基于DCT和DarkNet53特征融合的加密图像水印方法

技术领域

本发明涉及图像处理领域，特别是涉及一种基于DCT和DarkNet53特征融合的加密图像水印方法。

背景技术

随着人工智能的技术不断更新迭代，传统的医学领域已经向远程医疗不断发展，这就使得大量的医学信息需要在网络中传输和共享；其中就包含了大量的医学图像，但是在整个传输过程中，医学图像可能会遭到篡改和盗用等问题，为了解决这类问题需要对原始的医学图像进行处理，例如对医学图像进行加密。

数字水印技术是将一些标识信息(即数字水印)直接嵌入数字载体(包括多媒体、文档、软件等)当中，但不影响原载体的使用价值，也不容易被人的知觉系统(如视觉或听觉系统)觉察或注意到。数字水印是信息隐藏技术的一个重要研究方向，可以将信息隐藏在图像中。而目前对于加密医学图像的数字水印算法的研究较少，对于抗几何攻击的加密医学数据的零水印算法的研究成果更少。现有技术中，水印的嵌入和提取大多都是在未加密的载体图像完成，这使得水印的嵌入和提取必须由水印的所有者进行，不能由第三方处理，否则水印信息可能被泄露；另一方面，这也使得载体图像本身的信息容易泄露。

发明内容

有鉴于此，本发明的目的在于提供一种基于DCT和DarkNet53特征融合的加密图像水印方法，可以保证加密医学图像的安全传输，实现数字水印的抗传统攻击和抗几何攻击功能。其具体方案如下：

一种基于DCT和DarkNet53特征融合的加密图像水印方法，包括：

对加密医学图像进行DCT变换，提取所述加密医学图像的第一特征向量；

将所述加密医学图像作为DarkNet53深度网络的输入图像，并对所述DarkNet53深度网络进行前向传播，输出设定个数特征值，并对所述特征值进行DCT变换，提取所述加密医学图像的第二特征向量；

