java 添加盲水印_OpenCV-图像处理-频域手段添加盲水印

大家好，又见面了，我是你们的朋友全栈君。

[傅里叶变换算法及盲水印实现]

盲水印，顾名思义就是看不见的水印。今天我们来说下频域加盲水印。相信大家做过图像处理的对频域、时域、空间域概念都有了一定的了解。

空间域，我们日常所见的图像就是空域。空域添加数字水印的方法是在空间域直接对图像操作(之所以说的这么绕，是因为不仅仅原图是空域，原图的差分等等也是空域)，比如将水印直接叠加在图像上。

频域：描述信号在频率方面特性时用到的一种坐标系。在图像中就是图像灰度变化强烈的情况，图像的频率。

时域：是描述数学函数或物理信号对时间的关系。例如一个信号的时域波形可以表达信号随着时间的变化。

下边来说说频域添加盲水印原理：频域添加数字水印的方法，是指通过某种变换手段(傅里叶变换，离散余弦变换，小波变换等)将图像变换到频域(小波域)，在频域对图像添加水印，再通过逆变换，将图像转换为空间域。相对于空域手段，频域手段隐匿性更强，抗攻击性更高。

如果对频域、傅里叶转换不太懂得，可以参考这篇文章如果看了此文你还不懂傅里叶变换，那就过来掐死我吧【完整版】,感谢大神。

傅里叶变换公式png

我们有方法将时域信号转换成为频域，同样，我们也能将二维信号(图像)转换为频域。

因为图像是离散信号，我们实际用的是 离散傅里叶变换，在本文采用的都是二维快速傅里叶变换，快速傅里叶变换与离散傅里叶变换等价。

添加盲水印流程：

傅里叶转换添加水印.png

水印提取是水印叠加的逆过程：

水印提取.png

上边说了下一些基础及频域加盲水印原理。下边来说下具体代码，具体代码用iOS来实现，我们使用OpenCV3来实现，OpenCV3对图像处理使用 Mat(包含信息有矩阵的大小，用于存储的方法，矩阵存储的地址等)的矩阵头和一个指针指向包含了像素值的矩阵。而OpenCV2是IplImage，如果你在查找资料的时候发现IplImage则是之前的C实现的。因为我们使用OpenCV3是C++实现的只要看懂学会，Android、python等都可以按照其代码来实现的。

首先我们先来建个工程来添加OpenCV库，我们这里是pod下来的库—-pod ‘OpenCV’, ‘~> 3.2.0’，方便管理。

全局先定义：

cv::Mat _complexImage;

vectorplanes;

vectorallPlanes;

1.原始图片UIImage转Mat进行处理

– (cv::Mat)cvMatFromUIImage:(UIImage *)image

{

UIImage *tmpImage = image;

CGColorSpaceRef colorSpace = CGImageGetColorSpace(tmpImage.CGImage);

CGFloat cols = tmpImage.size.width;

CGFloat rows = tmpImage.size.height;

cv::Mat cvMat(rows, cols, CV_8UC4);

CGContextRef contextRef = CGBitmapContextCreate(cvMat.data,cols,rows,8,cvMat.step[0],colorSpace,kCGImageAlphaNoneSkipLast | kCGBitmapByteOrderDefault);

CGContextDrawImage(contextRef, CGRectMake(0, 0, cols, rows), tmpImage.CGImage);

CGContextRelease(contextRef);

return cvMat;

}

2.为了加快傅里叶转换速度，先对图片进行尺寸优化

– (cv::Mat)optimizeImageDim:(cv::Mat)image {

Mat padded = Mat();

// get the optimal rows size for dft

int addPixelRows = getOptimalDFTSize(image.rows);

// get the optimal cols size for dft

int addPixelCols = getOptimalDFTSize(image.cols);

// apply the optimal cols and rows size to the image

copyMakeBorder(image, padded, 0, addPixelRows – image.rows, 0, addPixelCols – image.cols, BORDER_CONSTANT, Scalar::all(0));

return padded;

