[发明专利]一种基于自编码网络的可视化图片信息嵌入方法

说明书

本发明公开了一种基于自编码网络的可视化图片信息嵌入方法，其特点是采用深度神经网络提取可视化图表的视觉显著性特征，计算出嵌入信息的非显著区域，然后将文本信息分割并转换成二维码，利用自编码网络将二维码编码进图片非显著区域，将编码结果输入解码网络，即可恢复出原始嵌入的文本信息。本发明与现有技术相比具有保证可视化图片不失真的情况下，隐式地将用户指定的数据信息嵌入到可视化图片中，有效减小编码带来的显式视觉损失，能够在版权保护、数据存储、可视化设计风格切换等多种实际应用场景中对可视化图表嵌入大规模信息，具有较高的计算效率和良好的视觉效果。

技术领域

本发明涉及自编码网络及图像隐写技术领域，尤其是一种基于自编码网络的可视化图片信息嵌入方法。

背景技术

当前，很多可视化作品都是通过代码的形式生成，然后以图片的形式进行传播，在传播的过程中，如果脱离了Web服务的支持，可视化设计图和代码很难进行关联，这增加了可视化设计传播和修改的难度。在可视化设计的场合，信息隐写有很大的用处，如果设计师能够将可视化设计的代码或数据隐写到可视化图片中，将有利于进行进一步的传播和设计修改，也利于程序员与设计师的合作，利用隐写技术，信息的传播和修订将不需要图像及文本两种媒介了。

现有技术的图像隐写主要采用统计模型和神经网络的方法，这些方法大多是基于自然图像，利用了其丰富且成熟的图像特征，而可视化图表通常背景干净，视觉元素清晰，增加了编码与解码的难度。此外，可视化图表的视觉显著性特征也与自然图像有着很大的差异。

发明内容

本发明的目的是针对现有技术的不足而设计的一种基于自编码网络的可视化图片信息嵌入方法，采用深度神经网络提取可视化图表的视觉显著性特征，计算出嵌入信息的非显著区域，利用自编码网络将文本信息以二维码编码进图片非显著区域，解码后即可恢复出原始嵌入的文本信息，方法简便、高效，可以在保证可视化图片不失真的情况下，隐式地将用户指定的数据信息嵌入到可视化图片中，有效减小编码带来的显式视觉损失，可应用于版权保护、数据存储、可视化设计风格切换等实际应用场景，具有较高的计算效率和良好的视觉效果。

本发明的目的是这样实现的：一种基于自编码网络的可视化图片信息嵌入的方法，其特点是采用深度神经网络提取可视化图表的视觉显著性特征，计算出嵌入信息的非显著区域，然后将文本信息分割并转换成二维码，利用自编码网络将二维码编码进图片非显著区域，将编码结果输入解码网络，即可恢复出原始嵌入的文本信息，其可视化图片信息的具体嵌入包括以下步骤：

步骤1：输入一张大小为h*w的可视化图片I_c，其中，h为可视化图片I_c横向每行像素数，w为图片I_c纵向每列像素数；输入待嵌入文本信息T_s。

步骤2：在可视化图表显著性数据集上训练一个卷积神经网络模型，该卷积神经网络为U-Net结构的神经网络模型，所述U-Net神经网络包括特征提取部分和上采样部分，以及线性整流函数即ReLU函数作为激活函数；

所述U-Net神经网络的特征提取部分包括五层用于提取可视化图片显著性特征的卷积层，每个卷积核都使用3×3的大小，每两次卷积之后进行最大化池化处理。

所述U-Net神经网络的上采样部分使用转置卷积在不同尺度的特征图上采样到原始分辨率，然后与特征提取部分对应的特征图进行连接，最后为一层卷积核大小为1×1的卷积层，得到所有像素点的显著性值预测结果。

步骤3：将步骤2中的U-Net神经网络模型应用到步骤1所输入的可视化图片I_c，提取显著性特征后从U-Net神经网络的最后一层输出显著性值，其输出的显著图表示为V(I_c)，即为一个表示每个像素点的显著性值的矩阵，其大小为h*w。