根据所述加密医学图像的第一特征向量和第二特征向量，组成所述加密医学图像的特征向量集；

将所述加密医学图像的特征向量集分别与混沌加密水印逐位进行异或运算，以将水印信息嵌入至所述加密医学图像中。

优选地，在本发明实施例提供的上述加密图像水印方法中，在对加密医学图像进行DCT变换之前，还包括：

利用DCT算法结合Tent序列对原始医学图像进行变换域加密，得到所述加密医学图像。

优选地，在本发明实施例提供的上述加密图像水印方法中，在将所述加密医学图像作为DarkNet53深度网络的输入图像之前，还包括：

对所述加密医学图像进行数据增强，以生成训练集；

对所述训练集进行DCT变换，得到设定位数的特征向量作为所述训练集的标签；

构建DarkNet53深度网络；

在所述训练集上对所述DarkNet53深度网络进行训练。

优选地，在本发明实施例提供的上述加密图像水印方法中，对所述训练集进行DCT变换，得到设定位数的特征向量，包括：

对所述训练集进行DCT变换，得到DCT系数矩阵；

选取DCT系数矩阵的左上角8×16区域的数值，并进行二值化，得到128位的特征向量。

优选地，在本发明实施例提供的上述加密图像水印方法中，在构建DarkNet53深度网络的过程中，包括：

去除所述DarkNet53深度网络的Softmax层和分类层，并增加一个输出为设定个数特征值的全连接层，以及在所述全连接层后面接上一个回归输出层。

优选地，在本发明实施例提供的上述加密图像水印方法中，提取所述加密医学图像的第一特征向量，包括：

选取DCT变换后的32位低频部分作为所述加密医学图像的第一特征向量。

优选地，在本发明实施例提供的上述加密图像水印方法中，在将所述加密医学图像的特征向量集分别与混沌加密水印逐位进行异或运算之前，还包括：

生成混沌序列；

利用所述混沌序列通过哈希函数生成二值序列；

按照所述二值序列的顺序对原始水印的位置空间进行异或置乱，得到所述混沌加密水印。

优选地，在本发明实施例提供的上述加密图像水印方法中，将水印信息嵌入至所述加密医学图像中的同时，还包括：

生成两个逻辑密钥；

对待测加密医学图像进行特征提取，得到所述待测加密医学图像的特征向量集；

将所述待测加密医学图像的特征向量分别与各所述逻辑密钥进行异或运算，提取出两个加密水印。

优选地，在本发明实施例提供的上述加密图像水印方法中，对待测加密医学图像进行特征提取，得到所述待测加密医学图像的特征向量集，包括：

对待测加密医学图像进行DCT变换，提取所述待测加密医学图像的第一特征向量；

将所述待测加密医学图像作为所述DarkNet53深度网络的输入图像，并对所述DarkNet53深度网络进行前向传播，输出设定个数特征值并进行DCT变换，提取所述待测加密医学图像的第二特征向量；

根据所述待测加密医学图像的第一特征向量和第二特征向量，组成所述待测加密医学图像的特征向量集。

优选地，在本发明实施例提供的上述加密图像水印方法中，在提取出两个加密水印之后，还包括：

按照所述二值序列的顺序对提取出的两个所述加密水印分别与所述二值序列进行异或远算，得到两个还原水印；

分别计算所述原始水印和两个所述还原水印的相关系数；

将计算出的两个所述相关系数进行大小比较，输出大的所述相关系数和对应的所述还原水印，以确定所述加密医学图像的所有权和嵌入的水印信息。

从上述技术方案可以看出，本发明所提供的一种基于DCT和DarkNet53特征融合的加密图像水印方法，包括：对加密医学图像进行DCT变换，提取加密医学图像的第一特征向量；将加密医学图像作为DarkNet53深度网络的输入图像，并对DarkNet53深度网络进行前向传播，输出设定个数特征值，并对特征值进行DCT变换，提取加密医学图像的第二特征向量；根据加密医学图像的第一特征向量和第二特征向量，组成加密医学图像的特征向量集；将加密医学图像的特征向量集分别与混沌加密水印逐位进行异或运算，以将水印信息嵌入至加密医学图像中。

本发明提供的上述基于DCT和DarkNet53特征融合的加密图像水印方法，对加密医学图像作DCT变换得到第一特征向量，同时将加密医学图像作为DarkNet53深度网络的输入图像，对网络进行前向传播并对输出的特征值进行DCT变换得到第二特征向量，在此引入特征融合的思想将二者所提取的特征向量进行并行融合，弥补了单个算法的不足之处，最后分别与混沌加密水印逐位进行异或运算，可以将患者的个人信息隐藏在其加密医学图像中，以保证它在互联网上的安全传输，具有不可见性和鲁棒性，保护患者的隐私，并且可以实现数字水印的抗传统攻击和抗几何攻击功能，避免医学数据被篡改，从而实现远程医学诊断所需的相关患者信息。

附图说明

为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的基于DCT和DarkNet53特征融合的加密图像水印方法的流程图；

