[发明专利]一种基于深度学习的鲁棒图像水印嵌入与提取方法及系统

权利要求书

1.一种基于深度学习的鲁棒图像水印嵌入与提取方法，其特征在于，所述鲁棒图像水印方法包括以下步骤：

步骤1：采集图像数据，并将其分为训练集和测试集；

步骤2:对步骤1中训练集的图像进行重采样与封装，得到载体图像向量；

步骤3:随机生成0-1比特串向量作为待嵌入的水印向量并将其与步骤2得到的载体图像向量一起输入到水印嵌入网络中，实现水印的嵌入输出水印图像，并计算水印图像失真损失ImgLoss；

步骤4:将步骤3得到的水印图像经过噪声层模拟的水印攻击后转化为有损水印图像；

步骤5:将步骤4中的有损水印图像输入水印提取网络中，提取出水印信息；计算步骤3中待嵌入的水印向量和本步骤提取的水印信息之间的差异，记为水印信息提取损失MsgLoss；

步骤6:将步骤2的载体图像向量与步骤3得到的水印图像输入判别器，计算得到它们之间的差别DLoss；

步骤7：从测试集中随机抽选若干图像作为载体图像，使用步骤2至步骤5的水印嵌入与水印信息提取方法，生成测试集的待嵌入水印向量、载体图像向量、水印图像以及提取的水印信息后，计算测试集水印的鲁棒性以及测试集水印图像的不可感知性；

步骤8:利用ImgLoss,MsgLoss以及DLoss计算整体损失并调整水印嵌入网络、水印提取网络以及判别器的参数；重复步骤3至步骤8，直到步骤7中测试集水印的鲁棒性小于其相对应阈值以及水印图像的不可感知性大于其相应的阈值，完成训练；

步骤9：使用训练好的水印嵌入网络完成向载体图像中嵌入水印向量；使用训练好的水印提取网络完成对待提取水印图像水印信息的提取。

2.根据权利要求1所述的鲁棒图像水印嵌入与提取方法，其特征在于：

在所述步骤1中，训练集中数据的个数与测试集数据个数比值至少为7：3。

3.根据权利要求2所述的鲁棒图像水印嵌入与提取方法，其特征在于：

在所述步骤2中，从训练集中随机抽选batch_size张图像作为载体图像，将载体图像的尺寸重采样到vector_size*vector_size，将图像像素值从[0,255]等比例压缩到[0,1]，再封装成维度为batch_size*vector_size*vector_size*3的载体图像向量。

4.根据权利要求3所述的鲁棒图像水印嵌入与提取方法，其特征在于：

所述步骤3包括以下内容：

步骤301：将待嵌入的水印向量通过一层全连接层变为长度为one_dim的一维向量，接着将该一维向量经过矩阵变换操作调整为reshape*reshape*3的向量，对该reshape*reshape*3向量经过上采样操作后维度变为vector_size*vector_size*3的水印向量；

步骤302：将输入的载体图像向量和步骤301中vector_size*vector_size*3的水印向量按最后一维拼接成维度为vector_size*vector_size*6的向量；

步骤303:将步骤302中vector_size*vector_size*6的向量经过水印嵌入网络处理后输出vector_size*vector_size*3的向量，代表残差图像；

步骤304：将步骤303得到的残差图像和载体图像向量相加后对各个通道的元素值截断于区间[0,1]，截断后的vector_size*vector_size*3向量即为水印图像；通道元素值截断的方法是将所有在区间(-∞,0]的元素值算为0，所有在区间[1,∞)算为1；

步骤305：使用L2损失和LPIPS模型度量载体图像向量和步骤304生成的水印图像之间的相似性差异，ImgLoss即为L2损失和LPIPS值的和；

L2损失的计算公式如下：

其中，L2_loss为L2损失，I是载体图像，I(i,j)是I在第(i,j)位置上的像素值，I_W是水印图像，I_W(i,j)是I_W在第(i,j)位置上的像素值，W和H分别是图像的宽和高；

LPIPS是一种神经网络模型，用于计算两张图像的相似度。