将图像I1,I2,I3…Ic的颜色空间从CIELab转换至RGB颜色空间;
步骤5.2,计算图像I1,I2,I3…Ic在RGB颜色空间的颜色矩,包括每类图像R、G、B各个颜色通道的颜色矩,然后选择R、G、B中颜色矩最大的一个颜色通道作为该类图像的水印的嵌入通道。
步骤6具体为:
步骤6.1,将分类后的图像经过步骤5指定的颜色通道分离后,对各类图像对应的颜色通道进行离散余弦变换变换DCT和奇异值分解SVD,得到水印的载体矩阵S1_x,其中,x=1,2,3,…,c,c为图像的分类数;
步骤6.2,选取一副与载体相同尺寸的图像作为水印图像,对水印图像进行DCT变换和SVD分解得到水印奇异值矩阵Sm;
步骤6.3,为每类不同矩阵S1_x以预设嵌入强度kx采用式(1)的方法将Sm嵌入到矩阵Sx中,得到嵌入图像的特征值矩阵S2_x:
S2_x=S1_x+kxSm,x=1,2,3…c (1)
步骤6.4,对S2_x进行逆SVD变换,逆DCT变换,得到每类图像嵌入水印的图像Iw_x;
步骤6.5,对嵌入水印后的图像进行打印扫描和打印拍照的攻击;
步骤6.6,以水印嵌入过程的逆过程对嵌入图像进行水印的提取,得到每类图像提取的水印图像Wx,x=1,2,3,…c,通过式(2)累加得到最终提取的水印图像W,即
W=W1+W2+W3+…+Wc (2)。
保存P1至PN图像的命名规则为“1.bmp”,“2.bmp”,“3.bmp”…“N-1.bmp”,“N.bmp”。
灰度级选择8个灰度级。
本发明的有益效果是:
(1)本发明通过图像颜色模式转换,将图像从RGB模式转换至与设备显示色域无关的CIELab颜色空间,保证了图像处理的设备无关性;通过SLIC超像素分割将图像根据颜色距离和空间距离分割成不规则的超像素块,得到更加细腻的图像分割结果;通过灰度共生矩阵计算每个超像素块的信息熵、对比度、同质性(逆差距)、相关性、能量用来描述图像的颜色以及纹理等特征信息;构建自组织竞争圣经网络对图像的特征信息进行分类,得到载体图像根据颜色、纹理等特征分类后的图像块;计算分类后各类图像块的颜色矩,分离个颜色分量中颜色矩最大值对应的分量,通过DCT-SVD的数字水印算法对分离的颜色通道进行水印的嵌入与提取。
(2)本发买那个将图像从RGB颜色模式转换至CIELab颜色模式,由于Lab颜色更接近人类颜色视觉,它描述的是颜色的显示方式而不是颜色所需的特定色料的数量,使得图像处理方式与显示设备无关,增加了方法的适用性。
(3)本发明将图像分割的结果以及神经网络分类后的结果保存起来,建立将图像处理特征数值与图像块的像素值之间的标签矩阵,得到映射表,简化了图像的过程,降低算法的时间复杂度,提高了算法效率。
(4)本发明通过单色通道分离的方法在彩色多通道宿主图像分离出单色通道嵌入水印后再还原成多色图像,使水印不仅可以在灰度图像中进行水印的嵌入和提取,也可在彩色图像的任意颜色通道进行水印的嵌入和提取。
(5)本发明使用SVD的方法对图像进行处理,得到载体图像的特征值矩阵,然后将水印图像信息嵌入到载体图像的特征值矩阵中,由于特征值矩阵具有强的稳健性使得数字水印具有抗打印扫描和打印拍照的性能,同时降低打印扫描和打印拍照对设备条件的要求。进一步的,使用SVD逆变换,将水印的视觉特征还原至特征值矩阵使得经过打印扫描或打印拍照后提取水印的视觉效果更佳,加强了抗印刷扫描性能。
附图说明
图1是本发明与设备颜色空间无关的数字水印载体图像预处理的方法的流程图;
图2是本发明与设备颜色空间无关的数字水印载体图像预处理的方法实施例中的原始载体图像;
图3是本发明与设备颜色空间无关的数字水印载体图像预处理的方法实施例中的水印图像
图4是本发明与设备颜色空间无关的数字水印载体图像预处理的方法实施例中的超像素分割标记图;
图5是本发明与设备颜色空间无关的数字水印载体图像预处理的方法实施例中的超像素块图的前10块;
图6是本发明与设备颜色空间无关的数字水印载体图像预处理的方法实施例中分类后的第一类图像;
图7是本发明与设备颜色空间无关的数字水印载体图像预处理的方法实施例中分类后的第二类图像;
图8是本发明与设备颜色空间无关的数字水印载体图像预处理的方法实施例中分类后的第三类图像;
图9是本发明与设备颜色空间无关的数字水印载体图像预处理的方法实施例中嵌入水印后的第一类图像;
图10是本发明与设备颜色空间无关的数字水印载体图像预处理的方法实施例中嵌入水印后的第二类图像;
图11是本发明与设备颜色空间无关的数字水印载体图像预处理的方法实施例中嵌入水印后的第三类图像;