图2为本发明实施例提供的特征向量集生成流程示意图；

图3为本发明实施例提供的两张大脑原始图像和对应的加密图像；

图4为本发明实施例提供的两张腹盆原始图像和对应的加密图像；

图5为本发明实施例提供的两张骨肌原始图像和对应的加密图像；

图6为本发明实施例提供的两张结肠原始图像和对应的加密图像；

图7为本发明实施例提供的两张胸部原始图像和对应的加密图像；

图8为本发明实施例提供的密钥集生成过程示意图；

图9为本发明实施例提供的还原水印过程及取NC值的过程示意图；

图10为本发明实施例提供的原始医学图像；

图11为本发明实施例提供的加密医学图像；

图12为本发明实施例提供的原始水印图像；

图13为本发明实施例提供的混沌加密水印图像；

图14为本发明实施例提供的不加干扰时提取的水印；

图15为本发明实施例提供的高斯噪声干扰强度9％时的医学图像；

图16为本发明实施例提供的高斯噪声干扰强度9％时提取的水印；

图17为本发明实施例提供的压缩质量为20％的JPEG压缩的医学图像；

图18为本发明实施例提供的压缩质量为20％的JPEG压缩时提取的水印；

图19为本发明实施例提供的窗口大小为[5x5]，中值滤波20次后的医学图像；

图20为本发明实施例提供的窗口大小为[5x5]，中值滤波20次后提取的水印；

图21为本发明实施例提供的顺时旋转10°的医学图像；

图22为本发明实施例提供的顺时旋转10°提取的水印；

图23为本发明实施例提供的顺时旋转30°的医学图像；

图24为本发明实施例提供的顺时旋转30°提取的水印；

图25为本发明实施例提供的缩放因子为0.3时缩放后的医学图像；

图26为本发明实施例提供的缩放因子为0.5时提取的水印；

图27为本发明实施例提供的缩放因子为2时缩放后的医学图像；

图28为本发明实施例提供的缩放因子为2时提取的水印；

图29为本发明实施例提供的医学图像水平左移10％后的图像；

图30为本发明实施例提供的水平左移10％后提取的水印；

图31为本发明实施例提供的医学图像垂直上移10％后的图像；

图32为本发明实施例提供的垂直上移10％后提取的水印；

图33为本发明实施例提供的沿Y轴剪切10％后的医学图像；

图34为本发明实施例提供的沿Y轴剪切10％后提取的水印；

图35为本发明实施例提供的沿X轴剪切20％后的医学图像；

图36为本发明实施例提供的沿X轴剪切20％后提取的水印。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供一种基于DCT和DarkNet53特征融合的加密图像水印方法，如图1所示，包括以下步骤：

S101、对加密医学图像进行DCT变换，提取加密医学图像的第一特征向量；

在执行步骤S101对加密医学图像进行DCT变换之前，还可以包括：对原始医学图像进行加密，得到加密医学图像。具体地，如图2所示，可以利用DCT算法结合Tent序列对原始医学图像进行变换域加密，得到加密医学图像。原始医学图像可以是一个256*256像素大小的医学图像作为原始医学图像，记为I(i,j)，I(i,j)表示医学图像的像素灰度值。

在具体实施时，提取加密医学图像的第一特征向量，具体可以包括：选取DCT变换后的32位低频部分作为加密医学图像I(i,j)的第一特征向量V1(i,j)。

S102、将加密医学图像作为DarkNet53深度网络的输入图像，并对DarkNet53深度网络进行前向传播，输出设定个数特征值，并对特征值进行DCT变换，提取加密医学图像的第二特征向量；

在具体实施时，提取加密医学图像的第二特征向量，具体可以包括：选取DCT变换后的32位低频部分作为加密医学图像I(i,j)的第二特征向量V2(i,j)。

S103、根据加密医学图像的第一特征向量和第二特征向量，组成加密医学图像的特征向量集；

具体地，如图2所示，利用特征融合思想将生成的两个32位加密医学图像I(i,j)的特征向量并行放在一起，组成加密医学图像I(i,j)的特征向量集记为V1(i,j)和V2(i,j)。

S104、将加密医学图像的特征向量集分别与混沌加密水印逐位进行异或运算，以将水印信息嵌入至加密医学图像中。

需要说明的是，步骤S104的混沌加密水印BW(i,j)可以是原始水印进行加密得到的。原始水印可以是一个有意义的二值文本图像作为嵌入医学图像的水印，记为W＝{W(i,j)|W(i,j)＝0,1；1≤i≤M

在本发明实施例提供的上述加密图像水印方法中，对加密医学图像作DCT变换得到第一特征向量，同时将加密医学图像作为DarkNet53深度网络的输入图像，对网络进行前向传播并对输出的特征值进行DCT变换得到第二特征向量，在此引入特征融合的思想将二者所提取的特征向量进行并行融合，弥补了单个算法的不足之处，最后分别与混沌加密水印逐位进行异或运算，可以将患者的个人信息隐藏在其加密医学图像中，以保证它在互联网上的安全传输，具有不可见性和鲁棒性，保护患者的隐私，并且可以实现数字水印的抗传统攻击和抗几何攻击功能，避免医学数据被篡改，从而实现远程医学诊断所需的相关患者信息。