}

3.由于只能在单通道处理，所以要分离图片多通道

//分离多通道获取B通道

– (cv::Mat)splitSrc:(cv::Mat) image {

//清空allPlanes

if (!allPlanes.empty()) {

allPlanes.clear();

}

//分离image通道到allPlanes

//先优化

Mat optimizeImage = [self optimizeImageDim:image];

split(optimizeImage,allPlanes);

Mat padded = Mat();

if (allPlanes.size()>1) {

for (int i = 0; i < allPlanes.size();i++) {

if (i == 0) {

// optimize the dimension of the loaded image

//分离之前优化，这里不需要优化

padded = allPlanes[i];

// padded = [self optimizeImageDim:allPlanes[i]];

break;

}

}

} else {

padded = [self optimizeImageDim:image];

}

return padded;

}

4.对图片进行傅里叶转换并在频谱上添加文本

– (void)transformImageWithText:(cv::Mat) image blindMarkText:(NSString *) blindMarkText point:(cv::Point) point fontSize:(double)fontSize scalar:(cv::Scalar) scalar {

// planes数组中存的通道数若开始不为空,需清空.

if (!planes.empty()) {

planes.clear();

}

Mat padded = [self splitSrc:image];

padded.convertTo(padded, CV_32F);

// prepare the image planes to obtain the complex image

planes.push_back(padded);

planes.push_back(cv::Mat::zeros(padded.size(), CV_32F));

// prepare a complex image for performing the dft

merge(planes, _complexImage);

// dft

dft(_complexImage, _complexImage);

// 频谱图上添加文本

putText(_complexImage, [blindMarkText UTF8String], point, CV_FONT_HERSHEY_DUPLEX, fontSize, scalar);

flip(_complexImage, _complexImage, -1);

putText(_complexImage, [blindMarkText UTF8String], point, CV_FONT_HERSHEY_DUPLEX, fontSize, scalar);

flip(_complexImage, _complexImage, -1);

planes.clear();

}

5.idft把处理过后的图片恢复成原图

– (cv::Mat)antitransformImage {

Mat invDFT ;

idft(_complexImage, invDFT, DFT_SCALE | DFT_REAL_OUTPUT, 0);

Mat restoredImage ;

invDFT.convertTo(restoredImage, CV_8U);

//合并多通道

allPlanes.erase(allPlanes.begin());

allPlanes.insert(allPlanes.begin(), restoredImage);

Mat lastImage ;

merge(allPlanes,lastImage);

return lastImage;

}

6.Mat转UIImage

– (UIImage *)UIImageFromCVMat:(cv::Mat)cvMat

{

NSData *data = [NSData dataWithBytes:cvMat.data length:cvMat.elemSize()*cvMat.total()];

CGColorSpaceRef colorSpace;

if (cvMat.elemSize() == 1) {

colorSpace = CGColorSpaceCreateDeviceGray();

} else {

colorSpace = CGColorSpaceCreateDeviceRGB();

}

CGDataProviderRef provider = CGDataProviderCreateWithCFData((__bridge CFDataRef)data);

CGImageRef imageRef = CGImageCreate(cvMat.cols, cvMat.rows,8, 8 * cvMat.elemSize(), cvMat.step[0],colorSpace, kCGImageAlphaNone|kCGBitmapByteOrderDefault, provider, NULL, false,kCGRenderingIntentDefault);

UIImage *finalImage = [UIImage imageWithCGImage:imageRef];

CGImageRelease(imageRef);

CGDataProviderRelease(provider);

CGColorSpaceRelease(colorSpace);

return finalImage;

}

到这里我们盲水印所需要的函数、方法已经写完，具体调用

– (void)fourierConversion {

cv::Mat orignMat = [self cvMatFromUIImage:[UIImage imageNamed:imageName]];

cv::Scalar color = CV_RGB(0,255,255);

[self transformImageWithText:orignMat blindMarkText:@”Test” point:cv::Point(45,45) fontSize:0.8 scalar:color];

cv::Mat cvMat = [self antitransformImage];

self.imgView.image = [self UIImageFromCVMat:cvMat];

}

图片.jpg

这时候你会发现图片和原来没什么区别。是的，确实肉眼看没有任何区别.

