Sistema de marcado de agua cero para imágenes digitales basados en redes neuronales
Palabras clave:
Marca de agua digital, redes neuronales profundas, protección intelectual, seguridad en imágenes.Resumen
La autenticación de imágenes se ha convertido en una necesidad primordial respuesta a la desenfrenada transferencia de información digital. En este contexto, este artículo presenta un enfoque para la protección de imágenes digitales sin distorsiones. El método propuesto se basa en la extracción de un mapa de características mediante el uso de una red neuronal profunda, la cual consta de dos ramas, una para la clasificación de la marca de agua y otra para la extracción de características. Este modelo de red neuronal comparte pesos entre las ramas ya que la marca de agua mantiene características de la imagen, por lo tanto, permite aumentar la eficiencia del sistema. El uso de un modelo neuronal para la selección de características permite generar un aprendizaje de características específicos de cada imagen, detectándolas sin importar si la imagen ha sido distorsionada. Posteriormente, el mapa de características se combina con la marca de agua del usuario, la cual se genera a partir de la detección de los bordes de la imagen, creando así una estego-imagen única. Para evaluar la robustez de la marca de agua generada, se realizaron una serie de pruebas ante diferentes tipos de ataques geométricos, como traslación, rotación, escalamiento y recorte, así como procesamientos avanzados de imágenes, como compresión JPEG, filtrado y adición de ruido. Para evaluar la eficiencia se usaron tres métricas principales: el promedio de bits erróneos (BER), la correlación cruzada normalizada (NCC) y el índice de similitud estructural (SSIM). Los resultados obtenidos demuestran que el método propuesto exhibe una notable robustez ante una variedad de ataques, lo que se refleja en los valores del BER promedio, que se sitúa alrededor de 0.0059, una alta NCC de 0.9936, así como un SSIM de 0.9195. Estos resultados resaltan la eficacia y la confiabilidad del enfoque propuesto en la protección y autenticación de imágenes digitales.
Referencias
[1] W. Wan, J. Wang, Y. Zhang, J. Li, H. Yu y J. Sun, “A comprehensive survey on robust image watermarking”, Neurocomputing, vol. 488, 2022, pp. 22-24, doi: https://doi.org/10.1016/j.neucom.2022.02.083.
[2] P. Aparna y P. V. V. Kishore, “A Blind Medical Image Watermarking for Secure E-Healthcare Application Using Crypto-Watermarking System”, Journal of Intelligent Systems, vol. 29, nº 1, pp. 1558-1575, 2020, doi: https://doi.org/10.1515/jisys-2018-0370.
[3] M. Magdy, N. Ghali, S. Ghoniemy y K. Hosny, “Multiple Zero-Watermarking of Medical Images for Internet of Medical Things”, IEEE Access, vol. 10, pp. 38821-38831, 2022, doi: https://doi.org/10.1109/ACCESS.2022.3165813.
[4] O. P. Singh, K. Singh y G. Srivasta, “Image watermarking using soft computing techniques”, Multimedia Tools and Applications, 2020, pp. 30367-30398, doi: https://doi.org/10.1007/s11042-020-09606-x.
[5] S. Xing, Z. Cheng, C. Y. Ji, J. Chen y L. Qi, “Remote Sensing Image Zero-Watermarking Algorithm Based on Bemd”, Journal of Physics: Conference Series, vol. 1865, 2021, doi: https://doi.org/10.1088/1742-6596/1865/4/042035.
[6] M. Abdullad, A. Ismail y A. Abubakar, "Imperceptibility Analysis for Watermaking Technique Based on Image Block Division Scheme," International Multi-Conference on Systems, Signals & Devices, Tunasia, 2021, doi: https://doi.org/10.1109/SSD52085.2021.9429305.
[7] N. Jimson y K. Hemachandran, "DFT Based Coefficient Exchange Digital Image Watermarking," in Conference on Intelligent 9omputing and Control Systems, Madurai, India, 2018, doi: https://doi.org/10.1109/ICCONS.2018.8663122.
[8] Y. Guanghui y Q. Hao, "Digital watermarking secure scheme for remote sensing image protection," China Communications, vol. 17, no. 4, pp. 88-98, 2020, doi: https://doi.org/10.23919/JCC.2020.04.009.