在具体实施时，在本发明实施例提供的上述加密图像水印方法中，在执行步骤S102将加密医学图像作为DarkNet53深度网络的输入图像之前，还可以包括：

步骤一、对加密医学图像进行数据增强，以生成训练集；

具体地，可以选择大脑、腹盆、骨肌、结肠和胸部五类医学图像各25张，将这125张医学图像进行加密得到125张加密医学图像，这250张图像的部分图如图3至图7所示。然后将这250张图像按照3：1：1的比例分为三份(250张图像混合在一起后，完全打乱)，作为原始训练图像、验证图像和测试图像。

对原始训练图像和验证图像总共200张图像进行数据增强，具体的增强操作如表一所示，这样一张图像经过数据增强就得到了新的63张图像，所以训练集为(63+1)×150＝9600张图像，验证集就有了(63+1)×50＝3200张图像，测试集还是50张图像，将这9600+3200+50＝12850张图像作为这次实验的数据集；

表一数据增强的具体实施操作

步骤二、对训练集进行DCT变换，得到设定位数的特征向量作为训练集的标签；

在具体实施时，上述步骤中对训练集进行DCT变换，得到设定位数的特征向量，具体可以包括：对训练集进行DCT变换，得到DCT系数矩阵；选取DCT系数矩阵的左上角8×16区域的数值，并进行二值化，得到128位的特征向量。验证集、测试集也可以进行相同的操作。将得到的128位特征向量作为数据集中对应图像的标签。较佳地，可以将数据集中12850张图像都调整成适应网络输入的256×256像素大小。

步骤三、构建DarkNet53深度网络；

在具体实施时，在构建DarkNet53深度网络的过程中，具体可以包括：去除DarkNet53深度网络的Softmax层和分类层，并增加一个输出为设定个数特征值的全连接层，以及在全连接层后面接上一个回归输出层。这样改动后的DarkNet53深度网络可以完成回归任务，具有很强大的学习能力和良好的抗几何攻击性能。其中，设定个数可以优选为128个。

步骤四、在训练集上对DarkNet53深度网络进行训练。

在具体实施时，在对DarkNet53深度网络进行训练的过程中，具体可以包括：首先将网络的1：84层的学习率设置为零，来“冻结”这些层的权重，在训练过程中已冻结层的参数不会更新；其次将训练的初始学习率设置为0.001，MiniBatchSize设置为30，Epochs设置为8；最后保存训练好的网络，以后就可以直接使用不需要再次训练。

本发明可对DarkNet53深度网络的最后几层做一些改动，使这个网络输出128个数值，然后在医学图像数据集上训练，训练完成后将加密医学图像作为DarkNet53深度网络的输入图像，并对网络的全连接层的128个输出特征值进行DCT。

在具体实施时，在本发明实施例提供的上述加密图像水印方法中，在执行步骤S104将加密医学图像的特征向量集分别与混沌加密水印逐位进行异或运算之前，还可以包括：根据初始值x0生成混沌序列X(j)，本发明可将混沌系数的初值设为0.2，生长参数为4，迭代次数为32；利用混沌序列X(j)通过哈希函数生成二值序列；按照二值序列的顺序对原始水印的位置空间进行异或置乱，得到混沌加密水印BW(i,j)。

在具体实施时，在本发明实施例提供的上述加密图像水印方法中，步骤S104将水印信息嵌入至加密医学图像中的同时，还可以包括：生成两个逻辑密钥；对待测加密医学图像进行特征提取，得到待测加密医学图像的特征向量集；将待测加密医学图像的特征向量分别与各逻辑密钥进行异或运算，提取出两个加密水印。

