一种基于深度学习模型的图像水印方法技术

本发明专利技术公开了一种基于深度学习模型的图像水印方法，属于数字水印技术领域，一种基于深度学习模型的图像水印方法，本方案模型训练和实际的水印嵌入与提取两个阶段，在模型训练阶段，首先建立训练数据集，包括载体图像与水印图像，然后将训练数据输入至深度学习模型中进行模型训练，并从训练好的模型中提取分别用于水印嵌入和水印提取的两个子模型，在实际的水印嵌入与提取阶段，水印嵌入是将载体图像和水印图像输入至预训练好的水印嵌入子模型中，输出嵌入水印的图像，水印提取是将已嵌入水印的图像输入至预训练好的水印提取子模型中，得到嵌入的水印数据，该方法无需复杂的算法设计即能够根据需要增加水印系统的鲁棒能力。即能够根据需要增加水印系统的鲁棒能力。即能够根据需要增加水印系统的鲁棒能力。

【技术实现步骤摘要】
一种基于深度学习模型的图像水印方法


[0001]本专利技术涉及数字水印
，更具体地说，涉及一种基于深度学习模型的图像水印方法。

技术介绍

[0002]数字水印将特定的数字信号嵌入数字产品中保护数字产品版权或完整性的技术，数字水印根据应用领域可分为：1、鲁棒水印，通常用于数字化图像、视频、音频或电子文档的版权保护，将代表版权人身份的特定信息，如一段文字、标识、序列号等按某种方式嵌入在数字产品中，在发生版权纠纷时，通过相应的算法提取出数字水印，从而验证版权的归属，确保著作权人的合法利益，避免非法盗版的威胁，2、易损水印，又称脆弱水印，通常用于数据完整性保护，当数据内容发生改变时，易损水印会发生相应的改变，从而可鉴定数据是否完整，3、标注水印，通常用于标示数据内容。
[0003]在互联网技术飞速发展的时代，网络中的图像数据每天都面临着版权侵犯的问题，以往，比较常见的做法是在图像中添加一个显性的数字水印，以用来声明图像的版权出处，然而这种水印的添加方法并不安全，即便是添加一个非常复杂的水印，仍然可以很轻易地通过PS或其他软件进行篡改或破坏本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习模型的图像水印方法，其特征在于：包括以下步骤：S1、深度学习模型训练，包括：1、创建训练数据集，其中包含待嵌入水印的原始载体图像以及待嵌入的水印图像；2、将载体图像与水印图像输入至深度学习模型中进行模型训练；3、分别从训练好的模型中提取出用于水印嵌入和水印提取两个部分的子模型；S2、水印嵌入与提取，包括：1、将新的载体图像与水印图像作为输入，输入至模型训练过程中得到的水印嵌入子模型中，输出嵌入水印后的图像；2、将嵌入水印后的图像，输入至模型训练过程中得到的水印提取子模型中，输出从中提取的水印图像。2.根据权利要求1中所述的深度学习模型训练，其特征在于：包括深度学习模型由以下三个部分组成：1、Encoder编码层：由数组卷积层、反卷积层组成，同时通过复制与扩充手段实现模型输入中水印图像数据和载体图像数据的合并，编码层最终输出嵌入水印后的载体图像，模型训练结束后，此部分将被提取为水印嵌入子模型；2、NoiseLayer噪声层：经过噪声层的数据将随机进行某种图像变换操作，包括图像旋转、图像缩放、图像JPEG压缩、高斯噪声添加、椒盐噪声添加、图像随机涂抹、图像随机裁剪等，以此可为模型增加相应的图像攻击的鲁棒能力；3、Decoder解码层：首先进行卷积层下采样，再经过全局平均池化和全连接层，解码层的输入是经过噪声层的已嵌入水印的载体图像，最终输出为嵌入至载体图像中的水印数据，模型训练结束后，此部分将被提取为水印提取子模型。3.根据权利要求1所述的一种基于深度学习模型的图像水印方法，其特征在于：所述深度学习模型的损失函数为：在最大化辨别器损失的前提下，最小化其中：1、是以原始载体图像与Encoder编码层输出的偏差作为损失函数一：其中I
ori
表示原始载体图像，I
en
表示嵌入水印后的图像，C、H、W分别为图像的通道数、高和宽；2、是水印图像与Decoder提取的水印图像偏差作为损失函数二：其中M
out
为Decoder提取的水印图像，M
in
为原始输入的水印图像，L为水印图像中的编码长度；3、是通过对抗性训练的方法，增加一个判别器，辨别嵌入水印后的图像是否受到了图像攻击，以作为损失函数三，该损失函数的设计主要目的是提升隐形水印的不可见能力。
4.根据权利要求1所述的一种基于深度学习模型的图像水印方法，其特征在于：所述水印嵌入和水印提取部分的子模型分别来自于深度学习模型中的Encode...

【专利技术属性】
技术研发人员：叶海亮，
申请(专利权)人：南京英诺森软件科技有限公司，
类型：发明
国别省市：