[发明专利]不可见水印图像、后门攻击模型构建、分类方法及系统

权利要求书

1.一种不可见水印图像的构建方法，其特征在于，包括：

步骤1，获取原始图像和水印图像；

步骤2，对所述原始图像进行Haar离散小波变化，得到原始图像的低频信息矩阵、水平高频信息矩阵、垂直高频信息矩阵和对角高频信息矩阵；

步骤3，对步骤2所述的低频信息矩阵进行分块离散余弦变化，得到多个低频信息矩阵；

步骤4，对所述的水印图像进行加密得到加密后的水印图像，采取奇异值分解的水印算法，将所述加密后的水印图像嵌入步骤3中多个低频信息矩阵中，进行分块离散余弦逆变换，得到嵌入水印低频信息矩阵；

步骤5，将步骤4的嵌入水印低频信息矩阵、步骤2中所述的水平高频信息矩阵、垂直高频信息矩阵和对角高频信息矩阵进行Haar离散逆小波变化，得到不可见水印图像。

2.根据权利要求1所述的不可见水印图像的构建方法，其特征在于，所述的水印图像的长×宽小于等于原始图像的长/4×原始图像的宽/4。

3.根据权利要求1所述的不可见水印图像的构建方法，其特征在于，步骤4中对所述的水印图像进行加密得到加密后的水印图像，包括采用随机种子数对所述水印图像进行重排序得到加密后的水印图像。

4.一种不可见水印的神经网络后门攻击模型的构建方法，其特征在于，包括以下步骤：

步骤1，获取原始图像数据集和不可见水印图像数据集，所述的不可见水印图像数据集中每一个不可见水印图像由权利要求1～3任一所述的不可见水印图像的构建方法构建得到；

步骤2，对所述原始图像数据集中的每一个原始图像加正确标签，对所述不可见水印图像数据集中的每一个不可见水印图像加目标攻击类标签；

步骤3，构建神经网络，将加入正确标签的原始图像数据集和加入目标攻击类标签的不可见水印图像数据集作为训练数据集，将对所述原始图像数据集加的正确标签和对所述不可见水印图像数据集加的目标攻击类标签作为标签集，采用交叉熵损失函数作为神经网络的目标函数，训练所述的神经网络，得到训练好的神经网络作为不可见水印的神经网络后门攻击模型。

5.根据权利要求4所述的不可见水印的神经网络后门攻击模型的构建方法，其特征在于，不可见水印图像数据集占训练数据集的百分比为20％～40％。

6.根据权利要求5所述的不可见水印的神经网络后门攻击模型的构建方法，其特征在于，所述不可见水印图像数据集占训练数据集的百分比为30％。

7.一种图像分类方法，其特征在于，包括：

获取待分类的图像数据，将待分类的图像数据输入至不可见水印的神经网络后门攻击模型中进行分类；

所述的不可见水印的神经网络后门攻击模型由权利要求4～6任一项所述的不可见水印的神经网络后门攻击模型的构建方法构建获得。

8.一种图像分类系统，其特征在于，包括相互连接的存储器和处理器，其中，所述存储器用于存储实现如权利要求7所述的图像分类方法的程序指令；

所述处理器用于执行所述存储器存储的所述程序指令。