图12是本发明与设备颜色空间无关的数字水印载体图像预处理的方法实施例中嵌入水印后的完整图像;
图13是本发明与设备颜色空间无关的数字水印载体图像预处理的方法实施例中未经过攻击的提取的水印图像;
图14是本发明与设备颜色空间无关的数字水印载体图像预处理的方法实施例中嵌入水印图像打印扫描后的图像;
图15是本发明与设备颜色空间无关的数字水印载体图像预处理的方法实施例中嵌入水印图像打印拍照后的图像;
图16是本发明与设备颜色空间无关的数字水印载体图像预处理的方法实施例中嵌入水印图像打印扫描后提取的水印图像;
图17是本发明与设备颜色空间无关的数字水印载体图像预处理的方法实施例中嵌入水印图像打印拍照后提取的水印图像。
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。
本发明与设备颜色空间无关的数字水印载体图像预处理的方法,其流程如图1所示,具体按照如下步骤实施:
步骤1,将原始载体图像通过SLIC超像素分割的方法分割出超像素块;具体为:
步骤1.1,转换原始载体图像的颜色空间:通过MATLAB读取原始载体图像I,若原始图像的颜色空间为CIELab,保持颜色空间不变,得图像I_Lab,否则将图像I的色彩模式转换至与设备无关的CIELab颜色空间得到图像I_Lab,其中,原始载体图像分辨率为300~600dpi,尺寸范围为128px*128px~1024px*1024px;
步骤1.2,在MATLAB中调用超像素分割函数superpixels(),设置预分割的超像素块数n,算法类聚阶段的迭代次数NI,通过该函数对颜色空间转换之后的图像I_Lab进行分割,得到标签矩阵L和实际分割的超像素块数N。
步骤2,采用哈希映射的对超像素块进行标记,将每个超像素块提取出来,另保存为单独的图像;具体为:
步骤2.1,保存标签矩阵L,在MATLAB中调用函数label2idx(),将标签矩阵L转换为线性索引单元格Idx,即将标签矩阵L中所标记的N个超像素区域转换成1*N的单元格,每个Idx{n}映射了第n个超像素块对应的像素位置,n∈[1,N];
步骤2.2,遍历单元格Idx{1}~Idx{N},取出每个单元格Idx{n}保存的像素位置信息,提取当前超像素块对应的像素值,其余超像素块对应位置的像素值置为0的方法来实现每个超像素块的提取,再将提取的图像块另保存为一副图片,得到超像素分割出的第1-N幅超像素块图像P1至PN,保存P1至PN图像的命名规则为“1.bmp”,“2.bmp”,“3.bmp”…“N-1.bmp”,“N.bmp”;
步骤3,通过灰度共生矩阵计算超像素块的特征信息;具体为:
步骤3.1,在MATLAB中读取超像素块图像P1至PN,将每个彩色超像素块图像转换至灰度图像,调用计算图像二维灰度共生矩阵的函数接口graycomatrix(),设置图像的灰度级,通常选择8个灰度级,设置关注像素与邻点像素距离,即偏移量;最后计算出图像的灰度共生矩阵GLCM;
步骤3.2,调用计算信息熵函数计算图像信息熵Q1,再调用graycoprops()函数,计算从灰度共生矩阵派生出来的图像特征信息,包括对比度Q2、同质性Q3、相关性Q3、能量Q5;
步骤3.3,通过文件操作将计算的图像特征信息保存到指定路径的X0.xlsx格式的文件夹中;
步骤4,构建自组织竞争神经网络,设置分类数目C,通过神经网络对超像素块的图像特征信息进行分类,再通过映射表将分类结果映射到超像素块中得到分类的载体图像;具体为:
步骤4.1,首先,在MATLAB中调用competlayer()函数,该函数默认学习规则为Kohonen学习规则,然后设置分类的类别数目以及神经网络的学习率和良心率,构建初始化的自组织竞争神经网络initNet;
步骤4.2,通过图像特征信息中的信息熵Q1、对比度Q2、同质性Q3、相关性Q3、能量Q5对网络initNet进行训练后得到训练好的神经网络net,再以特征信息Q1-Q5为网络net的输入层input,以期望分类的类别数目C为输出层output对图像的特征信息进行分类,得到超像素块的分类结果数组classes;
步骤4.3,在MATLAB中调用函数label2idx(),将分类结果数组classes转换为线性索引单元格Idx_c,每个Idx_c{i}映射了第i类图像对应在超像素块中的序号,i∈[1,c],c为图像的分类数,同时也映射了对应类所有超像素保存的文件名,遍历每个Idx{i}所对应的超像素块并进行累加,最后得到根据图像颜色距离、图像纹理等图像特征分类后的图像I1,I2,I3…Ic。