下边我们获取到水印:

1.创建优化级

– (cv::Mat)createOptimizedMagnitude:(cv::Mat)complexImage {

// init

vectornewPlanes = {};

Mat mag = Mat();

// split the comples image in two planes

split(complexImage, newPlanes);

// compute the magnitude

magnitude(newPlanes[0], newPlanes[1], mag);

// move to a logarithmic scale

add(Mat::ones(mag.size(), CV_32F), mag, mag);

// optionally reorder the 4 quadrants of the magnitude image

[self shiftDFT:mag];

// normalize the magnitude image for the visualization

// and OpenCV need images with value between 0 and 255

// convert back to CV_8UC1

mag.convertTo(mag, CV_8UC1);

normalize(mag, mag, 0, 255, NORM_MINMAX, CV_8UC1);

return mag;

}

2.转化DFT

– (void)shiftDFT:(cv::Mat)image {

image = image(cv::Rect(0, 0, image.cols & (-2), image.rows & (-2)));

int cx = image.cols / 2;

int cy = image.rows / 2;

Mat q0 = Mat(image, cv::Rect(0, 0, cx, cy));

Mat q1 = Mat(image, cv::Rect(cx, 0, cx, cy));

Mat q2 = Mat(image, cv::Rect(0, cy, cx, cy));

Mat q3 = Mat(image, cv::Rect(cx, cy, cx, cy));

Mat tmp = Mat();

q0.copyTo(tmp);

q3.copyTo(q0);

tmp.copyTo(q3);

q1.copyTo(tmp);

q2.copyTo(q1);

tmp.copyTo(q2);

}

3.转换图片获取水印图

– (cv::Mat)transformImage:(cv::Mat)image {

// planes数组中存的通道数若开始不为空,需清空.

if (!planes.empty()) {

planes.clear();

}

Mat padded = [self splitSrc:image];

padded.convertTo(padded, CV_32F);

// prepare the image planes to obtain the complex image

planes.push_back(padded);

planes.push_back(cv::Mat::zeros(padded.size(), CV_32F));

// prepare a complex image for performing the dft

merge(planes, _complexImage);

// dft

dft(_complexImage, _complexImage);

// optimize the image resulting from the dft operation

Mat magnitude = [self createOptimizedMagnitude:_complexImage];

planes.clear();

return magnitude;

}

获取水印具体调用：

– (void)reverseFourier {

cv::Mat cvMat = [self antitransformImage];

cvMat = [self transformImage:cvMat];

self.imgView.image = [self UIImageFromCVMat:cvMat];

}

盲水印.png

引用下别人的语言：

频域添加数字水印的方法，是指通过某种变换手段(傅里叶变换，离散余弦变换，小波变换等)将图像变换到频域(小波域)，在频域对图像添加水印，再通过逆变换，将图像转换为空间域。相对于空域手段，频域手段隐匿性更强，抗攻击性更高。所谓对水印的攻击，是指破坏水印，包括涂抹，剪切，放缩，旋转，压缩，加噪，滤波等。数字盲水印不仅仅要敏捷性高(不被人抓到)，也要防御性强(抗打)。就像Dota的敏捷英雄往往是脆皮，数字盲水印的隐匿性和鲁棒性是互斥的。(鲁棒性是抗攻击性的学术名字)。

有许多同学还是不懂，我把核心代码封成了库，需要的请自己去clone。

封装库地址：https://github.com/miaozhang9/opencvLib.git

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/213567.html原文链接：https://javaforall.cn