[9] Z. Yuan, D. Liu, X. Zhang, H. Wang y Q. Su, “DCT-based color digital image blind watermarking method with variable steps”, Multimedia Tools and Applications, vol. 2020 n° 79, pp. 30557–30581, 2020, doi: https://doi.org/10.1007/s11042-020-09499-w.
[10] B. Ram, “Digital Image Watermarking Technique Using Discrete Wavelet Transform and Discrete Cosine Transform”. SSRN, doi: http://dx.doi.org/10.2139/ssrn.4173742.
[11] M. Veni y T. Meyyappan, “Digital image Watermark embedding and extraction using oppositional fruit Fly algorithm”, Multimedia Tools and Applications, vol. (2019), n°78, pp. 27491–27510, 2019, doi: https://doi.org/10.1007/s11042-019-7650-0.
[12] L. Jing, Z. Sun, K. Chen, X. Wen y X. Cheng, “Remote Sensing Image Zero Watermarking Algorithm Based on DFT”, Journal of Physics: Conference Series, vol. 16865, 2021, doi: https://doi.org/10.1088/1742-6596/1865/4/042034.
[13] S. Xing, T. Y. Li y J. Liang, “A Zero-Watermark Hybrid Algorithm for Remote Sensing Image Based on DCT and DFT”, Journal of Physics: Conference Series, vol. 1952, 2021, doi: https://doi.org/10.1088/1742-6596/1952/2/022049.
[14] Y Fang, J. Liu, J. Li1, J. Cheng, J. Hu, D. Yi, X. Xia y U. A. Bhatti, “Robust zero-watermarking algorithm for medical images based on SIFT and Bandelet-DCT”, Multimedia Tools and Applications, vol. (2022), n° 81, pp. 16863–16879, doi: https://doi.org/10.1007/s11042-022-12592-x.
[15] D. Li, Y. Chen, J. Li, L. Cao, U. A. Bhatti y P. Zhang, “Robust watermarking algorithm for medical images based on accelerated-KAZE discrete cosine transform”, IET Biometrics, 2022, doi: https://doi.org/10.1049/bme2.12102.
[16] Q. Zhang, J. Lu y Y. Jin, “Artificial intelligence in recommender systems”, Complex & Intelligent Systems volume, vol. 7, 2021, p. 439–457, doi: https://doi.org/ 10.1007/s40747-020-00212-w.
[17] I. Hamamoto y M. Kawamura, “Image Watermarking Technique Using Embedder and Extractor Neural Networks”, IEICE Transactions on Information and Systems, Special Section on Enriched Multimedia - Making Multimedia More Convenient and Safer, vol. E102.D, nº 1, 2019, pp. 19-30, doi: https://doi.org/10.157/transinf.2018MUP0006.
[18] B. Han, J. Du, Y. Jia y H. Zhu, “Zer-Watermarking Algorithm for Medical Image Based on VGG19 Deep Convolutional Neural Network”, Journal of Healthcare Engineering, vol. 2021, doi: https://doi.org/10.1155/2021/5551520.
[19] C. Gong, J. Liu, M. Gong, J. Li, U. A. Bhatti y J. Ma, “Robust medical zero‐watermarking algorithm based on Residual DenseNet”, IET Biometrics, 2022, doi: https://doi.org/10.1049/bme2.12100.
[20] S. A. Nawaz, J. Li, M. U. Shoukat, U. A. Bhatti y M. A. Raza, “Hybrid medical image zero watermarking via discrete wavelet transform-ResNet101 and discrete cosine transform”, Computers and Electrical Engineering, n°112, vol. 108985, 2023, doi: https://doi.org/10.1016/j.compeleceng.2023.108985.
[21] T. Huang, J. Xu, S. Tu y B. Han, “Robust zero-watermarking scheme based on a depthwise overparameterized VGG network in healthcare information security”, Biomedical Signal Processing and Control, n° 81, vol. 104478, 2023, doi: https://doi.org/10.1016/j.bspc.2022.104478.
[22] D. Li, J. L, U. A. Bhatti, S. A. Nawaz, J. Liu, Y. W. Chen y L. Cao, “Hybrid Encrypted Watermarking Algorithm for Medical Images Based on DCT and Improved DarkNet53”, Electronics, n° 12, vol. 1554, 2023, doi: https://doi.org/10.3390/electronics12071554.
