基于深度学习分片式图像数字水印嵌入及解密方法及系统技术方案

本发明专利技术涉及一种基于深度学习分片式图像数字水印嵌入及解密方法及系统，该方法包括数字水印生成和数字水印解密两部分；数字水印生成是将原始图像均分为9等份，逐份输入到生成器和将要加密的信息共同生成由9等份小图像组成加密后的新图像，新图像大小为原始图像的二倍，但结构没有变化；数字水印解密是指将加密后的新图像再次均分为9等份，逐份解密加密信息，主要解决以往数字水印不能抗涂鸦、翻拍、裁剪和拉伸变换的问题，极大增强数字水印的稳定性，生成的数字水印难以被发现、破坏和篡改。能够嵌入更多的信息，为图像数字版权提供强大的技术保护支撑。

Embedding and decrypting method and system of digital watermark based on deep learning chip image

【技术实现步骤摘要】
基于深度学习分片式图像数字水印嵌入及解密方法及系统
本专利技术涉及图像处理领域，具体涉及一种基于深度学习分片式图像数字水印嵌入及解密方法。
技术介绍
数字水印是将一些标识信息（即数字水印）直接嵌入数字载体当中或是间接表示，且不影响原载体的使用价值，也不容易被探知和再次修改。但可以被生产方识别和辨认。通过这些隐藏在载体中的信息，可以达到确认内容创建者、购买者、传送隐秘信息或者判断载体是否被篡改等目的。图像数字水印要解决的就是图片加密的问题。现有的技术有基于传统图像算法小波变换进行的加密，这种方法能够嵌入的信息少（一般为8bit），鲁棒性差，图像稍微改动，水印就信息就会被破坏。有基于普通GAN做的嵌入，但鲁棒性也不高，不能应对裁剪、涂鸦、翻拍等场景，一旦出现这些情况，原始水印将会被破坏，原鉴别器不能鉴别出出水印。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于深度学习分片式图像数字水印嵌入及解密方法，主要解决以往数字水印不能抗涂鸦、翻拍、裁剪和拉伸变换的的问题，极大增强数字水印的稳定性，生成的数字水印难以被发现、破坏和篡改。能够嵌入更多的信息（16bit），为图像数字版权提供强大的技术保护支撑。本专利技术的目的是通过以下技术方案来实现的：一种基于深度学习分片式图像数字水印嵌入及解密方法，该方法包括数字水印生成和数字水印解密两部分；所述数字水印生成是将原始图像均分为9等份，逐份输入到生成器和将要加密的信息共同生成由9等份小图像组成加密后的新图像，新图像分辨率大小为原始图像的二倍，但色彩构成、纹理细节和亮度没有变化；所述数字水印解密是指将加密后的新图像再次均分为9等份，逐份解密加密信息。进一步的，所述数字水印解密中包括两种情况，当加密后的图像相对于原始图像没有拉伸、剪裁、翻盘的时候使用原始解密器解密，当原始解密器无法解密时则使用增强解密器解密。进一步的，所述数字水印生成的具体步骤为：S00：首先训练一个生成模块的生成模型，生成模型结构由生成对抗网络GAN，和一个辅助训练神经网络VGG构成，GAN主要由生成器和判别器两部分，VGG为ImageNet数据训练的深度特征提取模型；S01：将单张原始图像均分成9等份，每等份输入生成模块，经过上采样层，图大小变为输入图像的2倍；S02：将上采样的结构和随机生成的16位编码器共同输入第一个基础结构，基础结构为一种人工神经网络结构ResNet构成；S03：经过多个基础结构（ResNet），再经过编码器还原成RGB图像，新生成的图像大小为原始图像的2倍，生成结构的输出损失为值记为L_G；S04：将生成的图像和原始图像输入判别器，将判别器的输出结果做交差熵记为L_DS05：将生成的图像和和原始图像分别输入特征提取器VGG结构，将输出的特征结果做平方差，得到的结果记为L_F；S06：将L_G、L_D、L_F进行求和，和值作为回传梯度，反馈给生成器和判定器，生成器和判定器获得梯度值后，更新权重，更新权重后为新的生成结构；S07：将新生成的图片输入原始解码器，以随机生成的编码作为标签，用L1loss（目标变量和预测变量之间绝对差值之和，L1=|f(x)-Y|）作为其损失函数；S08：重复S01-S07，直到新生成得图像与原图结构上无明显差异，L_G和L_D的损失值都比较小（低于0.1）的时候，停止训练。进一步的，所述数字水印解密的具体步骤为：S09：将训练图像进行加密操作，加密后，将每一张均分成9等份经过随机变换，将变换后的图片与加密信息一一对应，构成新的数据集，记为增强型数据集；S10：将增强性数据集作为训练集，训练增强解密器；S11：增强后的数据以RGB的形式输入增强解码器，增强解密器的损失函数为L1loss，循环训练，直到ACC（accuracy，准确率：预测值相对于标签的准确率）大于等于0.95为止；S12：将任意加密后的图像输入解密器，解密器输出既为水印信息。进一步的，所述将要加密的信息是由数字编码器生产的数字编码。一种基于深度学习分片式图像数字水印嵌入及解密系统，该系统包括数字水印生成模块和数字水印解密模块；所述数字水印生成模块由一个CNN基础结构加编码结构构成，所述编码结构用于生成加密信息，所述CNN基础结构用于实现生成模型训练，其包括GAN和一个辅助训练神经网络VGG，GAN主要由生成器和判别器两部分，VGG为ImageNet数据训练的深度特征提取模型；所述数字水印解密模块包括原始解密器和增强解密器，原始解密器用于图像没有拉伸、裁剪、翻拍的时候解密，增强解密器用于原始解密器不能解出加密信息的时候。进一步的，所述将训练图像进行加密操作，加密后，将每一张均分成9等份经过随机变换，将变换后的图片与加密信息一一对应，构成新的数据集，记为增强型数据集，将增强性数据集作为训练集，训练所述增强解密器。进一步的，所述增强型数据集以RGB的形式输入增强解码器，增强解密器的损失函数为L1loss。循环训练，直到准确率ACC（actually）大于等于0.95为止。本专利技术的有益效果是：现有的技术有基于传统图像算法小波变换进行的加密，这种方法能够嵌入的信息少（一般为8bit），鲁棒性差，图像稍微改动，水印就信息就会被破坏。有基于普通GAN做的嵌入，但鲁棒性也不高，不能应对裁剪、涂鸦、翻拍等场景，一旦出现这些情况，原始水印将会被破坏，原鉴别器不能鉴别出出水印。通过用原始解密器训练的增强解密器，可以解决以往数字水印不能抗涂鸦、翻拍、裁剪和拉伸变换的的问题，极大增强数字水印的稳定性，生成的数字水印难以被发现、破坏和篡改。为了保持加密后得图像与原图质量和结构无明显变化，引入了特征提取辅助网络，让训练更加得稳定。能够嵌入的信息更多，为图像数字版权提供强大的技术保护支撑。附图说明图1为本专利技术顶层设计示意图；图2为加密生成器和原始解密器训练示意图；图3为增强解密器训练示意图。具体实施方式下面结合具体实施例进一步详细描述本专利技术的技术方案，但本专利技术的保护范围不局限于以下所述。一种基于深度学习分片式图像数字水印嵌入及解密方法，该方法包括数字水印生成和数字水印解密两部分；数字水印生成是将原始图像均分为9等份，逐份输入到生成器和将要加密的信息共同生成由9等份小图像组成加密后的新图像，新图像分辨率大小为原始图像的二倍，但结构没有变化；结构是指图像的色彩构成、纹理细节和亮度。数字水印解密是指将加密后的新图像再次均分为9等份，逐份解密加密信息。如图1所示，将原始图像和加密信息共同输入到数字水印生成模块中得到一个水印图像，然后在数字水印解密模块中进行解密，从而得出解密信息。作为一种优选实施例，数字水印解密中包括两种情况，当加密后的图像相对于原始图像没有拉伸、剪裁、翻盘的时候使用原始解密器解密，当原始解密器无法解密时则使用增强解密本文档来自技高网...