步骤5,通过颜色矩来确定每类图像块嵌入的颜色通道,分离各颜色通道,得到预处理后的嵌入水印图像;具体为:
步骤5.1,将图像I1,I2,I3…Ic的颜色空间从CIELab转换至RGB颜色空间;
步骤5.2,计算图像I1,I2,I3…Ic在RGB颜色空间的颜色矩,包括每类图像R、G、B各个颜色通道的颜色矩,然后选择R、G、B中颜色矩最大的一个颜色通道作为该类图像的水印的嵌入通道;
步骤6,将预处理的图像通过DCT-SVD的算法进行水印的嵌入与提取;具体为:
步骤6.1,将分类后的图像经过步骤5指定的颜色通道分离后,对各类图像对应的颜色通道进行离散余弦变换变换DCT和奇异值分解SVD,得到水印的载体矩阵S1_x,其中,x=1,2,3,…,c,c为图像的分类数;
步骤6.2,选取一副与载体相同尺寸的图像作为水印图像,对水印图像进行DCT变换和SVD分解得到水印奇异值矩阵Sm;
步骤6.3,为每类不同矩阵S1_x以预设嵌入强度kx采用式(1)的方法将Sm嵌入到矩阵Sx中,得到嵌入图像的特征值矩阵S2_x:
S2_x=S1_x+kxSm,x=1,2,3…c (1)
步骤6.4,对S2_x进行逆SVD变换,逆DCT变换,得到每类图像嵌入水印的图像Iw_x;
步骤6.5,对嵌入水印后的图像进行打印扫描和打印拍照的攻击;
步骤6.6,以水印嵌入过程的逆过程对嵌入图像进行水印的提取,得到每类图像提取的水印图像Wx,x=1,2,3,…c,通过式(2)累加得到最终提取的水印图像W,即
W=W1+W2+W3+…+Wc (2)。
本发明与设备无关的数字水印载体图像预处理的方法,涉及到图像颜色模式转换技术、SLIC超像素图像分割技术、自组织竞争神经网络分类技术,同时采用了离散余弦变换(Discrete Cosine Transform,DCT)和奇异值分解(Singular Value Decomposition,SVD)的图像变换技术。
图像颜色模式转换涉及到图像RGB颜色空间与CIELab颜色空间的转换。CIELab颜色空间是一种与设备无关的颜色空间,也是一种基于人眼生理特征的颜色模型,其分量L表示像素的亮度,取值范围是[1,100],表示黑到白的颜色范围;a分量表示深绿色到灰色再到亮粉红色的颜色范围,取值范围是[-128,128];b表示亮蓝色到灰色再到亮黄色的颜色范围[-128,128]。RGB颜色空间电子设备常用的颜色表示空间,其R表示红色分量,取值范围是[0,255];G表示蓝色分量,取值范围是[0,255];B表示绿色分量,取值范围是[0,255],RGB空间不能直接转换到Lab颜色空间,需要先将RGB颜色空间转换成XYZ颜色空间,再转换到Lab空间;Lab空间转RGB空间反之,其转换原理如下:
RGB颜色空间与XYZ颜色空间的转换关系如下式:
XYZ颜色空间转Lab颜色空间:
Lab颜色空间转XYZ颜色空间:
式中L*、a*、b*分别代表Lab颜色空间三个通道的对应值;X、Y、Z代表三刺激值,X为红原色刺激量,Y为绿原色刺激量,Z为蓝原色刺激量;Xn、Yn、Zn一般默认为95.047,100,108.883。
SLIC(Simple Linear Iterative Clustering),即简单的线性迭代聚类。它是2010年提出的一种思想简单、实现方便的算法。该方法生成的超像素块紧凑整齐,且邻域特征表现清晰和运行速度都较为理想。SLIC超像素的分割效果符合人眼视觉特性,是一种常用的超像素分割方法,原理公式如下:
自组织竞争神经网络采用无监督的学习方式,学习规则为Kohonen学习规则,在核心层中,每次只有神经元获胜,调整权值时只对该神经元权值进行修正。假设输入层为m个神经元,核心层为n个神经元,输入神经向量为p=[p1,p2,p3…,pm],权值为m×n矩阵,网络输出如式(7)
Y=PW (7)
Y=[Y1,Y2,Y3…,Yn]。在n各输出神经元中假设获胜神经元为Yk,则对应得权值按下式进行调整:
Δωik=η(Pi-ωik)Yk (8)
离散余弦变换(Discrete Cosine Transform,DCT)是用一组不同频率和幅值的余弦函数之和来近似一副图像,其定义如下,二维离散余弦变换定义如下试:
二维离散余弦变换反变换定义为:
实际上离散余弦变换是傅里叶变换的实数部分,由于离散余弦变量对于一副图像来说,其图像的大部分可视化信息都集中在少数的变换系数上。因此,离散余弦变量是图像数据压缩常用的一种变换编码方法,它能将高度相关数据能量集中,使得它非常适用于图像压缩。
