[发明专利]基于卷积神经网络去噪思想的数字水印攻击方法及系统

说明书

本公开提供了一种基于卷积神经网络去噪思想的数字水印攻击方法及系统，包括以下步骤：获取含水印图像；对获取的含水印图像预处理，得到含水印含噪声图像；将得到的含水印含噪声图像输入到预设的卷积神经网络模型中，得到去噪图像；计算去噪图像与含水印图像的相似程度，判断嵌入水印的受攻击程度；其中，所获取的含水印图像是基于极谐‑傅里叶矩在图像中嵌入水印。本公开将深度学习中的卷积神经网络运用在数字水印攻击领域，借助于卷积神经网络对图像优越的复原能力，在图像复原的同时有效去除图像中嵌入的鲁棒水印，以达到在有效攻击含鲁棒水印图像的同时高度保持图像细节部分，使得图像失真程度最低。

技术领域

本公开属于数字水印技术领域，具体涉及一种基于卷积神经网络去噪思想的数字水印攻击方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

数字水印技术为当今的版权保护、数据监控和数据跟踪等方面提供了有效保护并得到了广泛应用。伴随数字水印技术衍生而来的水印攻击技术却停滞不前，水印攻击技术目的是破坏水印的提取或衡量水印算法的鲁棒性，二者相辅相成，但其发展程度却不相匹配，当前对水印攻击技术的研究仍处于停滞不前的状态，双方的发展已严重失衡。如今随着人工智能、深度学习、神经网络的快速发展，其强大的学习、图像重构能力为水印攻击技术提供了新的思路及发展方向。

传统水印攻击方法旨在破坏含水印图像中的数字水印信息，却无法保证受攻击后含水印图像的质量，视觉可见纹理细节等损失严重，无法在有效去除水印信息的同时保持图像的高度不可感知性；即大部分传统数字水印攻击鲁棒水印方法存在着较大的局限性，无法保证在去除含水印图像中鲁棒数字水印信息的同时保留图像的细节。

发明内容

为了解决上述问题，本公开提出了一种基于卷积神经网络去噪思想的数字水印攻击方法及系统，借助于卷积神经网络对图像优越的复原能力，在图像复原的同时有效去除图像中嵌入的鲁棒水印，以达到在有效攻击含鲁棒水印图像的同时高度保持图像细节部分，使得图像失真程度最低。

根据一些实施例，本公开的第一方案提供了一种基于卷积神经网络去噪思想的数字水印攻击方法，采用如下技术方案：

一种基于卷积神经网络去噪思想的数字水印攻击方法，包括以下步骤：

获取含水印图像；

对获取的含水印图像预处理，得到含水印含噪声图像；

将得到的含水印含噪声图像输入到预设的卷积神经网络模型中，得到去噪图像；

计算去噪图像与含水印图像的相似程度，判断嵌入水印的受攻击程度；

其中，所获取的含水印图像是基于极谐-傅里叶矩在图像中嵌入水印。

作为进一步的技术限定，所述基于极谐-傅里叶矩在图像中嵌入水印，具体过程为：

计算原始图像的极谐-傅里叶矩，选择适合嵌入水印的鲁棒极谐-傅里叶矩图像，对所选的极谐-傅里叶矩图像进行幅值量化；

在所选的极谐-傅里叶矩图像中嵌入水印，得到含水印的极谐-傅里叶矩图像；

对得到的含水印的极谐-傅里叶矩图像进行重构，将重构后的含水印的极谐-傅里叶矩图像与幅值量化后的极谐-傅里叶矩图像进行结合，得到含水印图像。

作为进一步的技术限定，所述对获取的含水印图像预处理的过程中，对含水印图像添加随机噪声，得到含水印含噪声图像的数据集。

进一步的，将预处理后所得到的含水印含噪声图像的数据集作为卷积神经网络的输入端，经卷积神经网络模型的训练得到与所述含水印含噪声图像同尺寸的残差特征图像，将含水印含噪声图像与残差特征特向作差得到去噪图像。