【技术保护点】
1.一种基于深度学习分片式图像数字水印嵌入及解密方法，其特征在于，该方法包括数字水印生成和数字水印解密两部分；/n所述数字水印生成是将原始图像均分为9等份，逐份输入到生成器和将要加密的信息共同生成由9等份小图像组成加密后的新图像，新图像分辨率大小为原始图像的二倍，但结构没有变化；/n所述数字水印解密是指将加密后的新图像再次均分为9等份，逐份解密加密信息。/n

【技术特征摘要】
1.一种基于深度学习分片式图像数字水印嵌入及解密方法，其特征在于，该方法包括数字水印生成和数字水印解密两部分；
所述数字水印生成是将原始图像均分为9等份，逐份输入到生成器和将要加密的信息共同生成由9等份小图像组成加密后的新图像，新图像分辨率大小为原始图像的二倍，但结构没有变化；
所述数字水印解密是指将加密后的新图像再次均分为9等份，逐份解密加密信息。


2.根据权利要求1所述的基于深度学习分片式图像数字水印嵌入及解密方法，其特征在于，所述数字水印解密中包括两种情况，当加密后的图像相对于原始图像没有拉伸、剪裁、翻盘的时候使用原始解密器解密，当原始解密器无法解密时则使用增强解密器解密。


3.根据权利要求2所述的基于深度学习分片式图像数字水印嵌入及解密方法，其特征在于，所述数字水印生成的具体步骤为：
S00：首先训练一个生成模块的生成模型，生成模型结构由GAN和一个辅助训练神经网络VGG构成，GAN主要由生成器和判别器两部分，VGG为ImageNet数据训练的深度特征提取模型；
S01：将单张原始图像均分成9等份，每等份输入生成模块，经过上采样层，图大小变为输入图像的2倍；
S02：将上采样的结构和随机生成的16位编码器共同输入第一个基础结构，基础结构为ResNet结构构成；
S03：经过多个基础结构，再经过编码器还原成RGB图像，新生成的图像大小为原始图像的2倍，生成结构的输出损失为值记为L_G；
S04：将生成的图像和原始图像输入判别器，将判别器的输出结果做交差熵记为L_D
S05：将生成的图像和和原始图像分别输入特征提取器VGG结构，将输出的特征结果做平方差，得到的结果记为L_F；
S06：将L_G、L_D、L_F进行求和，和值作为回传梯度，反馈给生成器和判定器，生成器和判定器获得梯度值后，更新权重，更新权重后为新的生成结构；
S07：将新生成的图片输入原始解码器，以随机生成的编码作为标签，用L1loss作为其损失函数；
S08：重复S01-S07，直到新生成得图像与原图结构上无明显差异，L_G和L_D的损失值都低于...

【专利技术属性】
技术研发人员：朱望，刘盾，张洋，袁渊，王世翔，
申请(专利权)人：成都华栖云科技有限公司，
类型：发明
国别省市：四川;51