[23] F. Dong, J. Li, U. A. Bhatti, J. Liu, Y. W. Chen y D. Li, “Robust ZeroWatermarking Algorithm for Medical Images Based on Improved NasNet-Mobile and DCT”, Electronics, n° 12, vol. 3444, 2023, doi: https://doi.org/10.3390/electronics12163444
[24] A. N. Fierro, M. Nakano, M. Cedillo-Hernandez, L. Cleofas-Sanchez y H. M. Pérez, “A Robust Image Zero-watermarking using Convolutional Neurañ Networks, 2019 7th International Workshop on Biometrics and Forensics (IWBF), Cancun, Mexico, 2019, doi: 10.1109/IWBF.2019.8739245.
[25] X, Zhong, P-C. Huang, S. Mastorakis y F. Y. Shih, “Automatend and Robust Image Watermarking Scheme Based on Deep Neural Networks”, IEEE Transactions on Multimedia, vol 23, 2021, doi: 10.1109/TMM.2020.3006415.
[26] Y. Quan, H. Teng, Y. Chen y H. Ji, “Watermarking Deep Neural Networks in Image Processing”, IEEE Transactions on Neural Networks and Learning Systems, vol 32, n° 5, 2021, doi: 10.1109/TNNLS.2020.2991378.
[27] J. Fei, Z. Xia, B. Tondi, M. Barni, “Supervised GAN Watermarking for Intellectual Property Protection”.
[28] “Kaggle”. Available: https://www.kaggle.com/datasets/prasunroy/natural-images?resource=download. [Último acceso: 25 01 2023], Roy, Prasun, Ghoshm Subhankar Bhattacharya, Saumik and Pal,” Effects of Degradations on Deep Neural Network Architectures”, preprint arXiv:1807.10108, 2018.
[29] “Medical Segmentation Decathlon”, [En línea]. Available: http://medicaldecathlon.com/. [Último acceso: 24 07 2023]. Amber L. Simpson, Michela Antonelli, Spyridon Bakas, Michel Bilello, Keyvan Farahani, Bram van Ginneken, Annette Kopp-Schneider, Bennett A. Landman, Geert Litjens, Bjoern Menze, Olaf Ronneberger, Ronald M. Summers, Patrick Bilic, Patrick F. Christ, Richard K. G. Do, Marc Gollub, Jennifer Golia-Pernicka, Stephan H. Heckers, William R. Jarnagin, Maureen K. McHugo, Sandy Napel, Eugene Vorontsov, Lena Maier-Hein, M. Jorge Cardoso, “A large annotated medical image dataset for the development and evaluation of segmentation algorithm, 2019, doi: https://doi.org/10.48550/arXiv.1902.09063
[30] R. P. Naik, U. S. Acharya, S. Lal y P. Krishnan “Performance investigation of underwater wireless optical system for image transmission through the oceanic turbulent optical medium”, Optical and Quantum Electronics, vol. 54, n° 251, 2022, doi https://doi.org/10.1007/s11082-022-03611-0.
[31] L. Yu, S. Feng, B. Liang y X. Chen, "High-precision Solar Image Registration Using Normalized Cross-correlation and Intensity", 2021 40th Chinese Control Conference (CCC), Shanghai, China, pp. 3253-3257, 2021, doi: 10.23919/CCC52363.2021.9550094.
[32] A.N. Omara, Tarek M. Salem, Sherif Elsanadily, M.M. Elsherbini, “SSIM-based sparse image restoration”, Journal of King Saud University - Computer and Information Sciences, vol. 34, n° 8, Part B, pp. 6243-62542022, doi: https://doi.org/10.1016/j.jksuci.2021.07.024.
[33] M. Fullan, J. Quinn y J. McEachen, “Deep learning engage the world change the world”, Thousands Oaks, California: Corwin, 2018.
[34] M. Ekman, “Learning deep learning: Theory and practice of neural networks, computer vision, natural language processing, and transformers using tensorflow”, Boston: Nvidia, 2022.
[35] A. Krizhevsky, I. Sutskever, G. Hinton, “Imagenet classification with deep convolutional neural networks,” Communications of the ACM, vol. 60, nº 6, 2017, p. 84–90, doi: https://doi.org/10.1145/3065386.
[36] A. N. Fierro, M. Nakano, H. M. Pérez y K. Yanai, “Redes Convolucionales Siamesas y Tripletas para la Recuperación de Imágenes Similares en Contenido”, Información tecnológica, 2019, doi: http://dx.doi.org/10.4067/S0718-07642019000600243.