在变换域中奇异值分解(Singular Value Decomposition,SVD)是一种将矩阵对角化的方法,图像的奇异值有很强的稳定性,图像受到轻微的扰动时不会有显著改变,因此,在奇异值上嵌入水印能保证水印的透明性、隐蔽性与安全性。
实施例
现以Lena图像为宿主图像,如图2所示,尺寸为256*256;以字母“T”的图案为水印图像,如图3所示,尺寸为256*256,即水印容量最大,使用MATLAB工具进行代码的编辑,进行宿主图像的预处理,具体为:
步骤1,通过SLIC超像素分割的方法将载体图像分割出超像素块;
具体的,首先在MATLAB中将载体图片从常用的RGB颜色模式转换至CIELab颜色空间,保证了图像处理的设备无关性,然后设置预分割的超像素块数为100,以算法类聚阶段的迭代次数为10,再通过SLIC超像素分割算法对图像进行分割,得到标签矩阵L和实际分割的超像素块数N。其分割结果如图4所示。为了提高算法效率,将颜色转换内置于SLIC超像素分割的算法中。
步骤2,采用哈希映射的思想对超像素块进行标记,将每个超像素块提取出来,另保存为单独的图像;
具体的,首先保存标签矩阵L,将矩阵中具有同一个标签值的位置写入一个cell数组中,得到一个有映射关系的矩阵索引单元数组。其中索引数组对应的内容为该类标签对应的像素值,用Idx表示索引单元数组,其中数组个数与矩阵L中标签的种类个数相同,每个Idx{n},n∈[1,100]中映射了每类图像对应的像素值。
然后,遍历索引数组Idx{1}~Idx{n},n=100,将所需要提取的像素块对应的像素值保持不变,其余像素块对应的像素值置为0的方法来实现每个像素块的提取,再将提取的图像块另保存为一副图片,得到超像素分割出的第1至100幅超像素块图像,以前10个超像素块为例,如图5所示。
步骤3,通过灰度共生矩阵计算超像素块的特征信息,包括信息熵(Q1)、对比度(Q2)、同质性(Q3)、相关性(Q4)、能量(Q5);
具体的,首先将彩色载体图像转换至灰度图像,再调用计算图像二维灰度共生矩阵的函数接口,设置图像的灰度级,通常选择8个灰度级,设置关注像素与邻点像素距离,即偏移量,计算出图像的灰度共生矩阵。
然后计算从灰度共生矩阵派生出来的图像特征,包括对比度、同质性、相关性、能量,再调用计算信息熵函数函数计算图像信息熵。最后通过文件操作将计算的特征心机保存到指定路径的.xlsx格式的文件夹中。
步骤4:构建自组织竞争神经网络,对超像素块进行分类。
具体的,首先以Kohonen学习规则为网络的学习学则,设置神经网络的学习率0.001、良心率0.0001,分类的类别数为3,构建自组织竞争神经网络net。
然后,以图像特征中的信息熵(Q1)、对比度(Q2)、同质性(Q3)、相关性(Q4)、能量(Q5)为输入层input,以期望分类的类别数目为输出层output对图像的特征信息进行训练和分类。
最后,建立分类结果与各超像素块之间的索引单元数组,其方法同步骤2所述的建立方法。遍历并累加每类图像对应的超像素块,得到根据图像颜色距离、图像纹理等图像特征分类后的图像I1、I2、I3,如图6,7,8所示。
步骤5,通过颜色矩来确定每类图像块嵌入的颜色通道。
具体的,由于现有大多数数字水印算法采用RGB颜色空间进行图像的处理,为了使图像预处理方法有更好适用性,该步骤首先将图像颜色空间转换至RGB颜色空间,然后,计算步骤4所得到的I1、I2、I3,这n幅图像在RGB颜色空间的颜色矩,其中包括每类图像各个颜色通道的颜色矩,最后选择颜色矩最大的一个颜色通道作为该类图像的水印的嵌入通道。该实施例中各图像颜色二阶矩入表1:
表1各类图像块各个色彩通道颜色二阶矩
由表1知,各类图像的红色颜色分量的二阶矩值最大,所以在红色通道进行水印的嵌入对原始图像的影响更小,故,应该选取各类图像块的红色通道进行水印的嵌入。
步骤6,将预处理的图像通过DCT-SVD的算法进行水印的嵌入与提取。
具体的,首先,将分类后的图像经过步骤5指定的颜色通道分离后,对各类图像对应的颜色通道进行离散余弦变换(DCT)变换和奇异值分解(SVD),得到水印的载体矩阵S1_x其中x=1,2,3,代表分类或的每类图像块;
然后,选取一副与载体相同尺寸的图像作为水印图像,对水印进行DCT变换和SVD分解得到水印奇异值矩阵S1_1,S1_2,S1_3,以嵌入强度k1=0.01,k2=0.03,k3=0.02将水印奇异值矩阵嵌入到矩阵Sm中,其嵌入的数学表示为“S2_x=S1_x+kxSm,x=1,2,3”,得到嵌入图像的特征值矩阵S2_1,S2_2,S2_3.