如图8所示，将加密医学图像的特征向量V1(i,j)、V2(i,j)分别和混沌加密水印BW(i,j)的每一行逐位进行异或运算，便可将水印嵌入到加密医学图像中，同时得到两个逻辑密钥Key1(i,j)、Key2(i,j)。保存Key1(i,j)、Key2(i,j)，这在后面提取水印时要用到。通过将Key1(i,j)、Key2(i,j)作为密钥向第三方申请，可以获得加密医学图像的所有权和使用权，从而达到保护加密医学图像的目的。

在具体实施时，在本发明实施例提供的上述加密图像水印方法中，上述步骤中对待测加密医学图像进行特征提取，得到待测加密医学图像的特征向量集，包括：对待测加密医学图像I'(i,j)进行DCT变换，提取待测加密医学图像I'(i,j)的第一特征向量V1'(i,j)；将待测加密医学图像I'(i,j)作为DarkNet53深度网络的输入图像，并对DarkNet53深度网络进行前向传播，输出设定个数特征值并进行DCT变换，提取待测加密医学图像I'(i,j)的第二特征向量V2'(i,j)；根据待测加密医学图像I'(i,j)的第一特征向量V1'(i,j)和第二特征向量V2'(i,j)，组成待测加密医学图像I'(i,j)的特征向量集V1'(i,j)、V2'(i,j)。即待测加密医学图像I'(i,j)的特征向量集V1'(i,j)、V2'(i,j)的获取方式和加密医学图像I(i,j)的特征向量集V1(i,j)、V2(i,j)的获取方式可以是相同的。

之后，将待测图像的特征向量V1(i,j)、V2(i,j)和逻辑密钥Key1(i,j)、Key2(i,j)的每一行进行异或运算，便提取出加密的水印BW1'(i,j)、BW2'(i,j)；

该算法在提取水印时只需要密钥Key1(i,j)、Key2(i,j)，不需要原始图像参与，是一种零水印提取算法。

进一步地，在具体实施时，在本发明实施例提供的上述加密图像水印方法中，在提取出两个加密水印之后，还可以包括：利用和水印加密同样的方法，得到相同的二值序列；按照二值序列的顺序对提取出的两个加密水印BW1'(i,j)、BW2'(i,j)分别与二值序列进行异或远算，得到两个还原水印W1'(i,j)、W2'(i,j)；分别计算原始水印W(i,j)和两个还原水印W1'(i,j)、W2'(i,j)的相关系数NC1和NC2；将计算出的两个相关系数NC1和NC2进行大小比较，输出大的相关系数Max{NC1、NC2}和对应的还原水印，具体过程如图9所示。通过Max{NC1、NC2}＝NC值可确定出加密医学图像的所有权和嵌入的水印信息。

具体地，采用归一化互相关(Normalized Cross-correlation,NC)方法测量嵌入的原始水印与提取的还原水印之间的数量相似性，定义为：

其中，归一化相关系数是对两幅图像进行相似度衡量的一种方法，通过求归一化相关系数可以更加精确地用数据来客观评估图像的相似度。

下面对本发明实施例提供的上述加密图像水印方法作进一步说明，实验测试的对象是图10示出的256×256像素大小的原始医学图像。首先将这张原始医学图像进行加密，图11示出了加密医学图像。然后选择一个有意义的二值图像作为原始水印，记为：W＝{w(i,j)|w(i,j)＝0,1；1≤i≤M1,1≤j≤M2}，见图12，这里水印的大小为32×32。

将加密医学图像作为训练好的DarkNet53深度网络的输入图像，经过前向传播后，取网络的全连接层128个输出结果进行DCT，选取DCT后的低频32位特征向量，同时，对该加密医学图像进行DCT，同样选取低频部分32位特征向量，再引入特征融合的思想和利用哈希函数分别生成32位加密医学图像的特征二值序列集作为图像的特征向量集。设置混沌系数的初始值为0.2，增长参数是4，迭代次数是32。然后对原始水印进行混沌加密，图13示出了混沌加密水印。通过水印算法检测出W'(i,j)后，本发明通过计算归一化相关系数NC来判断是否有水印嵌入，当其数值越接近1时，则相似度越高，从而判断算法的鲁棒性。用PSNR表示的图片的失真程度，当PSNR值越大，图片的失真度越小。

