基于视觉感知的鲁棒图像的水印嵌入方法、水印嵌入网络构建方法、系统及存储介质技术方案

本申请涉及一种基于视觉感知的鲁棒图像的水印嵌入方法、水印嵌入网络构建方法、系统及存储介质，解决了当下的水印嵌入提取方法无法较好的兼顾水印的鲁棒性和不可见性，其包括获取原始图像信息及原始水印信息；根据原始图像信息以提取浅层特征图像信息及深层特征图像信息；分析对应的特征图像信息形成视觉掩码信息；对原始水印信息处理形成预处理水印信息；修正预处理水印信息以形成待嵌入水印信息；将浅层特征图像信息、深层特征图像信息以及待嵌入水印信息进行融合形成融合图像信息；将原始图像信息及融合图像信息输入残差结构生成最终图像信息。本申请通过视觉掩码能够调控水印的嵌入，进而兼顾水印的鲁棒性和不可见性。性。性。

【技术实现步骤摘要】
基于视觉感知的鲁棒图像的水印嵌入方法、水印嵌入网络构建方法、系统及存储介质


[0001]本申请涉及图像水印嵌入提取的
，尤其是涉及一种基于视觉感知的鲁棒图像的水印嵌入方法、水印嵌入网络构建方法、系统及存储介质。

技术介绍

[0002]数字图像水印技术是一种信息隐藏技术，即在接收端利用编码技术将数字水印嵌入至图像载体，在接收端利用解码技术从接收到的水印图像中提取完整水印以供验证。因此便引申出两个要求，一是嵌入水印时保证载体图像的视觉质量不受影响，二是提取水印时保证水印的完整性，即水印的不可见性和鲁棒性。而水印的鲁棒性和不可见性两者相互矛盾，即水印在提高鲁棒性的同时会在一定程度上损害水印的不可见性；在构建水印嵌入方法时，需要同时兼顾水印的鲁棒性和不可见性。
[0003]现有的水印方法可以大致分为传统的鲁棒水印方法和基于神经网络的鲁棒水印方法。在传统的鲁棒水印方法中，可依据水印嵌入位置分为空间域方法和变换域方法。基于神经网络的水印方法中，可分为早期的神经网络方法和深度学习的方法。
[0004]早期的神经网络技术主要有SVM(Support Vector Machine)、SVR(Support Vector Regression)、RBFNN(Radial Basic Function Neural Network)等，一般将此类神经网络技术主要应用于水印的某一部分，例如利用SVM区分图像的嵌入区域和非嵌入区域、训练SVR预测几何攻击并在水印提取时进行修正、训练RBFNN在DCT(Discrete Cosine Transform)域中选择合适的嵌入强度，进而达到平衡水印的鲁棒性和不可见性。虽然早期的神经网络方法较传统水印方法在一定程度上提高了水印的各项性能，但是此类方法在模型设计的时候需要用到大量的先验经验，且相关的图像特征需要人工的提取，而不准确的特征会影响模型的性能，所以此类的水印技术难以处理大量的图像。
[0005]在深度学习方法中，深度学习方法采用了一种端到端的框架。当前主流的深度学习网络有CNN(Convolutional Neural Networks)和GAN(Generative Adversarial Networks)，其中CNN在图像识别、图像分类等方向有很好的应用，而GAN网络在图像生成上更有优势；这种方式可以大大的简化模型设计的复杂性。现有的深度学习方法中，一种CNN对抗攻击网络，该方法利用噪声对抗攻击和信道编码的方式来提高水印的鲁棒性，但是该方法利用信道编码纠错的方式增加了嵌入水印的冗余性，会给图像水印的不可见性带来影响；另外，基于GAN提出一种高嵌入容量的数字图像隐写方法，但是这种方法只考虑嵌入容量和图像质量之间的关系，并不具有鲁棒性。
[0006]上述中的方案存在以下缺陷：基于深度学习方法，当下的水印嵌入提取方法无法较好的兼顾水印的鲁棒性和不可见性，导致水印嵌入提取过程存在一定的改进空间。