再对S2_x进行逆SVD变换,逆DCT变换,得到每类图像嵌入水印的图像Iw_x,x=1,2,3,如图9,10,11所示。嵌入水印的图像Iw=I1+I2+I3,如图12所示。
然后,对嵌入水印后的图像进行打印扫描和打印拍照的攻击,其中打印扫描之后的图像如图14所示,打印拍照之后的图像如图15所示,
最后,以水印嵌入过程的逆过程对嵌入图像进行水印的提取,得到每类图像提取的水印图像Wx,x=1,2,3.累加Wx得到最终提取的水印图像W=W1+W2+W3,如图13所示。
用提取的水印图像W来验证所提图像预处理方法的效果和数字水印算法抗打印扫描攻击的性能,其中图16,17分别为图像打印扫描之后和大打印拍照之后的提取水印图像。由图3和图13之间的PSNR等于25.3051大于20以及图14、图16、图17各个提取的水印图像与原始图像的NC值均再0.88到1.0之间,可见本文所述数字水印载体图像预处理的方法改善了水印的鲁棒性和透明性之间的关系;再结合数字水印算法使水印具有一定的抗打印扫拍照性能。
Claims (10)
1.与设备颜色空间无关的数字水印载体图像预处理的方法,其特征在于,具体按照如下步骤实施:
步骤1,将原始载体图像通过SLIC超像素分割的方法分割出超像素块;
步骤2,采用哈希映射的对超像素块进行标记,将每个超像素块提取出来,另保存为单独的图像;
步骤3,通过灰度共生矩阵计算超像素块的特征信息;
步骤4,构建自组织竞争神经网络,设置分类数目C,通过神经网络对超像素块的图像特征信息进行分类,再通过映射表将分类结果映射到超像素块中得到分类的载体图像;
步骤5,通过颜色矩来确定每类图像块嵌入的颜色通道,分离各颜色通道,得到预处理后的嵌入水印图像;
步骤6,将预处理的图像通过DCT-SVD的算法进行水印的嵌入与提取。
2.根据权利要求1所述的与设备颜色空间无关的数字水印载体图像预处理的方法,其特征在于,所述步骤1中的原始载体图像分辨率为300~600dpi,尺寸范围为128px*128px~1024px*1024px。
3.根据权利要求1所述的与设备颜色空间无关的数字水印载体图像预处理的方法,其特征在于,所述步骤1具体为:
步骤1.1,转换原始载体图像的颜色空间:通过MATLAB读取原始载体图像I,若原始图像的颜色空间为CIELab,保持颜色空间不变,得图像I_Lab,否则将图像I的色彩模式转换至与设备无关的CIELab颜色空间得到图像I_Lab;
步骤1.2,在MATLAB中调用超像素分割函数superpixels(),设置预分割的超像素块数n,算法类聚阶段的迭代次数NI,通过该函数对颜色空间转换之后的图像I_Lab进行分割,得到标签矩阵L和实际分割的超像素块数N。
4.根据权利要求3所述的与设备颜色空间无关的数字水印载体图像预处理的方法,其特征在于,所述步骤2具体为:
步骤2.1,保存标签矩阵L,在MATLAB中调用函数label2idx(),将标签矩阵L转换为线性索引单元格Idx,即将标签矩阵L中所标记的N个超像素区域转换成1*N的单元格,每个Idx{n}映射了第n个超像素块对应的像素位置,n∈[1,N];
步骤2.2,遍历单元格Idx{1}~Idx{N},取出每个单元格Idx{n}保存的像素位置信息,提取当前超像素块对应的像素值,其余超像素块对应位置的像素值置为0的方法来实现每个超像素块的提取,再将提取的图像块另保存为一副图片,得到超像素分割出的第1-N幅超像素块图像P1至PN。
5.根据权利要求1所述的与设备颜色空间无关的数字水印载体图像预处理的方法,其特征在于,所述步骤3具体为:
步骤3.1,在MATLAB中读取超像素块图像P1至PN,将每个彩色超像素块图像转换至灰度图像,调用计算图像二维灰度共生矩阵的函数接口graycomatrix(),设置图像的灰度级,设置关注像素与邻点像素距离,即偏移量;最后计算出图像的灰度共生矩阵GLCM;
步骤3.2,调用计算信息熵函数计算图像信息熵Q1,再调用graycoprops()函数,计算从灰度共生矩阵派生出来的图像特征信息,包括对比度Q2、同质性Q3、相关性Q3、能量Q5;
步骤3.3,通过文件操作将计算的图像特征信息保存到指定路径的X0.xlsx格式的文件夹中。
6.根据权利要求1所述的与设备颜色空间无关的数字水印载体图像预处理的方法,其特征在于,所述步骤4具体为:
