[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

说明书

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，包括：1、采集图像数据分为训练集与测试集；2、得到载体图像向量；3、使用水印嵌入网络得到水印图像，计算水印图像失真损失；4、将水印图像转化为有损水印图像；5、将有损水印图像输入水印提取网络中，提取出水印信息并计算信息提取损失；6、将载体图像向量与水印图像输入一个判别器，计算其差别；7、使用测试集重复步骤2至5计算测试集水印的鲁棒性以及不可感知性；8、根据整体损失调整对应参数，重复步骤3至8，直到测试集水印的鲁棒性水印图像的不可感知性达到阈值，完成训练；9、使用训练好的网络进行水印嵌入与提取。本发明还公开了一个利用该方法的系统。

技术领域

本发明属于信息安全技术和深度学习领域，涉及一种基于神经网络的数字图像水印技术，具体是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。

背景技术

随着互联网和多媒体技术的快速发展以及社交网络的成熟，数字化数据的分享与传播都变得极其容易，给人们工作和生活娱乐带来了极大的便利，但非法复制、伪造、恶意篡改、非法传播等行为，严重侵害了数字产品所有者的合法权益，因此数字产品的版权保护是迫切需要解决的一个问题。数字水印技术是一种将特定的水印信息嵌入到数字图像、音频、视频、文本等载体中的一种技术，水印信息被融合到载体中随载体一起传输。数字图像水印技术是实现数字图像版权保护的一种有效手段，具有非常大的研究和应用价值。

数字水印技术根据其鲁棒性一般可分为：脆弱水印、半脆弱水印、鲁棒水印。脆弱水印不具备鲁棒性，当载体发生改变时，水印会发生相应的改变，通常用于数据完整性保护。鲁棒水印对于常见的图像处理具备鲁棒性，当水印图像受到一定的扰动后也能恢复其中的水印信息，是一种实现图像版权保护的有效方法。半脆弱水印的鲁棒性介于两者之间，主要应用于内容认证。

在传统图像鲁棒水印方法中，根据嵌入域不同一般可分为：

1)基于空域的鲁棒水印方法：主要是基于奇异值分解(Singular ValueDecomposition，SVD)来获得鲁棒性，对空域像素分块SVD分解后，将水印嵌入到奇异值矩阵中，相较于其他嵌入域方法鲁棒性较差。

2)基于变换域的鲁棒水印方法：其基本思想是将空域图像经过变换函数后再嵌入水印，常用的变换函数有离散余弦变换(Discrete Cosine Transform，DCT)、离散小波变换(Discrete Wavelet Transform，DWT)、离散傅里叶变换(Discrete Fourier Transform，DFT)等，为了获得鲁棒性一般选择比较稳定的变换域系数作为嵌入单元。

3)基于多重变换的鲁棒水印方法：有研究者发现，通过多重变换相结合的方式发挥各自的特性，以此提高水印的鲁棒性或不可感知性。常见的结合有DWT-SVD、DWT-DCT-SVD、DCT-DWT、DFT-DCT等，相较于单一嵌入域，此类方法的鲁棒性更好。

4)基于直方图鲁棒水印方法：其基本思想是利用直方图的统计信息作为嵌入域，直方图水印有2个性质：1)修改部分像素嵌入水印只与每个灰度像素点的计数有关，而与像素的位置无关2)遭受攻击的水印图像的直方图不受该图像中发生变化的像素的影响，包括像素的位置、值、个数。这两点称为直方图的不变性，此特性使基于直方图的水印方法具备较好的鲁棒性，但是嵌入容量比其他方法低很多。

近些年，基于深度学习的水印方法也得到关注，因为基于空域、基于变换域、基于多重变换的鲁棒水印方法实现的是分块最优嵌入，无法实现对整个图像的最优嵌入，而基于深度学习的方法可将整个图像作为嵌入域，利用端到端的学习优势，可以实现对整个图像的最优嵌入，还能消除传统方法的块效应问题。另外传统鲁棒水印方法的嵌入域是通用鲁棒嵌入域，不是针对某种攻击的最优鲁棒嵌入域，而基于深度学习的方法可以设计噪声层去模拟指定攻击类型，训练模型使其对该攻击具备鲁棒性，因此后者能够快速适应新型攻击，鲁棒性的泛化能力更好。

发明内容