图14是不加干扰时提取的水印，可以看到NC＝1.00，可以准确得提取水印。

下面本发明通过具体实验来判断该数字水印方法的抗几何攻击和常规攻击的能力。

表二是水印抗高斯噪声干扰的实验数据。从表二中可以看到，当高斯噪声强度高达13％时，攻击之后的图像的PSNR降至11.41dB，这时提取的水印，相关系数NC＝0.62，仍能准确得提取水印，并且整体数据均在0.6以上。这说明采用该发明可以抗高斯噪声。

图15是高斯噪声强度9％时的医学图像，在视觉上与原始加密医学图像已有明显差别；

图16是高斯噪声强度9％时提取的水印，NC＝0.79

表二水印抗高斯噪声干扰数据

采用图像压缩质量百分数作为参数对腹部医学图像进行JPEG压缩；表三为水印抗JPEG压缩的实验数据。当压缩质量为5％，这时图像质量较低，仍然可以提取出水印，NC＝0.88。

图17是压缩质量为20％的医学图像；

图18是压缩质量为20％提取的水印，NC＝0.88。

表三水印抗JPEG压缩实验数据

表四为水印抗中值滤波攻击实验数据。从表四中可以看到当图像中值滤波[7*7]，滤波次数20次时，NC＝0.88，仍然可以提取水印。

图19是均值滤波[5*5]20次的医学图像；

图20是均值滤波[5*5]20次提取的水印，NC＝0.88。

表四水印抗中值滤波实验数据

表五为水印抗旋转攻击实验数据。从表五中可以看到当图像顺时旋转40°时，NC＝0.62，仍然可以提取水印。

图21是顺时旋转10°的加密医学图像；

图22是顺时旋转10°提取的水印，NC＝0.81，可以准确地提取水印。

图23是顺时旋转30°的加密医学图像；

图24是顺时旋转30°提取的水印，NC＝0.79，可以准确地提取水印。

表五水印抗旋转攻击实验数据

表六为医学图像的水印抗缩放攻击实验数据，从表六可以看到当缩放因子小至0.3时，相关系数NC＝0.88，可提取出水印。

图25是缩放后的医学图像(缩放因子为0.3)；

图26是缩放攻击后提取的水印，NC＝0.88，可以准确得提取出水印。

图27是缩放后的医学图像(缩放因子为2)；

图28是缩放攻击后提取的水印，NC＝1，可以准确得提取出水印。

表六水印抗缩放攻击实验数据

表七是水印抗平移变换实验数据。从表七中得知图像数据水平和垂直移动到25％时，NC值都高于0.5，可以准确提取水印，故该水印方法有较强的抗平移变换能力。

图29是医学图像水平左移10％后的图像；

图30是水平移动10％后提取的水印，可以准确提取水印，NC＝0.71。

图31是医学图像垂直下移30％后的图像；

图32是垂直上移10％后提取的水印，可以准确提取水印，NC＝0.89。

表七水印抗平移变换实验数据

表八为水印抗剪切攻击实验数据，从表八中可以看到，当沿坐标轴Y剪切医学图像，剪切量为30％时，NC＝0.64，沿坐标轴X剪切医学图像，剪切量为13％时，NC＝0.71，仍然可以提取水印，说明该水印算法有较强的抗剪切攻击能力。

图33是沿Y轴剪切10％后的医学图像；

图34是沿Y轴剪切10％后提取的水印，可以准确得提取水印，NC＝0.89。

图35是沿X轴剪切20％后的医学图像；

图36是沿X轴剪切20％后提取的水印，可以准确得提取水印，NC＝0.79。

表八水印抗剪切攻击实验数据

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的基于DCT和DarkNet53特征融合的加密图像水印方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。