步骤4.1,首先,在MATLAB中调用competlayer()函数,该函数默认学习规则为Kohonen学习规则,然后设置分类的类别数目以及神经网络的学习率和良心率,构建初始化的自组织竞争神经网络initNet;
步骤4.2,通过图像特征信息中的信息熵Q1、对比度Q2、同质性Q3、相关性Q3、能量Q5对网络initNet进行训练后得到训练好的神经网络net,再以特征信息Q1-Q5为网络net的输入层input,以期望分类的类别数目C为输出层output对图像的特征信息进行分类,得到超像素块的分类结果数组classes;
步骤4.3,在MATLAB中调用函数label2idx(),将分类结果数组classes转换为线性索引单元格Idx_c,每个Idx_c{i}映射了第i类图像对应在超像素块中的序号,i∈[1,c],c为图像的分类数,同时也映射了对应类所有超像素保存的文件名,遍历每个Idx{i}所对应的超像素块并进行累加,最后得到根据图像颜色距离、图像纹理等图像特征分类后的图像I1,I2,I3…Ic。
7.根据权利要求6所述的与设备颜色空间无关的数字水印载体图像预处理的方法,其特征在于,所述步骤5具体为:
步骤5.1,将图像I1,I2,I3…Ic的颜色空间从CIELab转换至RGB颜色空间;
步骤5.2,计算图像I1,I2,I3…Ic在RGB颜色空间的颜色矩,包括每类图像R、G、B各个颜色通道的颜色矩,然后选择R、G、B中颜色矩最大的一个颜色通道作为该类图像的水印的嵌入通道。
8.根据权利要求7所述的与设备颜色空间无关的数字水印载体图像预处理的方法,其特征在于,所述步骤6具体为:
步骤6.1,将分类后的图像经过步骤5指定的颜色通道分离后,对各类图像对应的颜色通道进行离散余弦变换变换DCT和奇异值分解SVD,得到水印的载体矩阵S1_x,其中,x=1,2,3,…,c,c为图像的分类数;
步骤6.2,选取一副与载体相同尺寸的图像作为水印图像,对水印图像进行DCT变换和SVD分解得到水印奇异值矩阵Sm;
步骤6.3,为每类不同矩阵S1_x以预设嵌入强度kx采用式(1)的方法将Sm嵌入到矩阵Sx中,得到嵌入图像的特征值矩阵S2_x:
S2_x=S1_x+kxSm,x=1,2,3…c (1)
步骤6.4,对S2_x进行逆SVD变换,逆DCT变换,得到每类图像嵌入水印的图像Iw_x;
步骤6.5,对嵌入水印后的图像进行打印扫描和打印拍照的攻击;
步骤6.6,以水印嵌入过程的逆过程对嵌入图像进行水印的提取,得到每类图像提取的水印图像Wx,x=1,2,3,…c,通过式(2)累加得到最终提取的水印图像W,即
W=W1+W2+W3+…+Wc (2)。
9.根据权利要求4所述的与设备颜色空间无关的数字水印载体图像预处理的方法,其特征在于,保存P1至PN图像的命名规则为“1.bmp”,“2.bmp”,“3.bmp”…“N-1.bmp”,“N.bmp”。
10.根据权利要求5所述的与设备颜色空间无关的数字水印载体图像预处理的方法,其特征在于,所述灰度级选择8个灰度级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010967712.6A CN112217958B (zh) | 2020-09-15 | 2020-09-15 | 与设备颜色空间无关的数字水印载体图像预处理的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010967712.6A CN112217958B (zh) | 2020-09-15 | 2020-09-15 | 与设备颜色空间无关的数字水印载体图像预处理的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112217958A true CN112217958A (zh) | 2021-01-12 |
CN112217958B CN112217958B (zh) | 2022-04-22 |
Family
ID=74050449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010967712.6A Active CN112217958B (zh) | 2020-09-15 | 2020-09-15 | 与设备颜色空间无关的数字水印载体图像预处理的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112217958B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113691885A (zh) * | 2021-09-09 | 2021-11-23 | 深圳万兴软件有限公司 | 视频水印的去除方法、装置、计算机设备及存储介质 |
