高校大数据挑战赛优秀论文B题论文220580.pdfVIP

所在组别参赛编号

2022年第二届中国高校大数据挑战赛

研究生bdc220580

基于SVM和CVAE的图像信息隐藏技术研究

摘要

随着互联网的快速发展，图像作为重要信息载体其传播范围也越来越广。水印算法

作为一种图像信息隐藏技术，能够实现在用户视觉无法分辨的情况下添加版权信息，有

995060

效保证了图像的版权安全和图像质量。本文在附件一所提供的组带有包含种类

别水印字符标签的原始图像和嵌入水印图像的数据集上，利用差值图像作为主观可视化

评价指标，分析得出嵌入水印的图像想比原图增加了部分前景边缘信息。利用MSE、

RMSEPSNRSSIM

、、、信息熵等客观非可视化评价指标分析了嵌入水印图像与原始图

像之间的区别，即嵌入水印的图像的信噪比和结构一致性有所降低。对于差别图像进行

HOGORB

统计分析得出其包含一定量的纹理特征，灰度分布服从正态分布，并且利用、、

LBP等多种特征描述符表示了差值图像的共同特征，其中HOG特征点数量范围为

[154,218],ORB[34,96]LBP[206,462]

特征点数量范围在，特征点数量范围在。

HOGORBLBP

为了实现水印类别检测算法，本文将问题一中统计的差值图像以及其、、

SVMRF

特征指标相结合作为训练输入。构建了基于支持向量机（）、随机森林（）和

CNNResNet50

深度卷积神经网络（）的分类模型并进行对比，结果表明随机森林模型

准确率均值较低为79.2965%，并且ResNet50模型存在不稳定问题，因此最终选择SVM

模型作为图像水印隐藏信息检测模型，在9950张图像中被正确检测信息的图像数量为

9848张，即准确率达到98.9749%。

50DCTSVD

针对附件二中的张不明确是否嵌入水印的图像，传统的基于、原理的

算法针对性较强，不适应数据集中的隐式水印掩膜映射处理的图像数据。因此本文根据

CVAE变分自动编码器重构模型和CUT风格迁移网络原理构建了基于深度学习的水印

5050

去除模型。假设张图像全部嵌入了水印信息，将模型输入设定为张待判定图像，

输出为模拟水印去除后的结果图。随后利用输入和输出的差值图像指标判定输入的图像

是否嵌入了水印信息，并对嵌入水印的图像利用问题二构建的SVM分类模型进行类别

50

预测，同时输出对应的置信度。最终分类结论为：对于附件二