[发明专利]一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法

权利要求书

1.一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法，其特性在于，包括：

使用编码器重构原始图像，生成含有水印的编码图像；

所述使用编码器重构原始图像包括，

从多尺度的上下文中学习纹理、细节特征，将DWI图像经过卷积模块与下采模块获得不同尺度的解码特征，水印嵌入模块将水印序列嵌入全尺度的解码特征中，并且通过调节每层嵌入因子来控制水印嵌入强度；

对所述编码图像添加噪声，生成噪声图像；

利用解码器从所述噪声图像中提取水印；

判别器缩小所述编码图像与原始图像的分布差距，使生成图像更加清晰。

2.如权利要求1所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法，其特征在于：所述控制水印嵌入强度包括，

所述嵌入因子为σ_i，当σ_i＝1时，水印的嵌入强度达到最大，鲁棒性最好，但重构图像的质量会受到一定的影响，当σ_i＝0时，表明不在该层嵌入水印，i＝1，2…N。

3.如权利要求1或2所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法，其特征在于：所述生成噪声图像包括，

利用通过金字塔滤波器并行提取表示不同范围的局部上下文的多尺度特征，拼接具有表达水印分布规律与水印信息的特征，并与原始特征融合，在训练过程中添加噪声，让网络学习噪声图与原图的像素分布相关，以此提取鲁棒的水印，对所述编码图像添加噪声攻击包括：旋转、像素替换、裁剪、高斯噪声以及JPEG压缩，并且利用旋转角度θ衡量旋转强度、裁剪像素与原图像素的占比p控制裁剪强度、替换像素与原图像素的占比q控制替换强度、高斯核宽度σ控制高斯噪声强度以及质量因子Q控制JPEG压缩强度来控制噪声攻击的强度。

4.如权利要求3所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法，其特征在于：所述控制噪声攻击的强度包括，

在噪声层中设定噪声攻击的强度范围，对图像随机添加噪声，每种噪声的范围不同，裁剪以及像素替换的范围都为[0.1，0.9]，高斯模糊的范围为[0，4]，JPEG压缩的范围为[0，100]，旋转的范围为[0，45]。

5.如权利要求4所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法，其特征在于：所述利用解码器从噪声图像中提取水印包括，

生成噪声图片后，在所述训练过程中加入深度监督算法，学习水印的层次表示，使用深度监督BCE损失函数，提高水印提取过程的直接性与透明性，其公式表示为：

其中：为初始值为1的变量，随着迭代次数逐渐减小至0，a为初值很小的常数，Len为水印信息长度，y_k为从解码器的第k个特征提取模块提取的水印，y为原始水印。

6.如权利要求5所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法，其特征在于：所述水印包括，

在水印嵌入与提取阶段的整个损失函数结合了以下不同的部分：

L_total＝ω₁L_sup-bce+ω₂L_percep+ω₃L_G

其中，ω_i，i＝1，2，3为平衡各损失函数的常数，L_G为对抗损失，

L_percep＝0.65L_percep(VGG₁)+0.3L_percep(VGG₂)+0.05L_percep(VGG₃)

其中：W_i、H_i分别表示VGG网络第i个模块的特征宽度、高度，B为Batch数量，F_i(y_w，h，b)、F_i(y`_w，h，b)分别为原始图像、重构图像在VGG网络的特征表示。