CN117061768A (zh) * | 2023-10-12 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 视频水印处理方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950406A (zh) * | 2010-08-10 | 2011-01-19 | 浙江大学 | 一种基于变换域的图像水印添加方法 |
CN102184519A (zh) * | 2011-05-26 | 2011-09-14 | 江苏技术师范学院 | 水印图像的嵌入和提取方法 |
CN107533760A (zh) * | 2015-04-29 | 2018-01-02 | 华为技术有限公司 | 一种图像分割方法和装置 |
CN107633522A (zh) * | 2017-08-30 | 2018-01-26 | 山东财经大学 | 基于局部相似性活动轮廓模型的脑部图像分割方法和*** |
CN109242749A (zh) * | 2018-08-09 | 2019-01-18 | 北京交通大学 | 抵抗打印和重拍的盲数字图像水印方法 |
CN109741341A (zh) * | 2018-12-20 | 2019-05-10 | 华东师范大学 | 一种基于超像素和长短时记忆网络的图像分割方法 |
CN110992236A (zh) * | 2019-11-28 | 2020-04-10 | 陕西科技大学 | 数字水印嵌入环境确定方法、装置、设备及可读存储介质 |
CN111583274A (zh) * | 2020-04-30 | 2020-08-25 | 贝壳技术有限公司 | 图像分割方法、装置、计算机可读存储介质及电子设备 |
-
2020
- 2020-09-15 CN CN202010967712.6A patent/CN112217958B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950406A (zh) * | 2010-08-10 | 2011-01-19 | 浙江大学 | 一种基于变换域的图像水印添加方法 |
CN102184519A (zh) * | 2011-05-26 | 2011-09-14 | 江苏技术师范学院 | 水印图像的嵌入和提取方法 |
CN107533760A (zh) * | 2015-04-29 | 2018-01-02 | 华为技术有限公司 | 一种图像分割方法和装置 |
CN107633522A (zh) * | 2017-08-30 | 2018-01-26 | 山东财经大学 | 基于局部相似性活动轮廓模型的脑部图像分割方法和*** |
CN109242749A (zh) * | 2018-08-09 | 2019-01-18 | 北京交通大学 | 抵抗打印和重拍的盲数字图像水印方法 |
CN109741341A (zh) * | 2018-12-20 | 2019-05-10 | 华东师范大学 | 一种基于超像素和长短时记忆网络的图像分割方法 |
CN110992236A (zh) * | 2019-11-28 | 2020-04-10 | 陕西科技大学 | 数字水印嵌入环境确定方法、装置、设备及可读存储介质 |
CN111583274A (zh) * | 2020-04-30 | 2020-08-25 | 贝壳技术有限公司 | 图像分割方法、装置、计算机可读存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
任少盈等: "基于汉明纠错机制的抗帧操作的视频水印", 《应用科学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113691885A (zh) * | 2021-09-09 | 2021-11-23 | 深圳万兴软件有限公司 | 视频水印的去除方法、装置、计算机设备及存储介质 |