技术实现思路

[0007]为了同时兼顾较好的水印的鲁棒性和不可见性，本申请提供一种基于视觉感知的
鲁棒图像的水印嵌入方法、水印嵌入网络构建方法、系统及存储介质。
[0008]第一方面，本申请提供一种基于视觉感知的鲁棒图像的水印嵌入方法，采用如下的技术方案：一种基于视觉感知的鲁棒图像的水印嵌入方法，获取原始图像信息以及原始水印信息；根据原始图像信息以提取特征图像信息；所述特征图像信息包括浅层特征图像信息以及深层特征图像信息；分析特征图像信息中对应特征点的概率分布以形成视觉掩码信息；对原始水印信息进行空间复制的预处理方式以形成预处理水印信息；根据视觉掩码信息对预处理水印信息进行修正以形成待嵌入水印信息；将浅层特征图像信息、深层特征图像信息以及待嵌入水印信息进行图像融合以形成融合图像信息；将原始图像信息以及融合图像信息输入至所预设的残差结构以生成完成水印嵌入的最终图像信息。
[0009]通过采用上述技术方案，在水印的嵌入过程中，需要保证载体图像的图像质量不受影响，所以需要在不影响鲁棒性的前提下尽可能降低水印嵌入而对载体图像所带来的失真。在深度学习网络中，视觉感知对特殊的图像区域更加敏感，如高亮区域，纹理复杂区域等；在水印嵌入的过程中，通过将水印嵌入到合适的位置以保证图像质量的损失最小；通过提取出能代表图像内容的特征图像信息，并根据特征图像信息中每一个特征点的位置在各通道间的概率分布生成相关的视觉掩码信息。通过视觉掩码信息控制水印的嵌入，使嵌入水印的分布更加契合图像的内容；在进行图像融合过程中，由于浅层特征图像信息表示更泛化的图像信息，如边缘，纹理等细节信息，而深层特征图像信息更能代表图像，所以通过将浅层特征图像信息、深层特征图像信息、待嵌入水印信息融合，能够有效的提高图像质量，同时为了避免图像退化的现象，使用残差结构生成最终图像信息，即将融合图像信息覆盖在原始图像上，进一步提高图像质量。
[0010]优选的，关于根据原始图像信息以提取特征图像信息的具体方法如下：具体包括密集连接的四个卷积层，分别定义为第一卷积层、第二卷积层、第三卷积层以及第四卷积层；将原始图像信息输入第一卷积层以提取浅层特征图像信息；将浅层特征图像信息输入第二卷积层以形成第二提取图像信息；将浅层特征图像信息与第二提取图像信息进行concat连接再输入第三卷积层以形成第三提取图像信息；将浅层特征图像信息、第二提取图像信息以及第三提取图像信息进行concat连接再输入第四卷积层以形成深层特征图像信息。。
[0011]通过采用上述技术方案，在深度学习网络中，为了提高模型的性能，通常通过增加网络层数的方法来提升网络的深度，从而提取更加复杂的特征；但是随着网络层数的增加，网络退化的现象也会越来越严重，而其产生的原因是由于在训练过程中，梯度的反向传播导致误差积累。为了进一步优化深度学习网络，所以采用密集连接，将每一层之间进行相互连接，前面所有层的输出都将作为后一层的输入；通过建立前后层之间的密集连接，使得在
训练过程中更好地进行梯度的反向传播而尽可能降低网络退化现象出现的风险。通过各网络层之间的互相连接，实现了图像特征的复用，提高了特征的利用效率，通过更少的参数实现了更加优越的性能。
[0012]优选的，关于视觉掩码生成方法具体包括：获取深层特征图像信息；对深层特征图像信息进行降维处理以形成第一视觉图像信息；将第一视觉图像信息所对应的数值限制于所预设的阈值范围内以形成第二视觉图像信息；根据第二视觉图像信息以计算深层特征图像信息中特征点的概率分布情况以形成视觉掩码信息。
[0013]通过采用上述技术方案，对原始水印信息进行空间复制的预处理方式，形成大小为H
×
W
×
L的预处理水印信息；空间复制的预处理方式容易导致预处理水印信息产生许多不必要的冗余，即不会考虑图像的某一位置是否适合嵌入水印，进而导致生成的最终图像信息质量下降，为了尽可能解决这个问题，所以通过视觉掩码信息来调节空间复制的预处理方式而产生的冗余问题，进一步的降低了水印的不可见本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视觉感知的鲁棒图像的水印嵌入方法，其特征是：获取原始图像信息以及原始水印信息；根据原始图像信息以提取特征图像信息；所述特征图像信息包括浅层特征图像信息以及深层特征图像信息；分析特征图像信息中对应特征点的概率分布以形成视觉掩码信息；对原始水印信息进行空间复制的预处理方式以形成预处理水印信息；根据视觉掩码信息对预处理水印信息进行修正以形成待嵌入水印信息；将浅层特征图像信息、深层特征图像信息以及待嵌入水印信息进行图像融合以形成融合图像信息；将原始图像信息以及融合图像信息输入至所预设的残差结构以生成完成水印嵌入的最终图像信息。2.根据权利要求1所述的基于视觉感知的鲁棒图像的水印嵌入方法，其特征是：关于根据原始图像信息以提取特征图像信息的具体方法如下：具体包括密集连接的四个卷积层，分别定义为第一卷积层、第二卷积层、第三卷积层以及第四卷积层；将原始图像信息输入第一卷积层以提取浅层特征图像信息；将浅层特征图像信息输入第二卷积层以形成第二提取图像信息；将浅层特征图像信息与第二提取图像信息进行concat连接再输入第三卷积层以形成第三提取图像信息；将浅层特征图像信息、第二提取图像信息以及第三提取图像信息进行concat连接再输入第四卷积层以形成深层特征图像信息。3.根据权利要求1所述的基于视觉感知的鲁棒图像的水印嵌入方法，其特征是：关于视觉掩码生成方法具体包括：获取深层特征图像信息；对深层特征图像信息进行降维处理以形成第一视觉图像信息；将第一视觉图像信息所对应的数值限制于所预设的阈值范围内以形成第二视觉图像信息；根据第二视觉图像信息以计算深层特征图像信息中特征点的概率分布情况以形成视觉掩码信息。4.根据权利要求1所述的基于视觉感知的鲁棒图像的水印嵌入方法，其特征是：关于视觉掩码生成方法具体包括：获取浅层特征图像信息；对浅层特征图像信息进行降维处理以形成第三视觉图像信息；将第三视觉图像信息所对应的数值限制于所预设的阈值范围内以形成第四视觉图像信息；根据第四视觉图像信息以计算深层特征图像信息中特征点的概率分布情况以形成浅层视觉掩码信息；获取深层特征图像信息；对深层特征图像信息进行降维处理以形成第五视觉图像信息；
将第五视觉图像信息所对应的数值限制于所预设的阈值范围内以形成第六视觉图像信息；根据第六视觉图像信息以计算深层特征图像信息中特征点的概率分布情况以形成深度视觉掩码信息。5.根据权利要求4所述的基于视觉感知的鲁棒图像的水印嵌入方法，其特征是：根据视觉掩码信息对预处理水印信息进行修正以形成待嵌入水印信息的方法如下：根据浅层视觉掩码信息对预处理水印信息进行修正以形成浅层水印信息；根据深度视觉掩码信息对预处理水印信息进行修正以形成深层水印信息；将浅层水印信息、深层水印信息进行融合以形成待嵌入水印信息。6.根据权利要求2所述的基于视觉感知的鲁棒图像的水印嵌入方法，其特征是：关于提取特征图像信息的具体公式如下：其中，F1为浅层特征图像信息；F2为第二提取图像信息；F3为第三提取图像信息；F4为深层特征图像信息；Layer1、Layer2、Layer3、Layer4均为卷积层以对图像进行特征提取，且Layer1、Layer2、Layer3、Layer4四个卷积层的结构相同；Conv3×3表示为卷积核为3
×
3的卷积滤波；BN表示为Batch Normalization函数；LR表示LeakReLU激活函数；concat表示为concat函数；关于对原始水印信息进行空间复制的预处理方式的具体公式如下：其中，W'为预处理水印信息；W
in
为原始水印信息；H为原始图像信息的长度；W为原始图像信息的宽度；L为原始水印信息的长度；关于将浅层特征图像信息、深层特征图像信息以及待嵌入水印信息进行图像融合以形成融合图像信息的公式如下：F＝Conv3×3(Layer6(Layer5(concat(F4,F1,W
en
)))；其中，F为融合图像信息；Conv3×3表示为卷积核为3
×
3的卷积滤波；Layer5、Layer6均为卷积层以对拼接后的图像进行特征提取，且Layer5、Layer6两个卷积层的结构相同；concat(F4,F1,W
en
)表示为将F4、F1、W
en
三者进行拼接以形成新的图像；在根据特征图像信息以形成视觉掩码信息的过程中，关于根据深层特征图像信息形成对应的视觉掩码信息的具体公式如下：M＝Layer
V
(F4)＝SoftMax(Tanh(BN(Conv3×3(F4))))；其中，F4为深层特征图像信息；Conv3×3(F4)表示为降维处理，即通过Conv3×3(F4)以形成第一视觉图像信息；BN表示为Batch Normalization函数；Tanh表示为Tanh激活函数，即通过Tanh(BN(Conv3×3(F4)))以将第一视觉图像信息所对应的数值限制于所预设的阈值范围
内以形成第二视觉图像信息；SoftMax表示为SoftMax激活函数，即通过SoftMax(Tanh(BN(Conv3×3(F4))))计算深层特征图像信息中特征点的概率分布情况以形成视觉掩码信息；X＝BN(Conv3×3(F4))；C
i
∈[C1,C
L
]；Y
(H,W,C)
＝Tanh(BN(Conv3×3(F4)))；其中，Y
(H,W,C)
表示为到所有点的集合；表示为第i个点的数据；H、W、C分别表示为长度、宽度、通道数；表示为到所有的点的集合；关于对预处理水印信息进行修正以形成待嵌入水印信息的公式如下：W
en
＝W'
×
M
×
L；其中，W
en
为待嵌入水印信息，M为视觉掩码信息；L为原始水印信息的长度；W'为预处理水印信息；或者根据浅层特征图像信息生成浅层视觉掩码信息，根据深层特征图像信息形成深层视觉掩码信息；将浅层视觉掩码信息与深层视觉掩码信息作为视觉掩码信息；具体公式如下：M1＝Layer
V
(F1)＝SoftMax(Tanh(BN(Conv3×3(F1))))；M2＝Layer
V
(F4)＝SoftMax(Tanh(BN(Conv3×3(F4))))；其中，F1为浅层特征图像信息；F4为深层特征图像信息；Conv3×3(F4)表示为降维处理，即通过Conv3×3(F1)以形成第三视觉图像信息，通过Conv3×3(F4)以形成第五视觉图像信息；BN表示为Batch No...

【专利技术属性】
技术研发人员：骆挺，黄江涛，徐海勇，何周燕，
申请(专利权)人：宁波大学科学技术学院，
类型：发明
国别省市：