CN113691885B (zh) * | 2021-09-09 | 2024-01-30 | 深圳万兴软件有限公司 | 视频水印的去除方法、装置、计算机设备及存储介质 |
CN117061768A (zh) * | 2023-10-12 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 视频水印处理方法、装置、电子设备及存储介质 |
CN117061768B (zh) * | 2023-10-12 | 2024-01-30 | 腾讯科技(深圳)有限公司 | 视频水印处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112217958B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10127623B2 (en) | Geometric enumerated watermark embedding for colors and inks | |
de Queiroz et al. | Color to gray and back: color embedding into textured gray images | |
EP0785669A2 (en) | Image processing method and apparatus | |
KR101140699B1 (ko) | 디지털 포렌직 기술을 이용한 보안 인쇄물 위조식별 시스템 및 그 방법 | |
CN112217958B (zh) | 与设备颜色空间无关的数字水印载体图像预处理的方法 | |
CN109102451A (zh) | 一种纸媒输出的防伪半色调智能数字水印制作方法 | |
CN105512999B (zh) | 一种双变换的彩色图像全息水印方法 | |
CN101122995A (zh) | 二值图像中数字水印的嵌入、提取方法和装置 | |
CN101950407A (zh) | 用于证件防伪的彩色图像数字水印实现方法 | |
CN109815653A (zh) | 一种基于深度学习的pdf文本水印提取及比对方法 | |
CN1513256A (zh) | 用数据隐藏技术在光栅图像数据中嵌入颜色简档 | |
EP3175423B1 (en) | Digital image watermarking system and method | |
CN105427231B (zh) | 一种避免误警的svd双层数字水印方法 | |
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*** | |
CN113538201B (zh) | 基于换底机制的陶瓷水印模型训练方法、装置和嵌密方法 | |
CN102722857A (zh) | 一种基于视觉注意机制的数字图像水印方法 | |
CN106327416B (zh) | 一种基于印刷品的网点水印方法 | |
Mizumoto et al. | Robustness investigation of DCT digital watermark for printing and scanning | |
Chen et al. | Distortion model-based spectral augmentation for generalized recaptured document detection | |
CN113065407B (zh) | 基于注意力机制和生成对抗网络的财务票据***擦除方法 | |
Cu et al. | A robust data hiding scheme using generated content for securing genuine documents | |
Eerola et al. | Full reference printed image quality: Measurement framework and statistical evaluation | |
JP3684181B2 (ja) | 画像処理装置及び画像処理方法 | |
JP6789890B2 (ja) | 情報処理装置、情報処理方法およびプログラム、並びに多重化パラメータの作成方法 | |
CN1369376A (zh) | 一种新型印刷品防伪方法 |
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 |